Week0 Intro
Shared on March 14, 2026
머신러닝·딥러닝 입문 강의 개요
개요
- 목표 : 기계학습·딥러닝의 기본 개념과 실습을 통해 AI 모델을 직접 구현하고 평가할 수 있는 역량을 함양한다.
- 수업 형식 : 2시간(강의+실습)으로 구성된 주 2회(화요일 강의, 수요일 실습)
- 자료 : 스탠포드 CS231N·CS229, CS498 등 공개 강의 자료와 국내외 최신 교재를 참고
- 평가 :
- 프로젝트 (팀 발표)
- 과제 (실습 기반)
- 출석 (3분의 1 이상 결석 시 부정학점)
- 절대 평가 (기말시험 없음)
핵심 개념
| 영역 | 주요 내용 | 비고 |
|---|---|---|
| 머신러닝 vs 딥러닝 | 머신러닝은 데이터 기반 모델 학습, 딥러닝은 신경망(뉴럴 네트워크) 기반의 하위 집합 | 머신러닝은 딥러닝을 포함 |
| 데이터 중심 | 알고리즘 자체보다 데이터가 핵심 | 데이터 수집·전처리, 라벨링이 필수 |
| 기초 수학 | 파이썬 프로그래밍, 고등학교 수준 미적분, 선형대수, 확률·통계 | 선형대수·확률·통계는 선행 과목 권장 |
| 전통 머신러닝 | 회귀(Linear, Logistic), 분류(KNN, SVM), 차원 축소(PCA) | 최신 기법은 참고용, 기초 이해를 위해 필수 |
| 딥러닝 기초 | CNN(이미지), RNN(시계열), Transformer(언어) | 기본 구조와 학습 원리 이해 |
| 생성 모델 | 디퓨전, GAN 등 | 최신 트렌드, 실습 예시 제공 |
| AI 윤리·인티그리티 | 데이터 무결성, 부정행위 방지, 출처 명시 | 수업 전반에 걸친 강조 |
상세 내용
1. 수업 구조
- 강의(화요일)
- 개념 정리, 이론 강의, 예제 코드 시연
- Q&A는 수업 중 가장 효과적이며, 온라인 클래스룸에도 게시 가능
- 실습(수요일)
- 개인 노트북 필수, 실시간 코드 작성 및 결과 확인
- 과제 제출은 수업 중 완료하거나 수업 이후 클래스룸에 업로드
- 실습 과제는 주마다 주어지며, 중간까지는 주간 과제가 아닌 프로젝트 기반 과제
2. 선행 지식
| 필수 | 내용 | 비고 |
|---|---|---|
| 파이썬 | 기본 문법(조건문·반복·리스트·딕셔너리) | 고급 문법 필요 없음 |
| 수학 | 미적분(기본), 선형대수(벡터·행렬·고유값), 확률·통계 | 기초 수준이면 충분 |
| 컴퓨터 과학 | 알고리즘·자료구조 기초 | 선택적이지만 이해에 도움 |
3. 평가 방식
- 프로젝트
- 팀별 논문 재현 또는 작은 아이디어 구현
- 발표와 코드 리뷰를 통해 평가
- 과제
- 실습 과제는 주마다 제공, 제출 기한 엄격
- 연장 신청은 허용되지 않음 (시간 관리 중요)
- 출석
- 3분의 1 이상 결석 시 부정학점
- 출석은 자동 기록, 결석은 시스템에서 바로 반영
4. 주요 주제 흐름
- 전통 머신러닝
- 회귀(Linear, Logistic), 분류(KNN, SVM), 차원 축소(PCA)
- 왜 전통 기법이 여전히 중요한가?
- 딥러닝 입문
- CNN: 이미지 분류, 특징 추출
- RNN: 시계열·언어 모델
- Transformer: 대규모 언어 모델(예: GPT)
- 생성 모델
- GAN: 이미지 생성
- 디퓨전 모델: 최근 트렌드, 이미지/음성 생성
- AI 적용 사례
- 자율주행, 의료 진단, 물체 인식, 챗봇 등
- 실제 산업 현황과 연구 동향 소개
5. 실습 및 프로젝트 예시
- CNN 실습: MNIST 숫자 분류, CAM(클래스 활성화 매핑) 시각화
- RNN 실습: 간단한 텍스트 생성(시계열)
- Transformer 실습: 문장 번역 모델 학습
- 프로젝트 아이디어
- 논문 재현 (예: ResNet, BERT)
- 기존 모델에 작은 변형을 주어 성능 비교
- 실제 문제(예: 캡차 인식, 의료 영상) 해결
6. 학습 자료 및 참고
- Stanford CS231N (컴퓨터 비전)
- Stanford CS229 (머신러닝)
- CS498 (머신러닝 심화)
- 국내 교재: 최신 버전(2024+)
- 온라인 강의: Coursera, edX, Fast.ai 등
7. 교수님 강조 포인트
- 질문 : 수업 중 적극적 질문이 학습 효과를 높임.
- 인티그리티 : 부정행위 금지, 데이터와 코드의 무결성 유지.
- 시간 관리 : 과제는 기한을 엄수해야 하며, 연장은 불가.
- 학습 태도 : 최신 기술은 빠르게 변하므로 꾸준한 학습이 필수.
핵심 메시지
머신러닝·딥러닝은 데이터 중심의 학습 알고리즘이며, 전통 기법의 이해가 최신 모델을 설계·분석하는 기반이 된다. 실습과 프로젝트를 통해 직접 모델을 구현하고, 윤리적·실제적 관점에서 AI를 바라보는 태도를 기르는 것이 목표이다.