Problem Solving with Algorithms

핵심 머신러닝 (1/5)

InnerGame — Fri, 20 Mar 2026 19:19:01 +0900

https://youtube.com/playlist?list=PLW2RwdZfXkE87ujjK3eN9IbHfvQ5eTQPB&si=a0Yqgz0H3ebllxZ9

핵심 머신러닝 1

www.youtube.com

1강 [핵심 머신러닝] 머신러닝 및 인공지능 개요 (19:30)

1강 19:30 [핵심 머신러닝] 머신러닝 및 인공지능 개요

인공지능은 인간의 지능적 행동(추론, 학습, 인식 등)을 기계가 수행하도록 만드는 넓은 개념입니다.

머신러닝은 명시적으로 규칙을 프로그래밍하지 않고, 데이터로부터 패턴을 학습해 예측·판단을 수행하는 인공지능의 한 분야입니다.

전통적인 프로그래밍은 “규칙 + 데이터 → 정답” 구조지만, 머신러닝은 “데이터 + 정답(레이블) → 규칙(모델)” 구조로 생각할 수 있습니다.

머신러닝의 주요 과제는 수치예측(회귀), 범주예측(분류), 클러스터링, 차원축소 등으로 나뉘며, 이 강의 시리즈는 특히 지도학습에 초점을 둡니다.

지도학습에서는 입력 벡터 x와 레이블 y가 주어질 때, x↦y 관계를 근사하는 함수를 학습합니다.

비지도학습은 레이블 없이 데이터 구조를 찾는 것이 목표이며, 클러스터링이나 밀도추정, 차원축소 기법이 대표적입니다.

강화학습은 에이전트가 환경과 상호작용하며 보상을 최대화하는 정책을 학습하는 설정으로, 지도/비지도와는 다른 피드백 구조를 갖습니다.

머신러닝 모델의 성능은 일반적으로 학습 데이터에 대한 적합도뿐 아니라, 보지 못한 새로운 데이터에 대한 일반화 성능으로 평가됩니다.

따라서 과소적합(underfitting)과 과적합(overfitting)을 모두 피하도록 모델 복잡도, 데이터 양, 정규화 등을 적절히 조절하는 것이 중요합니다.

강의는 이후 선형회귀, 로지스틱회귀, 신경망, 정규화, KNN 등 대표 모델을 통해 머신러닝의 핵심 개념을 단계적으로 설명하겠다고 예고합니다.

2강 [핵심 머신러닝] 수치예측, 범주예측 (분류) (11:12)

수치예측(regression)은 집값, 점수, 온도처럼 연속적인 값을 예측하는 문제를 다루며 출력이 실수입니다.

범주예측(classification)은 스팸/햄, 양성/음성, 강아지/고양이처럼 이산적인 레이블이나 클래스를 예측하는 문제입니다.

입력 특징 x는 같더라도 수치예측에서는 실수 y, 분류에서는 클래스 레이블 c가 목표가 되기 때문에 손실함수와 모델 구조가 달라집니다.

회귀 문제에서 대표적인 손실함수는 평균제곱오차(MSE)로, 예측값과 실제값의 차이를 제곱해 평균을 내어 오차를 측정합니다.

분류 문제에서는 0/1 오차, 로그손실(cross-entropy loss) 등을 사용해 모델이 정답 클래스에 얼마나 큰 확률을 주는지 평가합니다.

수치예측의 예로는 면적, 방 개수, 위치를 입력으로 집값을 예측하는 선형회귀 모델이 있습니다.

범주예측의 예로는 메일의 단어 특징을 입력으로 스팸 여부(0/1)를 예측하는 로지스틱회귀나 신경망 분류기가 있습니다.

지도학습에서 데이터셋은 보통 (xi ,yi) 쌍의 집합으로 표현되며, 모델은 이 데이터를 기반으로 파라미터를 학습합니다.

회귀와 분류 모두 입력 공간에서의 결정경계나 함수 형태를 학습하지만, 회귀는 연속 함수, 분류는 클래스 경계에 초점을 둡니다.

이 영상의 핵심은 “머신러닝의 예측 문제를 회귀와 분류로 나눠 이해하고, 이후 모델들을 이 두 관점에서 바라보자”는 큰 틀을 잡아주는 것입니다.

3강 [핵심 머신러닝] 머신러닝 모델 학습 프로세스 (22:51)

모델 학습 프로세스는 크게 데이터 준비, 모델 선택, 학습(훈련), 검증, 테스트 단계로 구성됩니다.

먼저 원본 데이터를 수집·정제·전처리하고, 훈련 세트, 검증 세트, 테스트 세트로 나누어 사용 목적을 구분합니다.

훈련 세트는 파라미터를 맞추는 데 사용하고, 검증 세트는 하이퍼파라미터 튜닝과 모델 선택에 사용하며, 테스트 세트는 최종 성능 평가에만 사용합니다.

모델 학습의 목표는 손실함수(loss)를 최소화하는 파라미터 θ를 찾는 것으로, 이를 위해 경사하강법 등의 최적화 알고리즘을 사용합니다.

에폭(epoch)은 전체 훈련 데이터를 한 번 모두 사용해 파라미터를 업데이트하는 과정을 의미합니다.

배치 크기(batch size)에 따라 배치 경사하강법, 미니배치 경사하강법, 확률적 경사하강법(SGD)로 나뉘며 수렴 특성과 계산 효율이 달라집니다.

과적합을 막기 위해 정규화, 조기 종료(early stopping), 데이터 증강 등 다양한 기법을 활용합니다.

검증 세트 성능이 일정 시점 이후 나빠지면 학습을 중단하는 조기 종료는 가장 직관적이면서도 효과적인 일반화 기법입니다.

최종적으로 테스트 세트는 단 한 번, 오직 모델의 일반화 성능을 추정하기 위한 용도로만 사용해야 평가의 신뢰성이 유지됩니다.

이 영상은 이후에 나올 각종 모델(선형회귀, 로지스틱, NN 등)의 학습도 모두 이 공통 프로세스 안에서 이해할 수 있도록 큰 틀을 제공하는 역할을 합니다.

4강 [핵심 머신러닝] 선형회귀모델 1 (개요, 모델가정) (19:11)

선형 회귀 모델 분류

선형회귀는 입력 특징들의 선형 결합으로 타깃 y를 예측하는 가장 기본적인 회귀 모델입니다.

단순 선형회귀에서는 y=β 0 +β 1 x+ε 형태로 모형을 세우며, ε은 오차항입니다.

다중 선형회귀에서는 y=β 0 +β 1 x 1 +⋯+β p x p +ε로 확장되어 여러 개의 설명변수를 동시에 고려합니다.

선형회귀가 통계적으로 타당하려면 오차항에 대한 가정: 선형성, 독립성, 등분산성, 정규성이 대략적으로 만족되어야 합니다.

선형성은 입력과 타깃 사이의 관계가 파라미터에 대해 선형으로 표현 가능하다는 가정입니다.

독립성은 각 관측치의 오차가 서로 상관되지 않는다는 의미로, 시계열 데이터 등에서는 위배되기 쉽습니다.

등분산성은 입력 값에 관계없이 오차의 분산이 일정하다는 가정이며, 위배되면 가중회귀 등을 고려해야 합니다.

정규성은 오차가 평균 0, 일정한 분산을 가진 정규분포를 따른다는 가정으로, 신뢰구간과 가설검정의 이론적 근거가 됩니다.

다중공선성(입력 변수들 간 높은 상관관계)은 계수 추정의 불안정성과 분산 증가를 초래한다는 점도 소개됩니다.

이 영상의 목표는 선형회귀의 수식 형태와 통계적 가정을 명확히 이해해, 이후 파라미터 추정·검정으로 자연스럽게 이어지도록 하는 것입니다.

5강 [핵심 머신러닝] 선형회귀모델 2 (파라미터 추정, 최소제곱법 ) (19:33)

파라미터 추정

파라미터 추정의 대표 방법은 최소제곱법(OLS - Least Squares Estimation Algorithm)으로, 잔차제곱합 ∑(y i − y^i) 2 을 최소화하는 β를 찾습니다.

행렬 형태로는 y=Xβ+ε로 표현하며, 여기서 X는 설계행렬(design matrix)입니다.

최소제곱 해는 정규방정식 X ⊤ Xβ=X ⊤ y를 풀어 β^ =(X ⊤ X) −1 X⊤ y로 구할 수 있습니다.

이 해는 오차가 정규성을 가지면 최대우도추정량(MLE)과도 일치하며, BLUE(최선의 선형 불편추정량) 성질을 가집니다.

기하학적으로는 y를 X가 span하는 부분공간에 직교투영한 결과가 y^ =X β^ 로 해석됩니다.

잔차벡터 e=y− y^ 는 X 열공간에 직교하며, 이 직교성 조건이 정규방정식의 또 다른 해석입니다.

X⊤ X가 역행렬을 갖기 위해서는 설명변수들이 선형독립이어야 한다는 조건이 필요합니다.

실무에서는 수치안정성을 위해 직접 역행렬을 구하기보다 QR 분해나 SVD 기반 솔버를 사용합니다.

강의에서는 파이썬/넘파이 또는 통계 패키지를 활용해 OLS를 구현하고, 이론과 결과가 어떻게 연결되는지 예제로 보여줍니다.

이 영상은 “선형회귀 계수를 어떻게 구하는가?”라는 질문에 대해 수식·기하·실습 관점에서 모두 답하는 것을 목표로 합니다.

6강 [핵심 머신러닝] 선형회귀모델 3 (파라미터 구간추정, 가설검정) (25:30)

점추정 β^ 만으로는 불확실성을 표현할 수 없기 때문에, 각 계수에 대한 신뢰구간을 구간추정으로 제공합니다.

표준오차(SE)는 추정량의 분산의 제곱근으로, β^ 가 얼마나 변동성이 큰지를 나타냅니다.

보통 95% 신뢰구간은 β^j ±t α/2,df ⋅SE( β^j ) 형태로 계산합니다.

가설검정에서는 귀무가설 H :β j =0, 대립가설 H 1 :β j ≠0 등을 세우고 t-통계량으로 유의성을 평가합니다.

t-통계량은 ( β^ j −0)/SE( β^j )이고, 자유도 n−p인 t-분포를 따르는 것으로 가정합니다.

p-값은 관찰된 t-값 이상이 나올 확률로, 작은 p-값은 해당 계수가 0이 아닐 가능성이 높다는 해석을 돕습니다.

회귀계수의 유의성은 각 변수의 효과가 통계적으로 의미 있는지를 판단하는 기준이 됩니다.

영상에서는 예제 데이터를 통해 신뢰구간과 p-값을 실제로 계산하고 결과를 해석하는 과정을 보여줍니다.

또한 “통계적으로 유의하다”와 “실무적으로 의미 있다”를 구분해야 한다는 점도 짚어줍니다.

이 강의의 핵심은 선형회귀 계수에 대한 불확실성까지 포함해 해석할 수 있는 능력을 기르는 데 있습니다.

7강 [핵심 머신러닝] 선형회귀모델 4 (R2, ANOVA) (22:37)

결정계수 R 2 는 모델이 종속변수의 분산을 얼마나 설명하는지 나타내는 지표입니다.

R 2 =1− SSTSSE 로 정의되며, 여기서 SSE는 잔차제곱합, SST는 전체제곱합입니다.

R2 가 1에 가까울수록 모델이 데이터 변동을 잘 설명하지만, 높은 값이 항상 좋은 모델을 의미하는 것은 아닙니다.

설명변수를 늘리면 R2 는 항상 증가하므로, 변수 개수를 고려한 수정 R2 를 함께 보는 것이 권장됩니다.

ANOVA(분산분석)는 회귀에서 “모델이 전혀 설명력이 없다”는 귀무가설을 검정하는 틀을 제공합니다.

총 제곱합을 회귀에 의한 제곱합(SSR)과 오차제곱합(SSE)으로 분해하고, 각 항을 자유도로 나눠 평균제곱(MS)을 계산합니다.

F-통계량은 MSR/MSE로 정의되며, F-분포를 이용해 회귀모델 전체의 유의성을 검정합니다.

p-값이 작으면 “적어도 한 개의 회귀계수는 0이 아니다”라고 결론 내릴 수 있습니다.

영상에서는 회귀분석 결과표(ANOVA 표)를 읽는 법과 R², F-통계량, p-값을 함께 해석하는 방법을 설명합니다.

이 강의의 핵심은 회귀모델의 “설명력”과 “전체 유의성”을 해석할 수 있게 만드는 것입니다.

8강 [핵심 머신러닝] 로지스틱회귀모델 1 (로지스틱함수, 승산) (22:19)

로지스틱회귀는 이진 분류에서 특정 사건이 일어날 확률 P(Y=1∣x)를 모델링하는 기법입니다.

선형회귀와 달리 확률은 0~1 사이여야 하므로, 시그모이드(로지스틱) 함수 σ(z)=1/(1+e −z )를 사용합니다.

모델은 P(Y=1∣x)=σ(β 0 +β ⊤ x) 형태를 가지며, 로짓(logit) 변환을 취하면 log 1−pp=β 0 +β ⊤ x가 됩니다.

승산(odds)은 p/(1−p)로, 사건이 일어날 확률 대비 일어나지 않을 확률의 비율입니다.

로그승산은 선형함수로 표현되어, 각 계수 β j는 해당 설명변수가 한 단위 증가할 때 로그승산이 얼마나 변하는지를 나타냅니다.

지수화하면 e β j 는 승산비(odds ratio)가 되어, 변수 변화의 효과를 직관적으로 해석할 수 있습니다.

로지스틱회귀는 출력이 확률이므로, 임계값(threshold)을 정해 0/1 클래스로 판정합니다.

이 모델은 선형 결정경계를 갖지만, 특징 변환을 통해 비선형 경계도 어느 정도 표현할 수 있습니다.

영상에서는 예시로 의료 데이터나 이진 이벤트 데이터를 사용해 로지스틱 함수와 승산 해석을 시각적으로 보여줍니다.

핵심은 “회귀”라는 이름이지만 실제 역할은 이진 분류기이며, 확률과 승산 관점에서 이해해야 한다는 점입니다.

9강 [핵심 머신러닝] 로지스틱회귀모델 2 (파라미터 추정, 해석) (24:49)

로지스틱회귀에서는 최소제곱이 아니라 최대우도추정(MLE)을 사용해 파라미터를 추정합니다.

각 관측치에 대해 베르누이 분포를 가정하고, 전체 우도함수는 각 확률의 곱으로 표현됩니다.

로그우도(log-likelihood)를 최대화하는 것이 손실함수를 최소화하는 것과 동치이며, 이때 사용하는 손실이 로지스틱 손실(크로스엔트로피)입니다.

폐쇄형 해가 없으므로 뉴턴-랩슨, IRLS, 혹은 경사하강법 기반 알고리즘으로 수치적으로 해를 찾습니다.

추정된 계수의 표준오차를 통해 신뢰구간과 z-검정을 수행하여 각 변수의 유의성을 평가합니다.

계수 β j 를 승산비 eβj 로 해석하면, 해당 변수의 증가가 사건 발생 승산을 몇 배로 변화시키는지 직관적으로 볼 수 있습니다.

예를 들어 βj =0.7이면, 해당 특징이 1 증가할 때 승산이 약 2배(e 0.7 ≈2)가 된다고 해석합니다.

모델 평가에는 정확도뿐 아니라 정밀도, 재현율, F1 점수, ROC AUC 등 다양한 분류 지표를 활용합니다.

영상에서는 실제 출력 결과(계수 표, p-값, 승산비)를 보고 “어떤 특징이 실제로 의미 있는지” 해석하는 과정을 보여줍니다.

핵심은 로지스틱회귀가 통계모형이면서도 실무 분류기이기 때문에, 확률·승산·성능지표를 모두 함께 해석해야 한다는 점입니다.

10강 [핵심 머신러닝 ]뉴럴네트워크모델 1 (구조, 비용함수, 경사하강법) (32:35)

뉴럴네트워크는 여러 층의 뉴런을 통해 비선형 함수를 근사하는 모델로, 입력층–은닉층–출력층 구조를 가집니다.

각 뉴런은 입력의 가중합 ∑w i xi +b을 계산한 뒤, 비선형 활성화 함수(ReLU, sigmoid, tanh 등)를 적용하여 출력을 만듭니다.

은닉층을 여러 개 쌓으면 심층신경망(Deep Neural Network)이 되며, 이론적으로 매우 복잡한 함수도 근사할 수 있습니다.

회귀 문제에는 MSE, 분류 문제에는 크로스엔트로피와 같은 비용함수를 사용해 예측과 정답의 차이를 수치화합니다.

신경망의 학습은 비용함수에 대한 가중치와 편향의 기울기를 계산하고, 경사하강법으로 파라미터를 업데이트하는 과정입니다.

학습률(learning rate)은 한 번의 업데이트에서 얼마나 크게 움직일지를 결정하며, 너무 크면 발산, 너무 작으면 수렴이 느려집니다.

배치/미니배치 SGD, 모멘텀, Adam 등 다양한 최적화 알고리즘이 실무에서 널리 사용됩니다.

과적합을 방지하기 위해 드롭아웃, L2 정규화, 데이터 증강 등이 신경망에서 자주 사용됩니다.

영상에서는 퍼셉트론과 다층퍼셉트론(MLP)의 구조를 그림과 함께 설명하며, “가중치가 특징 조합의 중요도를 나타낸다”는 직관을 강조합니다.

핵심은 신경망이 기존 선형모델의 연장선에 있으며, 층과 활성화를 통해 강력한 비선형 표현력을 얻는다는 점입니다.

11강 [핵심 머신러닝 ] 뉴럴네트워크모델 2 (Backpropagation 알고리즘) (30:52)

역전파(backpropagation)는 출력층의 오차를 기반으로 각 층의 가중치에 대한 기울기를 효율적으로 계산하는 알고리즘입니다.

순전파(forward pass)에서는 입력을 네트워크에 통과시켜 각 층의 선형결합과 활성화 값을 계산합니다.

출력층에서 비용함수의 값과 그에 대한 미분(오차)을 계산한 뒤, 이를 체인룰을 이용해 이전 층으로 전파합니다.

각 층에서 기울기는 “현재 층의 국소 미분 × 다음 층에서 전파된 기울기”로 계산됩니다.

이렇게 하면 전체 네트워크의 모든 가중치에 대한 기울기를 한 번의 순전파 + 역전파로 구할 수 있어 계산이 효율적입니다.

기울기를 얻은 뒤에는 학습률을 곱해 가중치를 업데이트하는데, 이 과정이 한 번의 학습 스텝(step)에 해당합니다.

역전파는 사실상 다변수 합성함수에 대한 체인룰을 대규모로 적용한 것이라는 점을 수식 예제로 보여줍니다.

활성화 함수에 따라 미분 형태가 달라지며, 시그모이드/탠하는 기울기 소실(vanishing gradient)을 유발할 수 있다는 점도 언급됩니다.

ReLU 계열 활성화는 기울기 소실 문제를 완화해 심층 네트워크 학습을 돕습니다.

이 강의의 목적은 “역전파를 완벽히 유도하지 못하더라도, 체인룰로 기울기를 전파한다”는 핵심 아이디어를 이해시키는 것입니다.

그래프 신경망(Graph Convolutions in Deep Learning)과 이에 필요한 수학적 배경, 그리고 실제 적용 예시

InnerGame — Tue, 24 Feb 2026 20:01:19 +0900

이번 강의는 그래프 신경망(Graph Convolutions in Deep Learning)과 이에 필요한 수학적 배경, 그리고 실제 적용 예시에 대해 다룹니다.

강의 목표 및 전체 구성

오늘은 딥러닝에서 이미지, 텍스트처럼 구조가 정해진 데이터가 아니라, SNS, 분자 구조, 논문 인용 등 자유로운 ‘그래프’ 데이터를 어떻게 신경망으로 학습할 수 있는지 배우는 게 핵심이에요. 이를 위해 그래프 라플라시안, 그래프 신경망의 구조와 작동 방식, 그리고 실제 네트워크(논문 인용 네트워크)에서의 활용 예시를 살펴볼 거예요.

1. 딥러닝과 데이터 구조의 한계

- 기존 신경망(CNN, RNN 등)은 이미지나 문장처럼 ‘격자’(grid), ‘순서’(sequence)가 정해진 데이터에 최적화되어 있어요.

- SNS처럼 정해진 규칙 없이 복잡하게 연결된 데이터(그래프)는 기존 방식으론 직접 처리하기 어려워요.

- 따라서 ‘그래프 신경망(Graph Neural Network, GNN)’ 연구가 발전하게 되었습니다.

2. 그래프란 무엇인가?

- 그래프 데이터는 정점(노드, vertex)과 연결선(엣지, edge)으로 이루어져 있음: G=(V,E)

- 예시:

- - 사람(정점), 친구 관계(엣지) – SNS 네트워크

- - 논문(정점), 인용 관계(엣지) – 논문 인용 네트워크

3. 그래프 라플라시안(Graph Laplacian)

정의:

각 노드의 연결 정보를 행렬로 표현한 것이 그래프 라플라시안이에요.

- 인접행렬 A: 두 노드가 연결돼 있으면 1, 아니면 0

- 차수행렬 D: 각 노드의 연결 개수만 대각선에 적은 행렬

- 라플라시안 L = D - A

성질:

- L은 항상 대칭행렬이고, 0과 양수 고유값만 가짐(positive semi-definite)

- 고유벡터로 그래프의 다양한 패턴·신호를 해석할 수 있음

4. 그래프의 푸리에 변환 & 컨볼루션

그래프 푸리에 변환:

- 정점에 정의된 모든 신호(벡터)를 라플라시안의 고유벡터들로 분해(=그래프 푸리에 변환)

- 각 고유벡터는 일종의 ‘주파수 성분’ 역할

그래프 컨볼루션!

- 유클리드 공간(CNN처럼 이미지)에서는 공간 이동/합치기로 ‘컨볼루션’(합성곱)을 정의

- 그래프는 위치·순서 개념이 없으니, 라플라시안 고유벡터(=푸리에 변환)를 활용해서 주파수 도메인에서 합성곱을 정의함:

f∗g=∑(f,ψ i )(g,ψ i )ψ i

여기서 ψ i 가 라플라시안 고유벡터, (f,ψ i )가 각 주파수 성분

행렬로 표현:

- 실제 계산엔 Gf=UgU ⊤ f 형태의 행렬 곱으로 나타낼 수 있음(U: 고유벡터 행렬, g: 필터의 스펙트럼 표현)

5. 그래프 컨볼루션 신경망(GCN)의 실제 구조와 예시

스펙트럴 GCN:

- 고유벡터(U) 일부만 뽑아 간단한 필터 학습

- 실제 노드 특징 입력(행렬 F)과, 스펙트럼 필터(대각행렬 Λ), 그리고 비선형성 결합

활용 예시:

- 논문 인용 네트워크(CORA)에서 각 논문의 카테고리를 분류

- GCN을 적용하면 정확도 81.6%에 달함

6. 정리 & 메타포

- 그래프 신경망은 기존 신경망의 한계를 넘어, 복잡한 구조·관계까지 학습할 수 있도록 만들어진 강력한 도구

- 그래프 라플라시안(고유벡터, 고유값) 개념이 핵심 연결통로

- 실제 산업, 과학, 생명 데이터 분석 등 다양한 분야로 빠르게 확대

확률이론의 기초부터, 확률변수, 기대값과 분산, 그리고 확률분포(특히 정규분포)

InnerGame — Tue, 24 Feb 2026 19:45:54 +0900

4강에서는 확률이론의 기초부터, 확률변수, 기대값과 분산, 그리고 확률분포(특히 정규분포)까지 다룹니다.

강의 목표 및 전체 구성

오늘은 흔히 말하는 “확률”이 뭔지, 어떻게 수학적으로 정의하고 계산하는지, 그리고 머신러닝에서 왜 중요한지 배우는 날이에요. 확률변수, 기대값, 분산, 공분산, 다양한 확률분포(특히 정규분포)의 의미와 실제 적용까지 따라갈 거예요.

1. 확률의 정의와 해석

● 빈도주의적 확률 (Frequentist)

- 어떤 시행을 수없이 반복할 때, 특정 결과가 일어나는 비율을 확률이라고 생각(동전을 많이 던질수록 앞/뒤 확률이 0.5에 가까워짐).

● 베이즈적 확률 (Bayesian)

- 확률을 ‘믿음의 정도’로 해석(예: 경기가 비길 확률에 대한 주관적 기대).

2. 확률 공간과 사건, 확률 법칙

● 확률 실험/사건/표본공간

- 확률 실험: 결과가 미리 정해지지 않고, 매번 달랐던 실험(예: 주사위 던지기)

- 표본공간: 가능한 모든 결과의 집합

- 사건: 표본공간의 부분집합(예: {2,4,6}은 ‘짝수 눈이 나오는 사건’)

● 확률 법칙(공리)

- 어떤 사건 집합(σ-대수)에서 확률을 부여하는 특별한 규칙(0 이상, 1 이하, 전체는 1, 불연속합/덧셈 성질).

3. 조건부 확률과 독립성

● 조건부 확률

- A가 일어났다는 조건에서, B가 일어날 확률: P(B∣A)= P(A∩B) / P(A)

- 곱셈법칙/전체확률의 법칙도 여기서 따라옴

● 사건의 독립

- P(A∩B)=P(A)P(B)일 때, 두 사건은 서로 독립

- 즉 A가 일어나더라도 B의 확률은 변하지 않음

4. 확률변수와 분포

● 확률변수

- 실험 결과를 실수로 대응시키는 함수(예: 동전 앞→0, 뒤→1 등)

● 이산 확률분포

- 예) 주사위: 각 면이 나올 확률(확률질량함수)

- 주변분포(주어진 변수를 제외한 나머지 확률), 결합분포, 조건부분포

- 베이즈 공식: P(Y∣X)= P(X∣Y)P(Y) / P(X) 등

● 연속 확률분포

- 확률밀도함수(f(x)), 누적분포함수(CDF, F(x)): 연속적인 값을 이용

5. 기대값(기댓값), 분산, 표준편차

● 기대값(평균)

- 이산: E[X]=∑xp(x)

- 연속: E[X]=∫xf(x)dx

- 기대값은 선형성 성질을 가짐: E[aX+bY]=aE[X]+bE[Y]

● 분산/표준편차

- 분산: Var(X)=E[(X−E[X]) ^ 2 ]

- 표준편차: Std(X)= 루트 Var(X)

● 공분산/상관관계

- 두 확률변수 X, Y의 공분산: Cov(X,Y)=E[(X−E[X])(Y−E[Y])]

- 상관계수: Corr(X,Y)= Cov(X,Y)/ 루트Var(X)Var(Y)

- -1과 1 사이, 1은 강한 양의 상관, 0은 무관, -1은 강한 음의 상관

6. 주요 확률분포의 예와 특징

● 이산 균등분포: 모든 값이 똑같이 나올 확률

● 연속 균등분포: 구간 어디서나 나올 확률이 같음

● 정규분포(가우시안)

- 중심극한정리에 의해 많은 자연현상이 정규분포를 따름

- 평균 μ, 표준편차 σ로 완전히 결정됨. 종 모양의 곡선

- 모든 모멘트(평균, 분산, 왜도, 첨도 등)로 완전히 특성화할 수 있음

7. 모멘트(moment)와 첨도/왜도(skewness/kurtosis)

● 모멘트

- 확률분포의 여러 특징을 수치로 요약하는 도구(평균, 분산 등도 모두 모멘트)

- n차 모멘트란 평균에서 먼 쪽으로 얼마나 퍼져있는지를 측정

● 왜도/첨도

- 왜도: 분포가 오른쪽/왼쪽 어디로 치우쳤나 나타냄

- 첨도: 분포가 얼마나 뾰족하거나 납작한가를 나타냄

8. 공분산 행렬과 고차원 확률

● 공분산 행렬

- 여러 확률변수(X1, ... Xn) 간의 관계를 정리

- 대칭, 양의 준정부호 행렬이라서 다양한 수학적·통계적 성질을 가짐

요약 정리

- 확률이론은 데이터의 불확실성을 다루는 핵심 언어

- 확률공간, 확률변수, 기대값, 분산, 표준분포(정규분포, 균등분포), 그리고 고차원 공분산까지 머신러닝·통계의 기초임

- 직접 계산 예시와 시각화로 개념을 연습하는 것이 가장 효과적!

Empirical mean ?

수학에서 empirical mean은 관찰이나 실험을 통해 얻은 데이터 값들의 산술 평균을 의미합니다. 이는 전체 모집단이 아니라 실제로 수집한 표본 데이터의 평균값으로, 확률 변수의 기댓값(평균)을 추정하는 통계량입니다. 표본의 각 관측값을 더한 뒤 관측값의 개수로 나누어 계산하며, 표본평균(sample mean) 또는 경험적 평균(empirical mean)이라고도 합니다.

이 값은 통계학과 확률론에서 중요한 역할을 하는데, 독립적이고 동일한 분포(iid)의 표본을 많이 모을수록 이 empirical mean은 모집단의 기대값에 가까워지는 성질(대수의 법칙)을 갖습니다. 그래서 모집단의 평균을 직접 알 수 없을 때, 실험이나 관찰을 통해 얻은 데이터로 평균을 추정하는 데 사용됩니다.

요약하면, 수학에서 empirical mean은 데이터를 기반으로 계산한 평균값으로, 모집단 평균의 추정량 역할을 합니다.

미분의 정의와 규칙, 그리고 인공지능/머신러닝에서 미분이 어떻게 활용되는지 실제 예시(선형 회귀, 주성분 분석)

InnerGame — Tue, 24 Feb 2026 18:12:15 +0900

이번 3강에서는 미분의 정의와 규칙, 그리고 인공지능/머신러닝에서 미분이 어떻게 활용되는지 실제 예시(선형 회귀, 주성분 분석)로 다룹니다.

강의 목표 및 주제 소개

오늘은 함수의 미분이란 무엇인지, 다양한 미분 공식(선형성, 곱셈/나눗셈/합성 함수 규칙), 그리고 이것이 머신러닝 문제 - 특히 선형 회귀, PCA에서 어떻게 쓰이는지 알아보는 시간을 가질 거예요.

1. 미분 가능성(Differentiability)과 정의

정의:

함수 f가 어떤 점 x 0 에서 미분가능하다는 건, 그 점에서의 접선의 기울기(변화량)가 한 값으로 딱 정해질 때를 말해요.
수식으로는,

또는

입니다.

기하학적 의미:

(x 0 ,f(x 0))에서의 접선 기울기, 즉 순간 변화량(그래프상에서 얼마나 급하게 오르내리는지)을 보기 위한 거예요.

2. 미분 공식: 선형성, 곱/몫/합성 함수 규칙

선형성(Linearity)

두 함수 f,g가 미분가능하면,

[f(x)+g(x)]' = f'(x) + g'(x) $$

[af(x)]' = a f'(x) $$ (a는 상수) - **곱셈 공식(Product Rule)**
[f(x)g(x)]' = f'(x)g(x) + f(x)g'(x) $$

몫셈 공식(Quotient Rule)

합성 함수 공식(Chain Rule)

[g(f(x))]' = g'(f(x)) \cdot f'(x) $$

각각의 공식은 실제로 증명을 통해 도출할 수 있고, 모든 머신러닝의 최적화 문제에서 미분이 왜 필요한지 직관적으로 연결돼요.

3. 머신러닝 예제 – 선형 회귀(Linear Regression)와 미분

데이터 x 1 ,x 2 ,...,x n , 정답 y 1 ,y 2 ,...,y n 이 주어진 상황에서 모델 y=wx+b를 적용

비용함수(오차 제곱의 평균)

w에 대해 도함수를 구해서 0이 되는 지점을 찾는 것이 ‘최적’ 모델 파라미터를 얻는 과정이야.

실제 미분 과정을 거쳐

로 정해져요.

4. 머신러닝 예제 – 주성분 분석(PCA)와 미분

데이터를 가장 잘 설명하는 선을 찾는 방법.

구하고자 하는 방향(벡터) v가 데이터를 최대한 잘 ‘투영(사영)’하도록 만드는 게 목적.

최적화 문제에서 미분을 이용하여 해를 구함:

(단, v T v=1), 여기서 C는 공분산 행렬

이는 고유값 문제와 연결:
Cv=λv 꼴, v들이 고유벡터, λ가 고유값이 되고, 가장 큰 고유값에 해당하는 고유벡터가 주성분

요약 및 마무리

- 미분은 변화량을 정확히 수치화하고, 머신러닝 모델의 최적 파라미터(예: 선형 회귀, PCA 등)를 계산하는 핵심 도구임

- 각 미분 공식은 실제 데이터 분석/기계학습 문제에서 바로바로 적용될 수 있음

- 미분 규칙마다 예제 풀이를 직접 해보면 훨씬 더 이해가 깊어질 것

선형 변환, 행렬, 행렬식, 사영(Projection), 고유값과 고유벡터, 대각화, 그리고 대칭 행렬

InnerGame — Tue, 24 Feb 2026 18:01:50 +0900

이번 두 번째 강의에서는 선형 변환, 행렬, 행렬식, 사영(Projection), 고유값과 고유벡터, 대각화, 그리고 대칭 행렬이라는 매우 중요한 주제들을 다룹니다.

전체 강의 목표 및 주제 소개

오늘은 벡터공간의 성질을 더 깊이 파고들어서, 선형 변환(linear transformation)과 이것을 나타내는 행렬(matrix)의 개념, 행렬이 해주는 변환의 성질을 세밀하게 분석하는 다양한 도구들, 예를 들어 행렬식과 고유값, 그리고 이와 연결되는 대각화(Diagonalizability), 대칭행렬(Symmetric Matrices)까지 배울 거예요.

1. 선형 변환 (Linear Transformation)

정의: 두 벡터공간 V, W 사이의 함수 f가 ‘선형’이라고 불리려면 반드시 두 가지 조건을 만족해야 해요.

두 벡터의 합을 변환했을 때 = 각각 변환 후 더한 것과 같아야 한다.

f(v 1 +v 2)=f(v 1 )+f(v 2 )

벡터에 수(스칼라)를 곱한 후 변환 = 변환 후 스칼라 곱과 같아야 한다.

f(λv)=λf(v)

여기서 v 1 ,v 2 는 V의 벡터, λ는 스칼라(실수 등)입니다.

예시

2차원 벡터에 대해 “모든 벡터를 x축 방향으로 두 배 늘린다”는 것도 선형 변환이에요.

존재와 유일성

V의 기저(기본 벡터 집합)를
v
1
,...,v
n
,
W
W의 임의 벡터를
w
1
,...,w
n
라 할 때, 모든 v i 를 w i 로 대응시키는 선형 변환이 오직 하나 존재해요. 즉, 기저에서의 값만 정해주면 전체 변환이 결정된다는 뜻이에요.

2. 행렬 (Matrix)

정의: 행렬이란 사각형 표에 숫자를 넣은 배열입니다. m×n 행렬은 m줄(행, row)과 n칸(열, column)을 가진 숫자 표예요.

각 위치 a_{ij}는 i번째 행, j번째 열의 숫자를 표시합니다.

행렬 예시

항등행렬(모든 대각성분만 1, 나머지 0)

90도 회전 행렬

x축에 대한 반사 행렬

특정 직선(예: (0,0)과 (1,1)을 잇는 직선)에 대한 투영 행렬 등.

행렬의 연산

덧셈: 같은 크기끼리 원소별로 더함

곱셈: 앞 행렬의 행과 뒤 행렬의 열을 곱한 값을 모두 더해 새로운 행렬을 만듦

전치: 행과 열을 뒤바꿈 (A T )

랭크(계수): 행렬 안에 선형독립인 행(또는 열)이 최대 몇 개인지 보여줌

행렬을 통한 선형 변환

임의의 선형 변환은 반드시 하나의 행렬로 표현할 수 있습니다.
f(x)=Ax 꼴.

3. 행렬식 (Determinant)

정의 및 의미:

n×n 정사각행렬에서, 행렬식(Determinant)은 ‘그 행렬이 공간을 얼마나 넓게/좁게/거꾸로 펼치는지’에 대한 숫자입니다.

∣det(A)∣: 변환 후 부피가 얼마나 변하는지

부호: 뒤집힘(orientation) 정보.

성질

대각행렬이면, 주대각선의 곱이 행렬식

행렬이 가역적(역행렬 존재)하려면

det(A)≠0

det(AB)=det(A)det(B)

2x2의 경우,
det( acbd )=ad−bc

4. 사영(Projection)과 직교 사영

정의:

선형변환 가운데
P
2
=P를 만족하는 변환이 ‘사영’이에요.

예: 3차원 벡터를 2차원 평면에 “떨어뜨리는” 것이 사영

공식

직교기저
u
1
,...,u
n
이 있을 때, 어떤 벡터 x를 U라는 부분공간에 정직하게 사영하는 공식
P U (x)=∑(x,u i )u i

5. 고유값(Eigenvalue)과 고유벡터(Eigenvector)

정의:

행렬 A와 어떤 벡터 u≠0에 대해, Au=λu가 성립하면 u는 A의 고유벡터, λ는 고유값.

중요성:

대칭행렬 및 기계학습의 여러 최적화 문제에서 핵심적

대칭행렬은 항상 n개의 직교하는 고유벡터를 갖는다.

구하는 법

특성방정식 det(A−λI)=0의 해로 λ를 구한다.

각각의 λ에 대해 (A−λI)u=0을 만족하는 비영벡터 u를 찾는다.

6. 대각화 (Diagonalizability)

정의:

행렬
A가
S
−1
AS=Λ 형태로,
Λ가 대각행렬(고유값이 대각선에)이라면
A가 대각화된 것.

필요충분조건:

서로 독립인 n개의 고유벡터가 존재하면 대각화 가능

활용

대각화하면 거듭제곱, 지수함수 등 복잡한 계산을 아주 쉽게 변환 가능

7. 대칭행렬 (Symmetric Matrix)와 양정 definiteness

정의:

A T =A를 만족하는 행렬이 대칭행렬

항상 모든 고유값이 실수이고, 고유벡터가 서로 직교

양의 정부호/반정부호

모든 v ≠ 0에 대해 v T Av>0 → 양의 정부호

고유값이 모두 양수일 때 양의 정부호

모두 음수 → 음의 정부호 등

요약 정리

- 선형변환: 두 벡터공간의 성질을 나타내는 핵심 구조물

- 행렬: 변환을 숫자표로 꿰뚫어보는 도구

- 행렬식: 변환의 ‘의미’, ‘성질’을 압축해주는 수

- 고유값, 대각화: 복잡한 변환을 단순화, 그리고 기계학습/자연과학의 강력한 무기가 됨

- 대칭행렬: 항상 좋은 성질(실수 고유값, 직교 고유벡터, 안정성 등)을 가짐

집합, 군, 체, 벡터공간, 유클리드 공간

InnerGame — Tue, 24 Feb 2026 17:11:32 +0900

여러분, 인공지능이나 기계학습처럼 데이터를 다루는 모든 수학의 기초에는 ‘벡터공간’이라는 개념이 있어요. 데이터를 숫자 덩어리(벡터)라고 생각하면, 그 덩어리가 어떻게 더해지고/곱해지는지, 그 안에서 규칙이 무엇인지 이해하는 것이 핵심이겠죠?

오늘의 목표는 바로 이런 벡터공간에 들어가기 위한 준비운동―집합, 군, 체, 벡터공간, 마지막으로 유클리드 공간까지 하나씩 쌓아가는 거예요.

1. 집합(Set) – 수학의 가장 기본 단위

● 집합이란?

여러 개의 ‘서로 다른’ 대상을 한데 모아놓은 것을 집합이라고 해요. 예를 들어 {1, 2, 3}처럼요. 안에 들어간 각각의 것을 ‘원소’라고 불러요.

● 집합 예시

- 자연수 집합: {1, 2, 3, ...}

- 정수 집합: {..., -2, -1, 0, 1, 2, ...}

- 유리수 집합: 분수꼴로 만들 수 있는 모든 수

- 실수 집합: 0, 0.5, π, √2 등 직선 위에 있는 모든 수

● 집합 관련 용어:

- 원소: a ∈ A (a가 A에 들어있다)

- 부분집합: A ⊆ B (A가 B 안에 모두 포함)

- 공집합: 아무것도 없는 집합, ∅

2. 연산과 군(Group)의 개념

● ‘연산’이란?

집합의 두 원소를 골라서 어떤 규칙에 따라 또 다른 원소로 만드는 걸 연산이라고 해요.

예: 2+3=5는 숫자 집합에서 덧셈이라는 연산에 해당하죠.

● 군(Group)의 정의

아주 간단하게 말하면,

1. 원소를 두 개 골라 연산(예: 덧셈)을 했을 때 결과가 또 집합 안에 있어야 해요.

2. 연산 방법은 어느 원소 순서로 하든 결과가 같아야 해요(결합법칙).

3. ‘항등원(0 같은)’이 꼭 하나 있어야 해요.

4. 모든 원소마다 '역원'(예: 3의 역원은 -3)도 집합 안에 있어야 해요.

예시:

- (정수 전체, 덧셈) → 이건 군!

- (자연수, 뺄셈) → 역원이 없어서 군이 아니에요.

- 아벨 군(교환이 성립되는 군): a + b = b + a 형태가 항상 맞는 군

3. 체(Field) – 덧셈과 곱셈 두 가지 규칙

● 체는 “덧셈”과 “곱셈”이라는 두 연산이 동시에 잘 정의되는 집합을 말해요.

- (실수 전체, +, ×) 는 체입니다.

- (정수, +, ×) 는 곱셈 역원이 없어 체가 아니에요.

체는 아래 두 가지 그룹 규칙이 모두 필요해요.

1. (전체, +)는 군

2. (0 제외, ×)도 군

3. 분배법칙까지 성립 (a×(b+c) = a×b + a×c)

4. 벡터공간(Vector Space) – ‘수학적인 좌표공간’

● 벡터공간이란?

체(Field)와 벡터라는 ‘묶음’을 다루는 공간이에요. ‘덧셈’(벡터끼리)과 ‘스칼라 곱’(숫자×벡터)이 포함돼있죠.

여기서 ‘스칼라’란 그냥 보통 숫자(실수 등)를 말해요.

● 벡터공간의 예:

- 3차원 공간의 (x, y, z)

- 여러 식으로 이루어진 다항식 묶음

- 좌표평면에 그리는 화살표(벡터)

벡터공간은 아래 조건을 꼭 만족해야 해요.

1. 덧셈에 대해 아벨 군

2. 스칼라 곱에 대해 체의 곱셈과 호환

3. 0벡터(항등원)이 있다

4. 분배법칙 등이 모두 성립해야 해요.

● 벡터공간 구성 개념

- 부분공간: 큰 벡터공간 V의 일부가, 그 안에서 스스로 벡터공간의 규칙을 만족하면 부분공간이라고 해요.

- 선형결합/기저/차원:

-- 선형결합: 벡터 여러 개에 숫자를 곱해서 더한 형태로 만들 수 있는 모든 벡터

-- 기저: 선형독립(서로 남의 선형결합으로는 못 만드는 벡터)이며, 그것들을 가지고 공간에 있는 모든 벡터를 만들 수 있는 집합을 말해요.

-- 차원: 기저의 벡터 개수

5. 유클리드 벡터공간과 길이/각도

● 유클리드 벡터공간이란?

평면이나 3차원 공간처럼, 벡터끼리의 ‘길이’와 ‘각도’(내적)가 잘 정의된 공간이에요.

● 내적(스칼라 곱):

- 두 벡터의 성분을 각각 곱해서 모두 더해주는 연산

- 내적이 0이면 두 벡터가 수직

● 노름(길이):

- 벡터의 길이. 2차원, 3차원 모두 루트 x^2 + y^2 꼴로 계산

- 벡터는 방향이 있고, 길이도 잘 정의돼야 유클리드 공간이라고 부름

● 직교/직교기저:

- 벡터들이 모두 서로 수직이면 ‘직교’

- 이런 벡터들로만 이루어진 기저가 ‘직교기저’(orthonormal basis)

마무리 및 요약

- 집합, 군, 체: 수학 규칙을 이해하는 초석

- 벡터공간: 수학적 데이터, 좌표 공간의 근본

- 유클리드 벡터공간: 길이와 각도가 정의되어 그림으로도 쉽게 이해됨

OpenGL과 OpenCV의 차이점

InnerGame — Wed, 18 Feb 2026 01:32:59 +0900

OpenGL과 OpenCV는 컴퓨터 그래픽스와 컴퓨터 비전 분야에서 각각 다른 목적으로 설계된 라이브러리입니다. OpenGL은 하드웨어 가속 렌더링에 특화되어 있고, OpenCV는 이미지 처리와 분석에 초점을 맞춥니다.

주요 목적

OpenGL(Open Graphics Library)은 2D/3D 그래픽스 렌더링을 위한 저수준 API로, GPU를 활용해 실시간으로 삼각형, 텍스처, 셰이더 등을 그려냅니다.

반면 OpenCV(Open Source Computer Vision Library)는 이미지/비디오 처리 알고리즘을 제공하며, 엣지 검출, 객체 인식, 머신러닝 같은 고수준 작업에 강합니다.

결과적으로 OpenGL은 게임이나 시각화에, OpenCV는 로보틱스나 자율주행에 주로 쓰입니다.

기능 비교

측면	OpenGL	OpenCV
초점	그래픽 렌더링 (2D/3D)	이미지 처리/컴퓨터 비전
레벨	저수준 (프리미티브, 파이프라인)	고수준 (함수/알고리즘)
하드웨어 활용	GPU 전용 (렌더링 최적화)	CPU/GPU (처리 가속 가능)
언어 지원	C/C++, 바인딩 다수	C++, Python, Java 등
예시 기능	셰이더, 텍스처 매핑, 안티앨리어싱	이진화, 노이즈 제거, 패턴 인식

사용 사례 및 조합

OpenGL은 그래픽스 출력 속도가 빠르지만(예: cv::imshow 대체 가능), OpenCV는 처리 로직이 직관적입니다.

실제로는 AR 앱처럼 OpenCV로 이미지 분석 후 OpenGL로 렌더링하는 조합이 일반적입니다

디지털 영상처리 - 정말 쉽게 잘 설명된 무료강의 (7강, 8강 내용)

InnerGame — Mon, 16 Feb 2026 07:49:02 +0900

영상처리 7주차 1강

영상처리 7주차 2강

영상처리 8강 - 중간고사

디지털 영상처리 - 정말 쉽게 잘 설명된 무료강의 (5강, 6강 내용)

InnerGame — Sun, 15 Feb 2026 08:25:54 +0900

영상처리 5주차 1강

영상처리 5주차 2강

영상처리 6주차 1강

영상처리 6주차 2강

알파채널 == 투명도

디지털 영상처리 - 정말 쉽게 잘 설명된 무료강의 (3강, 4강 내용)

InnerGame — Fri, 13 Feb 2026 23:55:48 +0900

디지털 영상처리 3주차 1강

디지털 영상처리 3주차 2강

Binary: set Value when above Threshold

Binary_Inv:

TURNC: Turn C

TOZERO: To Zero (under threshold)

TOZERO_INV: To Zero Inverse

hsv[:,:,2]에서 2는 Value(명도/밝기) 채널을 가리켜요!
hsv[:,:,0] → H (Hue, 색상)     → 0~179
hsv[:,:,1] → S (Saturation, 채도) → 0~255
hsv[:,:,2] → V (Value, 명도)     → 0~255

디지털 영상처리 4주차 1강

디지털 영상처리 4주차 2강

디지털 영상처리 - 정말 쉽게 잘 설명된 무료강의 (1강, 2강 내용)

InnerGame — Fri, 13 Feb 2026 00:10:04 +0900

[K-MOOC] 「영상처리」 강의와 함께 제공되는 PDF 강의자료는 디지털 영상처리를 처음 접하는 학습자도 부담 없이 따라갈 수 있도록 구성된 강의입니다. 영상의 기본 개념부터 픽셀, 그레이스케일, RGB·HSV 같은 색 공간까지 차근차근 짚어 주고, 교재에 나오는 예시와 그림을 강의자가 그대로 화면에 띄워 설명해 주기 때문에 슬라이드만 볼 때보다 훨씬 직관적으로 이해할 수 있습니다.

이 강의는 히스토그램과 명암 대비 조정, 이진화와 적응형 스레숄딩, 컨볼루션과 블러·샤프닝 필터, 에지 검출처럼 디지털 영상처리의 핵심 주제들을 실제 이미지 예제와 함께 설명하며, OpenCV 코드 조각까지 곁들여 이론과 실습 사이를 자연스럽게 연결해 줍니다. 주차별로 PDF 강의노트가 잘 정리되어 있어, 영상을 보면서 필요한 부분만 바로 찾아 복습하거나, 시험 준비용 요약 노트로 활용하기에도 적합합니다.

전체적으로 강의 흐름이 깔끔하고, 불필요한 탈선 없이 핵심 개념 → 수식 → 예제 → 코드 순서로 정돈되어 있어서, 디지털 영상처리 과목을 듣는 학부·대학원생이나 OpenCV로 영상처리를 시작하려는 개발자에게 추천할 만한 입문·복습용 자료입니다.

출처: 유투브 https://youtube.com/playlist?list=PLKjRKmeEEkp6BdyX2RUQBl8L_6eJJKVM8&si=HegAmzzSUgCJYq7B

영상처리 1강

HSI는 색을 사람 눈이 쉽게 이해할 수 있게 3가지로 나눈 방법이야!

H = Hue (색상/호이)
무슨 뜻? 빨강? 파랑? 초록? → 색깔 종류

예시: 무지개처럼 빨강(0°), 노랑(60°), 초록(120°) 순서로 도는데 표시

비유: 사탕 종류(딸기, 바나나, 포도)

S = Saturation (채도/새추레이션)
무슨 뜻? 색이 얼마나 진하고 선명한지

예시: 빨강(S=1) vs 회색빛빨강(S=0.2)

비유: 사탕 색깔이 얼마나 진한지 (선명 vs 흐릿)

I = Intensity (명도/인텐시티)
무슨 뜻? 색이 얼마나 밝은지

예시: 검은색(I=0) → 흰색(I=1)

비유: 사탕 빛 세기 (꺼짐 → 반짝반짝)

같은 빨강이라도:
HSI=(0°, 1.0, 0.2) → 어두운 빨강
HSI=(0°, 1.0, 1.0) → 밝은 빨강
HSI=(0°, 0.3, 0.8) → 흐릿한 밝은 빨강

왜 쓰나? RGB(빛3개 합치기)보다 직관적이라 이미지 처리할 때 편해!

영상처리 2강 - 파이썬 실습

영상처리 3강

디지털 영상처리

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 - 정말 쉽게 잘 설명된 무료강의 (3강, 4강 내용)

디지털 영상처리 - 정말 쉽게 잘 설명된 무료강의 (3강, 4강 내용)

디지털 영상처리 3주차 1강 디지털 영상처리 3주차 2강Binary: set Value when above ThresholdBinary_Inv: TURNC: Turn CTOZERO: To Zero (under threshold)TOZERO_INV: To Zero Inverse hsv[:,:,2]에서 2는 Value(명도/밝기) 채널을 가리

inner-game.tistory.com

디지털 영상처리 12장. 영상 패턴 분류 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:05:34 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

이 책은 디지털 영상처리에 대해 다룬 도서입니다. 기초적이고 전반적인 내용을 학습할 수 있습니다. 1장 소개2장 디지털 영상의 기초3장 밝기 변환과 공간 필터링4장 주파수 도메인 필터링5장

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

디지털 영상처리 11장. 특징 추출 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:05:27 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 12장. 영상 패턴 분류 | Digital Image Processing

디지털 영상처리 12장. 영상 패턴 분류 | Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역 디지털 영상처리 | Digital Image Processing - Rafae

inner-game.tistory.com

디지털 영상처리 10장. 영상 분할 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:05:20 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 11장. 특징 추출 | Digital Image Processing

디지털 영상처리 11장. 특징 추출 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 9장. 형태학적 영상 처리 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:05:13 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 10장. 영상 분할 | Digital Image Processing

디지털 영상처리 10장. 영상 분할 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 8장. 영상압축과 워터마킹 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:05:05 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 9장. 형태학적 영상 처리 | Digital Image Processing

디지털 영상처리 9장. 형태학적 영상 처리 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 7장. 웨이블릿과 기타영상변환 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:04:57 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 8장. 영상압축과 워터마킹 | Digital Image Processing

디지털 영상처리 8장. 영상압축과 워터마킹 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 6장. 컬러 영상 처리 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:04:49 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 7장. 웨이블릿과 기타영상변환 | Digital Image Processing

디지털 영상처리 7장. 웨이블릿과 기타영상변환 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 5장. 영상복원과 재구성 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:04:42 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 6장. 컬러 영상 처리 | Digital Image Processing

디지털 영상처리 6장. 컬러 영상 처리 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 4장. 주파수 도메인 필터링 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:04:16 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 5장. 영상복원과 재구성 | Digital Image Processing

디지털 영상처리 5장. 영상복원과 재구성 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 3장. 밝기 변환과 공간 필터링 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:04:07 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 4장. 주파수 도메인 필터링 | Digital Image Processing

디지털 영상처리 4장. 주파수 도메인 필터링 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 2장. 디지털 영상의 기초 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:04:01 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 3장. 밝기 변환과 공간 필터링 | Digital Image Processing

디지털 영상처리 3장. 밝기 변환과 공간 필터링 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 1장. 소개 | Digital Image Processing

InnerGame — Wed, 11 Feb 2026 22:03:56 +0900

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 ,

inner-game.tistory.com

디지털 영상처리 ❘ Digital Image Processing

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 2장. 디지털 영상의 기초 | Digital Image Processing

디지털 영상처리 2장. 디지털 영상의 기초 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리 | Digital Image Processing - Rafael C. Gonzalez , Richard E. Woods 저자(글) · 김성호 , 전광길 , 정진우 번역

InnerGame — Wed, 11 Feb 2026 21:49:44 +0900

이 책은 디지털 영상처리에 대해 다룬 도서입니다. 기초적이고 전반적인 내용을 학습할 수 있습니다.

디지털 영상처리 ❘ Digital Image Processing

1장. 소개

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 1장. 소개 | Digital Image Processing

디지털 영상처리 1장. 소개 | Digital Image Processing

inner-game.tistory.com

디지털 영상처리의 응용 분야(의료, 위성영상, 공장 자동화 등)와 기본 개념, 그리고 책 전체에서 다룰 주요 주제들을 개관하는 장입니다. 영상처리 시스템의 구성요소(센서, 디스플레이, 저장장치 등)를 큰 그림에서 설명하는 역할을 합니다.

2장. 디지털 영상의 기초

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 2장. 디지털 영상의 기초 | Digital Image Processing

디지털 영상처리 2장. 디지털 영상의 기초 | Digital Image Processing

inner-game.tistory.com

영상의 수학적 표현(좌표계, 샘플링과 양자화), 화소와 레벨, 기하학적 관계 등 가장 기초적인 이론을 정리하는 장입니다. 인간 시각 시스템과 밝기·명암 대비의 개념을 통해 왜 특정 처리 결과가 그렇게 보이는지 직관을 제공하는 장입니다.

3장. 밝기 변환과 공간 필터링

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 3장. 밝기 변환과 공간 필터링 | Digital Image Processing

디지털 영상처리 3장. 밝기 변환과 공간 필터링 | Digital Image Processing

inner-game.tistory.com

명암 변환, 히스토그램 처리, 공간(domain)에서의 선형·비선형 필터링(스무딩, 샤프닝 등) 기법을 다루는 장입니다. 마스크(커널)를 이용한 컨볼루션 연산과 에지 강조 같은 기본 알고리즘을 자세히 설명하는 장입니다.

4장. 주파수 도메인 필터링

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 4장. 주파수 도메인 필터링 | Digital Image Processing

디지털 영상처리 4장. 주파수 도메인 필터링 | Digital Image Processing

inner-game.tistory.com

이산 푸리에 변환(DFT)과 주파수 스펙트럼을 이용해 영상을 처리하는 방법을 다루는 장입니다. 저역통과·고역통과·대역통과 필터를 설계하고, 공간 필터와 주파수 필터의 관계를 이해하게 해 주는 장입니다.

5장. 영상복원과 재구성

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 5장. 영상복원과 재구성 | Digital Image Processing

디지털 영상처리 5장. 영상복원과 재구성 | Digital Image Processing

inner-game.tistory.com

카메라 블러, 노이즈 등으로 훼손된 영상을 원래에 가깝게 복원하는 이론을 다루는 장입니다. 역필터링, 위너 필터링 같은 복원 필터와, 특정 영상 획득 시스템에서의 재구성 문제(예: CT 재구성)의 기본 원리를 설명하는 장입니다.

6장. 컬러 영상 처리

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 6장. 컬러 영상 처리 | Digital Image Processing

디지털 영상처리 6장. 컬러 영상 처리 | Digital Image Processing

inner-game.tistory.com

컬러 모델(RGB, HSI, CMY 등)과 색 공간 변환, 컬러 영상의 향상과 필터링을 다루는 장입니다. 인간 색 지각 특성과 컬러 세그멘테이션, 컬러 기반 특징 추출의 기본 개념을 설명하는 장입니다.

7장. 웨이블릿과 기타영상변환

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 7장. 웨이블릿과 기타영상변환 | Digital Image Processing

디지털 영상처리 7장. 웨이블릿과 기타영상변환 | Digital Image Processing

inner-game.tistory.com

웨이블릿 변환을 중심으로, 푸리에 변환 외의 다양한 영상 변환 기법을 소개하는 장입니다. 다중 해상도 표현, 웨이블릿 기반 압축·노이즈 제거 등 고급 응용의 이론적 토대를 제공하는 장입니다.

8장. 영상압축과 워터마킹

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 8장. 영상압축과 워터마킹 | Digital Image Processing

디지털 영상처리 8장. 영상압축과 워터마킹 | Digital Image Processing

inner-game.tistory.com

영상 데이터의 중복을 줄이는 손실·무손실 압축 기법(JPEG 등)과, 디지털 워터마킹 개념을 다루는 장입니다. 엔트로피, 레이트–왜곡 관점에서 압축 시스템을 이해하는 기본 이론을 정리하는 장입니다.

9장. 형태학적 영상 처리

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 9장. 형태학적 영상 처리 | Digital Image Processing

디지털 영상처리 9장. 형태학적 영상 처리 | Digital Image Processing

inner-game.tistory.com

이진 영상과 그레이스케일 영상에서의 수학적 형태학(침식, 팽창, 열기, 닫기 등) 연산을 다루는 장입니다. 구조 요소를 이용하여 객체의 윤곽, 꼬리 제거, 구멍 메우기 같은 작업을 수행하는 방법을 설명하는 장입니다.

10장. 영상 분할

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 10장. 영상 분할 | Digital Image Processing

디지털 영상처리 10장. 영상 분할 | Digital Image Processing

inner-game.tistory.com

영상을 의미 있는 영역으로 나누는 분할 기법들을 정리한 장입니다. 임계값 구하기, 영역 성장/분할, 에지 기반 분할 등 고전적 방법과, 이들 알고리즘의 장단점을 설명하는 장입니다.

11장. 특징 추출

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 11장. 특징 추출 | Digital Image Processing

디지털 영상처리 11장. 특징 추출 | Digital Image Processing

inner-game.tistory.com

분류나 인식을 위해 필요한 특징들을 정의하고 계산하는 방법을 다루는 장입니다. 모양, 텍스처, 경계 기반 특징 등 다양한 표현과, 특징 공간에서의 거리·유사도 개념을 설명하는 장입니다.

12장. 영상 패턴 분류

[디지털영상처리 | Digital Image Processing] - 디지털 영상처리 12장. 영상 패턴 분류 | Digital Image Processing

디지털 영상처리 12장. 영상 패턴 분류 | Digital Image Processing

inner-game.tistory.com

추출된 특징을 사용해 영상을 자동으로 분류·인식하는 패턴 인식 기법을 다루는 장입니다. 최소 거리 분류기, 베이즈 분류기, 지도·비지도 학습의 기본 아이디어를 영상에 적용하는 방법을 설명하는 장입니다.

LLM 기법: 파인튜닝(Fine-Tuning) 이란? (Fine-tuning vs RAG)

InnerGame — Wed, 11 Feb 2026 20:59:48 +0900

파인튜닝은 이미 훈련된 AI 모델을 특정 작업에 맞게 최적화하는 핵심 기법입니다. 머신러닝 연구자나 개발자에게 필수적인 이 방법에 대해 간단히 알아보겠습니다.

파인튜닝이란?

파인튜닝(Fine-Tuning)은 대규모 데이터로 사전 학습된(pre-trained) 모델을 새로운 도메인이나 작업에 적합하게 미세 조정하는 과정입니다. 전체 모델을 처음부터 다시 훈련하는 대신 기존 지식을 활용해 효율적으로 성능을 끌어올립니다.

대표적으로 이미지 분류나 자연어 처리에서 ImageNet이나 BERT 같은 베이스 모델을 사용합니다.

왜 파인튜닝을 사용할까?

- 데이터 부족 문제 해결: 소량의 레이블링 데이터로도 높은 성능 달성.
- 계산 자원 절약: 전체 학습 대비 시간과 비용이 10~100배 적음.
- 도메인 적응: 의료 영상, 법률 문서 등 전문 분야에 특화.

학습 4단계 상세 과정

파인튜닝은 체계적인 4단계로 진행되며, Julia나 PyTorch에서 쉽게 구현할 수 있습니다.

1. 베이스 모델 선택

작업 유사성 높은 사전 학습 모델 선택 (예: ResNet for CV, Llama for NLP).

2. 전략 및 하이퍼파라미터 설정

전체 fine-tuning vs. LoRA/PEFT 같은 부분 조정 결정.
학습률 1e-5~1e-4, 레이어 동결 여부 고려.

3. 데이터 준비와 훈련

도메인 데이터셋 전처리 후 추가 학습.

4. 평가와 반복 최적화

검증셋으로 accuracy/F1-score 측정 후 과적합 방지하며 조정.

단계 | 주요 작업 | 도구 예시

1 | 모델 선택 | Flux.jl, HuggingFace

2 | 전략 정의 | LoRA config

3 | 데이터 훈련 | DataLoader

4 | 평가 | ROC-AUC

특정 영역의 데이터에 대해 이미 훈련된 인공지능 모델의 성능을 최적화하기 위해 어떤 기법을 써야 하는지, 기법의 명칭을 쓰고, 그 정의와 학습의 4단계를 서술하시오.

파인튜닝(Fine-Tuning)은 특정 영역의 데이터에 대해 이미 훈련된 AI 모델의 성능을 최적화하는 대표적인 기법입니다. 이 방법은 사전 훈련된 모델을 새로운 작업이나 도메인에 맞게 추가 학습시켜 적합성을 높입니다.

기법 정의

파인튜닝은 사전 학습된(pre-trained) 모델의 가중치를 기반으로 특정 작업 데이터셋을 사용해 모델 파라미터를 미세 조정하는 과정입니다. 이를 통해 일반 지식을 유지하면서 도메인 특화 성능을 향상시킬 수 있습니다.

학습의 4단계

일반적인 파인튜닝 과정은 다음과 같은 4단계로 진행됩니다.

1. 사전 학습 모델 선택: 대상 작업과 데이터 특성에 맞는 베이스 모델 선택.

2. 파인튜닝 전략 정의: 전체/부분 조정 여부와 범위 결정.

3. 데이터셋 준비 및 학습: 특정 영역 데이터 수집, 전처리 후 모델 훈련.

4. 평가 및 조정: 검증 데이터로 성능 측정 후 하이퍼파라미터 튜닝.

파인튜닝과 RAG 비교

RAG와 파인튜닝은 같은 말이 아닙니다.
두 기법은 LLM(대규모 언어 모델)의 성능을 향상시키는 서로 다른 접근 방식입니다.

주요 차이점

RAG(Retrieval-Augmented Generation)는 외부 데이터베이스에서 관련 정보를 실시간 검색해 모델의 생성에 반영하는 시스템입니다. 반면 파인튜닝은 사전 학습된 모델의 가중치를 특정 데이터로 추가 학습해 내부 지식을 업데이트합니다.

구분	RAG (검색 증강 생성)	파인튜닝 (Fine-Tuning)
방식	외부 문서 검색 → 프롬프트에 추가	모델 파라미터 직접 학습/조정
목적	최신성, 환각 방지, 지식 업데이트	도메인 특화, 스타일/로직 내재화
비용	낮음 (검색 인프라 중심)	높음 (GPU 훈련 필요)
업데이트	실시간 가능	재학습 필요

언제 무엇을 선택할까?

- RAG 적합: 법률/의료처럼 최신 정보가 중요한 경우, 또는 지식 기반이 자주 변함.
- 파인튜닝 적합: 특정 톤(예: 회사 문체)이나 복잡한 추론이 필요한 작업.
- 하이브리드 추천: 파인튜닝으로 기본 능력 강화 후 RAG로 최신 데이터 보완.

디지털영상처리 | Digital Image Processing (디지털 이미지 프로세싱)

InnerGame — Wed, 11 Feb 2026 20:36:02 +0900

디지털 이미지 프로세싱은 컴퓨터를 이용해 디지털 이미지를 향상, 복원, 분석하는 기술로, 머신러닝과 컴퓨터 그래픽스 분야에서 필수적입니다.

디지털 이미지 프로세싱(DIP)은 AI(특히 딥러닝)로 완전히 대체되지 않습니다. 오히려 DL이 DIP의 전처리·후처리 기반으로 작동하며, 2026년에도 엣지 디바이스나 해석 가능성 필요한 분야에서 필수적입니다. 딥러닝이나 인공지능은 대량 데이터 학습에 강하지만, 히스토그램 평활화 / Sobel 에지 검출 같은 DIP 기법은 저자원 환경(임베디드, 실시간)이나 데이터 부족 시 우수합니다. 딥러닝의 입력 전처리로 사용되어 정확도 향상에 기여합니다.

미래 트렌드: 2026 AI 이미지 도구(Flypix 등)도 전통 DIP와 융합 – 엣지 컴퓨팅, 규제 준수(이미지 진위 판별)에 기반.

디지털영상처리 ❘ Digital Image Processing (디지털 이미지 프로세싱)

학습 방법

온라인 강의 활용

-- Coursera 'Introduction to Image Processing' (Physical Science and Engineering > Electrical Engineering 분야)

-- 영상신호처리: 경북대학교 최두현 (http://www.kocw.net/home/cview.do?lid=d281803c06a384a3)

-- 디지털영상처리: 고려대학교 오창현 (http://kocw.net/home/cview.do?mty=p&kemId=1094777&ar=relateCourse)

-- 디지털영상처리: 중앙대학교 박수현 (http://www.kocw.net/home/search/kemView.do?kemId=1343288)

-- 디지털영상처리: 건국대학교 임창훈 - 교재가 제공되지 않음 (http://www.kocw.net/home/cview.do?cid=9946e082d9dca801)

-- 영상처리: 선문대학교 유튜브 (https://youtu.be/rcgyTNfUFVg?si=wWuK-0vPPs3BUTSg)

교재 추천

'Digital Image Processing' (Gonzalez) 책으로 기본 이론 학습, '영상처리 및 패턴인식 배움터'로 한국어 보완.

-- 디지털 영상처리 입문 요약: 동서대 http://kowon.dongseo.ac.kr/~dkkang/ImageProcessing2011Spring/

실습 도구

Python OpenCV나 Julia Images.jl 패키지로 에지 검출, 세그멘테이션 구현으로 입문.

유용성

디지털 이미지 프로세싱은 의료 영상(CT/X선), 자율주행, 제조 자동화, 얼굴 인식 등에 적용되어 노이즈 제거와 객체 검출을 가능하게 합니다. 머신러닝 연구에서 이미지 전처리에 핵심적입니다.

한국에서는 "디지털 이미지 프로세싱"보다 "디지털 영상 처리"가 훨씬 더 일반적이고 널리 사용되는 키워드입니다. 이 용어로 네이버나 구글 검색 시 KOCW 강의, 블로그 튜토리얼, 교재 자료가 풍부하게 나옵니다.

Digital Image Processing의 주요 키워드 변형

- 디지털 영상처리: 가장 표준적이며, 학술·강의 자료에서 자주 등장 (예: Gonzalez 교재 한국어 번역).
- 디지털영상 처리: 띄어쓰기 없이 붙여쓰는 변형, 블로그·티스토리에서 흔함.
- 영상 처리: 더 광의적 용어로, 컴퓨터 비전과 중복되지만 기본 검색에 유용.

팁

네이버에서 "디지털 영상 처리 OpenCV"나 "디지털 영상처리 기초"로 검색하면 실습 자료가 많아집니다. "이미지 프로세싱"은 덜 나오니 "영상 처리"로 전환하세요.

"디지털 영상 처리"는 주로 정지 이미지(2D 픽셀 배열)를 처리하는 기술을 가리키며, 비디오(연속 프레임)는 별도의 "디지털 비디오 처리"나 "비디오 처리" 분야입니다. 한국어 자료에서 "영상"은 이미지(사진)를 뜻하는 경우가 대부분으로, 위키백과나 학술 정의처럼 컴퓨터 알고리즘으로 이미지 개선·분석을 중점합니다.

핵심 차이

- 이미지(영상) 처리: 단일 프레임(정지영상) 중심 – 노이즈 제거, 에지 검출, 히스토그램 평활화 등. OpenCV 기본 튜토리얼이 여기에 해당.
- 비디오 처리: 시간 축 추가(3D: x,y,t) – 모션 추적, 프레임 간 보간. 이미지 처리 기법을 프레임별 적용하지만 별도 확장.

Julia 프로그래밍 2강 - 배열 및 선형 대수 | 줄리아 강의

InnerGame — Mon, 9 Feb 2026 22:53:15 +0900

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 언어 및 강의 소개

Julia 프로그래밍 - 언어 및 강의 소개

Julia 프로그래밍 언어줄리아(Julia)는 고성능의 수치 해석 및 계산과학의 필요 사항을 만족시키면서 일반 목적 프로그래밍에도 효과적으로 사용될 수 있도록 설계된 고급 동적 프로그래밍 언어이

inner-game.tistory.com

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - Julia 설치

Julia 프로그래밍 - Julia 설치

이전 글[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 언어 및 강의 소개 Julia 프로그래밍 - 언어 및 강의 소개Julia 프로그래밍 언어줄리아(Julia)는 고성능의 수치 해석 및 계산과학의 필

inner-game.tistory.com

Julia 프로그래밍 - 배열 및 선형 대수

벡터

범위

이전 강의에서 벡터에 대해 이미 소개했지만, 자세한 설명은 하지 않았습니다. 벡터는 대괄호 안에 쉼표로 구분된 값으로 정의된다는 점을 기억하세요.

v1 = [1, 2, 3, 4, 5]

Julia에서 벡터는 단지 1차원 배열일 뿐입니다.

Vector{Int64} (alias for Array{Int64, 1})

typeof(v1)

요소 유형
벡터는 모든 요소 유형에 대해 생성될 수 있습니다. 이 유형은 다음 메서드를 사용하여 확인할 수 있습니다 eltype.

Int64

eltype(v1)

v2 = ['a', 'b', 'c']

Vector{Char} (alias for Array{Char, 1})

typeof(v2)

Char

eltype(v2)

벡터를 생성할 때 벡터의 유형을 지정할 수도 있습니다. 이는 일반적으로 특정 유형의 빈 벡터를 생성하는 데 사용됩니다.

v3 = Float16[1, 2, 3]

v4 = Char[]

Vector{Float16} (alias for Array{Float16, 1})

typeof(v3)

Vector{Char} (alias for Array{Char, 1})

typeof(v4)

기본 기능

다음을 사용하여 배열의 차원 수를 확인할 수 있습니다 ndims.

1

ndims(v1) # a vector as a 1-dimensional array.

length벡터의 다음을 검사할 수 있습니다 .

5

length(v1)

배열 의 는 size차원의 튜플입니다. 벡터의 경우, 다음 길이를 포함하는 싱글톤 튜플을 반환합니다.

size(v1)

또한 메모리 크기를 바이트 단위로 확인할 수 있습니다.

40

sizeof(v1) # 5 Int64s => 5 * 64 bit = 5 * 8 bytes = 40 bytes

범위

지난주에 이미 범위를 소개했습니다. 범위를 수집하면 다음과 같은 벡터가 생성됩니다.

v5 = collect(1:5)

Vector{Int64} (alias for Array{Int64, 1})

typeof(v5)

이해력

벡터를 정의하는 방법으로 이해력도 도입했습니다.

v6 = [sqrt(x) for x in 1:10]

v7 = [sqrt(x) for x in 1:10 if x % 2 == 0]

인덱싱

대괄호 표기법을 사용하여 벡터를 색인할 수 있습니다.
이 목적을 위해 1~10까지의 값을 갖는 작은 테스트 벡터를 만들어 보겠습니다.

one_to_ten = collect(1:10)

경고:
줄리아의 지수는 수학적 표기법에 맞게 1부터 시작한다는 점을 명심하세요!

one_to_ten[2] # second entry

one_to_ten[4] # fourth entry

one_to_ten[2:4] # second until fourth entries

3
4

one_to_ten[begin+2:end-6] # relative indexing

// 1+2부터 10-6까지 한것, 즉 3:4

one_to_ten[4:-1:2] # iterate in reverse

// 4 to 2 and reverse(-1)라는 뜻

1
3
5

one_to_ten[[1, 3, 5]] # index values at specific positions 1, 3, 5

인덱싱은 원본과 독립적인 새로운 벡터를 메모리에 할당합니다(복사본을 만듭다).

begin
    x1 = collect(1:10)
    y1 = x1[2:4] # copy part of x1 into new vector y1

    @info y1
    @info x1

    y1[1] = 42   # modify first entry in y1 to be 42
    @info y1  # y1 has changed     
    @info x1  # x1 hasn't changed  
end

// 즉, x1은 바뀌지 않았고, y1 에 인덱싱해서 새로 생긴 메모리만 바뀌었다.

메모리가 새로 생기는 것을 원치 않으면 아래의 Views를 이용하면 된다.

조회수

배열의 복사본을 만드는 것은 모든 항목을 메모리에 기록해야 하므로 속도가 느립니다. 대신 뷰를 사용하여 메모리에 있는 관련 데이터에 대한 "창"을 제공할 수 있습니다.

view(one_to_ten, 2:4)

매크로를 사용하면 @view이전에 도입된 인덱스 표기법을 사용할 수 있습니다.

@쓰는게 매크로인듯?

줄리아에서 매크로는 코드 조각을 입력받아 새로운 코드를 생성하는 메타프로그래밍 도구입니다.

정의
매크로는 @ 기호로 시작하며, 파싱 시점에 실행되어 표현식(Expr)을 변환합니다. 함수와 달리 런타임 값이 아닌 AST(Abstract Syntax Tree)를 직접 조작합니다.

주요 특징
- 코드 생성: 입력 코드를 받아 다른 코드를 출력 (예: @printf는 형식 지정 코드를 생성).
- 파싱 타임 실행: 컴파일 전에 확장되므로 변수 스코프나 타입을 미리 알 수 있음.
- hygiene: 변수 캡처 문제를 esc()로 해결하여 안전함.

간단한 예시
julia macro sayhello(name)
return :(println("Hello, ", $name))
end

@sayhello("학생") # Hello, 학생 (확장 후 println 호출)

사용 사례
- 도메인 특화 언어(DSL) 생성: @time, @assert, @testset.
- 보일러플레이트 코드 제거: 반복 패턴 자동화 (연구 패키지 개발에 유용).

@view one_to_ten[2:4]

@view one_to_ten[begin+1:end-6]

뷰는 다음 유형입니다 SubArray.

SubArray{Int64, 1, Vector{Int64}, Tuple{UnitRange{Int64}}, true}

typeof(@view one_to_ten[2:4])

뷰를 수정하면 원래 배열도 수정됩니다.

begin
    x2 = collect(1:10)
    y2 = @view x2[2:4] # create view onto x2

    @info y2
    @info x2

    y2[1] = 42   # modify first entry in y2 to be 42
    @info y2  # y2 has changed    
    @info x2  # x2 ALSO changed!  
end

팁
메서드에 많은 호출이 필요한 경우 함수, 루프 또는 블록에서 매크로(추가로 ) @view 를 사용하여 해당 메서드 내부의 모든 인덱싱 작업을 뷰로 전환할 수도 있습니다!

@views
begin
...
end

예: 이전 코드 블록은 다음과 같이 작성될 수 있습니다.

@views begin # every indexing operation in this code block will create a view
	x2 = collect(1:10)
	y2 = x2[2:4] # creates view onto x2 due to @views
	y2[1] = 42
end

유형 프로모션 ⁽⁺⁾

"대괄호 구문"을 사용하여 배열을 직접 생성할 때, 대괄호 안의 인수는 유형이 승격됩니다. 이는 구현 세부 사항으로 볼 수 있지만, 이 동작을 알아두는 것이 좋습니다.
모든 입력에 공통된 프로모션 유형이 있는 경우 해당 유형은 배열입니다 eltype. 그렇지 않은 경우 는 다음과 eltype같습니다 Any.

v8 = [1.0, 2.3, 0.8]

v8 = [1, 2.3, 4//5]

Vector{Float64} (alias for Array{Float64, 1})

typeof(v8)

일부 유형 조합에는 공통된 프로모션 유형이 없습니다. 이로 인해 다음과 같은 결과가 발생합니다 Vector{Any}.

does_not_promote = ["String", 1.4]

does_not_promote = ["String", 1.4]

Vector{Any} (alias for Array{Any, 1})

typeof(does_not_promote)

--유형 프로모션 피하기

유형 프로모션이 필요하지 않은 경우 명시적으로 생성하십시오.Vector{Any}

v9 = [1, 2.3, 4//51]

v9 = Any[1, 2.3, 4//5]

Any

eltype(v9)

[Int64, Float64, Rational{Int64}]

typeof.(v9)

// typeof.(v9)는 broadcast(typeof, v9)의 축약형이며, 즉 v9의 각 원소마다 typeof 함수를 적용한다는 뜻입니다.

// 만약 점(.)을 빼고 typeof(v9)라고 하면, 전체 배열 v9의 타입인 Vector{Any} 하나만 반환합니다.

또는 튜플을 사용하세요:

t1 = [1, 2.3, 4//5]

t1 = (1, 2.3, 4//5)

Tuple{Int64, Float64, Rational{Int64}}

typeof(t1)

팁
성능상의 이유로 다음과 같은 유형의 벡터는 피하는 것이 가장 좋습니다 Vector{Any}.
Julia 컴파일러는 요소 유형을 추론할 수 없으므로 코드를 특수화할 수 없어 성능이 저하됩니다.
변환 및 프로모션에 대한 Julia 문서 에서 유형 프로모션에 대한 자세한 내용을 확인할 수 있습니다 .

// 줄리아는 처음에 컴파일할때 런된다. 그래서 타입을 미리 알면 코드를 최적화 시켜 둔다.

// 그런데 애니를 하면 이때 결정을 못하고 나중에 런할때 하나씩 다 살펴보고 결정하기 때문에 느리다.

// 이 최적화는 타입프로모션의 이유 이기도 하다.

배열

행렬

우리는 방금 벡터가 1차원 배열이라는 것을 배웠습니다 .
2차원 배열 을 행렬이라고 합니다 . 행렬은 대괄호와 원하는 연결 유형을 나타내는 추가 기호를 사용하여 정의됩니다.

• 수평 연결( 열 방향 ): 공백, 탭 및 이중 세미콜론;;
• 수직 연결( 행 방향 ): 줄 바꿈 및 세미콜론;

이러한 조합을 통해 행렬과 블록 행렬을 정의하는 방법은 여러 가지가 있습니다. 다음은 두 가지 일반적인 예입니다.

M1 = 2×2 Matrix{Int64}:
1 2
3 4

M1 = [1 2; 3 4] # spaces between entries in row, semicolon between rows

M2 = 2×2 Matrix{Int64}:
1 2
3 4

M2 = [
    1 2 # spaces between entries in row
    3 4 # newline between rows
]

N차원 배열

차원이 3 이상인 배열을 텐서라고 합니다.

--수동 정의 ⁽⁺⁾

큰 텐서를 직접 작성해야 하는 경우는 거의 없지만 Julia는 이에 대한 구문을 제공 합니다 .;1차원과 2차원에서 concatenate 와 마찬가지로 ;;, 세미콜론을 더 많이 사용하면 동일한 일반적인 체계가 확장됩니다. 구분 기호의 세미콜론 개수는 특정 차원을 지정하므로, ;;;3차원 ;;;;, 4차원 등에서 concatenates를 사용합니다.

// don't do this, below

A1 = 2×2×1×2 Array{Int64, 4}:
[:, :, 1, 1] =
1  2
3  4

[:, :, 1, 2] =
5  6
7  8

A1 = [[1 2; 3 4];;;; [5 6; 7 8]] # concatenate two 2x2 matrices in the fourth dimension

--연결 및 재구성

훨씬 더 쉬운 방법은 배열을 catcon cat enate 하는 것입니다.

A2 = 2×2×2 Array{Int64, 3}:
[:, :, 1] =
1  2
3  4

[:, :, 2] =
1  2
3  4

A2 = cat(M1, M2; dims=3) # concatenate two 2x2 matrices in the third dimension

또는 배열과 범위를 재구성하려면:

2×3×3 reshape(::UnitRange{Int64}, 2, 3, 3) with eltype Int64:
[:, :, 1] =
1  3  5
2  4  6

[:, :, 2] =
7   9  11
8  10  12

[:, :, 3] =
13  15  17
14  16  181

reshape(1:18, 2, 3, 3)

// ( input, 2 x 3 x 3 ) 라는 뜻

이 reshape함수는 재구성하려는 차원만큼 많은 매개변수를 사용합니다.
예를 들어, 배열을 재구성하려면모양을 만들다 A를 p x q x r x s, 부르다 reshape(A, p, q, r, s).

기본 작업

이전에 살펴본 연산 eltype, length, 는 모든 유형의 배열에 대해 정의되어 있습니다.sizeA

2×3 Matrix{Int64}:
1 2 3
4 5 6

A = [1 2 3; 4 5 6]

Int64

eltype(A)

(2, 3)

size(A)

size(A, 2) # size along second dimension

length(A) # number of elements in matrix

ndims(A) # number of dimensions

3×2 Matrix{Int64}:
1  5
4  3
2  6

reshape(A, 3, 2)

이해력

이해는 벡터뿐만 아니라 모든 차원의 배열을 정의하는 데 사용할 수 있습니다.

5×5 Matrix{Complex{Int64}}:
1+6im  1+7im  1+8im  1+9im  1+10im
2+6im  2+7im  2+8im  2+9im  2+10im
3+6im  3+7im  3+8im  3+9im  3+10im
4+6im  4+7im  4+8im  4+9im  4+10im
5+6im  5+7im  5+8im  5+9im  5+10im

[complex(r, i) for r in 1:5, i in 6:10]

3×10×2 Array{Int64, 3}:
[:, :, 1] =
0  1  2  3  4  5  6  7   8   9
1  2  3  4  5  6  7  8   9  10
2  3  4  5  6  7  8  9  10  11

[:, :, 2] =
1  2  3  4  5  6  7   8   9  10
2  3  4  5  6  7  8   9  10  11
3  4  5  6  7  8  9  10  11  12

[x + y + z for x in 0:2, y in 0:9, z in 0:1]

// 앞에 보이는 [:, :, 1] 부분이 z = 0 z=0인 경우의 2차원 배열 뒤에 보이는 [:, :, 2] 부분이 z = 1 z=1인 경우의 2차원 배열입니다. 각 원소는 x + y + z x+y+z로 계산된 값이 맞습니다.

이해는 Number 유형에만 사용할 수 있는 것은 아닙다.

greetings = ["Hello", "Hallo", "Bonjour"];

names = ["Adrian Hill", "Klaus-Robert Müller"];

3×2 Matrix{String}:
"Hello Adrian Hill"    "Hello Klaus-Robert Müller"
"Hallo Adrian Hill"    "Hallo Klaus-Robert Müller"
"Bonjour Adrian Hill"  "Bonjour Klaus-Robert Müller"

["$g $n" for g in greetings, n in names]

인덱싱 및 뷰

인덱싱과 뷰는 벡터와 동일하게 작동합니다. 수학 표기법과 마찬가지로 첫 번째 인덱스는 행을, 두 번째 인덱스는 열을 참조합니다.

A3 = 4×5 reshape(::UnitRange{Int64}, 4, 5) with eltype Int64:
1  5   9  13  17
2  6  10  14  18
3  7  11  15  19
4  8  12  16  20

A3 = reshape(1:20, 4, 5)

A3[3, 2]

열부터 읽어야한다. 메모리 생각한다면, 행부터 읽으면 매우 느리다.

3×3 Matrix{Int64}:
5   9  13
6  10  14
7  11  15

A3[begin:3, 2:end-1] # begin and end also work

3×3 view(reshape(::UnitRange{Int64}, 4, 5), 1:3, 2:4) with eltype Int64:
5   9  13
6  10  14
7  11  15

@view A3[begin:3, 2:end-1]

열 :기호는 다음을 위한 약어로 사용될 수 있습니다.begin:end

[2,6,10,14,18]

A3[2, :] # second row, all columns

행렬은 스칼라 값으로도 인덱싱할 수 있습니다. 이렇게 하면 배열의 열부터 시작하여 반복됩니다.

6

A3[6] # since we reshaped a range, A3[i] == i

특수 배열 생성자

숫자 알고리즘에서 꽤 자주 사용되는 배열을 초기화하는 특수한 방법도 있습니다.
이는 종종 구문을 따르며 function_name(Type, dims...), 여기서 Type및 는 dims둘 다 선택 사항입니다.

--0과 1

0으로 채워진 행렬을 얻으려면 다음을 사용합니다 zeros.

[0.0, 0.0, 0.0, 0.0, 0.0]

zeros(5) # vector

3×3 Matrix{Float64}:
0.0  0.0  0.0
0.0  0.0  0.0
0.0  0.0  0.0

zeros(3, 3) # matrix

3×5×2 Array{Int64, 3}:
[:, :, 1] =
0  0  0  0  0
0  0  0  0  0
0  0  0  0  0

[:, :, 2] =
0  0  0  0  0
0  0  0  0  0
0  0  0  0  0

zeros(Int, 3, 5, 2) # 3-dim array of type Int

이 함수는 ones와 정확히 같은 방식으로 작동 zeros하지만 1의 행렬을 생성합니다.

3×3 Matrix{Float32}:
1.0  1.0  1.0
1.0  1.0  1.0
1.0  1.0  1.0

ones(Float32, 3, 3) # matrix of type Float32

팁
LinearAlgebra.jl 섹션에서 단위 행렬에 대해 알아보겠습니다!

--사전 할당 행렬 ⁽⁺⁾

0과 1을 쓰는 데 시간이 걸릴 수 있습니다. 때로는 결과를 쓸 메모리 공간을 확보해야 할 때가 있습니다. 이를 사전 할당 이라고 합니다 .
처음부터 행렬을 생성하려면 다음을 사용하여 배열 생성자를 호출합니다 undef.out1

3×3 Matrix{Float32}:
-2.26882f-17   4.5872f-41   -2.26887f-17
  4.5872f-41   -2.26885f-17   4.5872f-41
-2.26883f-17   4.5872f-41   -1.23491f-24

out1 = Array{Float32}(undef, 3, 3)

같은 모양의 행렬을 다른 행렬로 할당하고 싶다면 다음과 같이 하면 similar매우 편리합니다.out2

3×3 Matrix{Float32}:
  7.17f-43      4.5872f-41   -2.79709f-24
  0.0          -4.80552f-22   4.5872f-41
-4.80539f-22   4.5872f-41   -2.68841f-17

out2 = similar(out1) # similar type and shapeout3

3×3 Matrix{Int64}:
140598489012192  140598489012336  140598489012528
140598489012240  140598489012384  140598489012576
140598489012288  140598489012480  140598372818608

out3 = similar(out1, Int) # similar shape, but different typeout4

4×5 Matrix{Float32}:
-8.17644f-19  -8.17673f-19  -8.17574f-19    4.4302f-41  1.0f-45
  4.5872f-41    4.5872f-41    4.5872f-41     0.0         0.0
-1.79363f-17  -6.53017f-18  -1.94289f-16  NaN           9.1834f-41
  4.5872f-41    4.5872f-41    4.5872f-41   NaN           0.0

out4 = similar(out1, 4, 5) # similar type, but different shape

기타 배열 유형 ⁽⁺⁾

표준 Array유형만 사용할 수 있는 것은 아닙니다. Julia 표준 라이브러리는 희소 배열도 제공하며, 여러 패키지에서 자체 배열 유형을 구현합니다.

--SparseArrays.jl

희소 배열은 대부분 0으로 구성된 배열로, 특수한 데이터 구조와 매칭 알고리즘을 도입하는 것이 더 빠르고 메모리 효율적입니다.

using SparseArraysSA

3×8 SparseMatrixCSC{Int64, Int64} with 4 stored entries:
⋅  2  ⋅  ⋅  ⋅  ⋅  ⋅  ⋅
⋅  ⋅  ⋅  4  ⋅  5  ⋅  ⋅
⋅  ⋅  ⋅  ⋅  ⋅  ⋅  ⋅  3

SA = sparse([1, 3, 2, 2], [2, 8, 4, 6], [2, 3, 4, 5]) # rows, columns, values

입력을 표로 생각하면 도움이 될 수 있습니다.

// sparse로 컨버팅

sparse로 컨버팅

--오프셋어레이.jl

Julia를 정말 좋아하시는데, 0부터 시작하는 인덱싱을 원하시나요? OffsetArrays.jl을 사용해 보세요 !
이 패키지를 사용하면 배열의 각 축에 임의의 시작 인덱스(양수, 0 또는 음수)를 정의할 수 있습니다. 0부터 시작하는 행렬을 정의해 보겠습니다.

using OffsetArrays

2×3 Matrix{Int64}:
1 2 3
4 5 6

OA = 2×3 OffsetArray(::Matrix{Int64}, 0:1, 0:2) with eltype Int64 with indices 0:1×0:2:
1 2 3
4 5 6

OA = OffsetArray(A, 0:1, 0:2) # row indices from 0 to 1, columns from 0 to 2

OA[0, 0]

우리는 0부터 시작하는 인덱싱을 고수할 필요는 없습니다. 원하는 인덱스를 사용할 수 있습니다.

OA2 = 2×3 OffsetArray(::Matrix{Int64}, -10:-9, 5:7) with eltype Int64 with indices -10:-9×5:7:
1 2 3
4 5 6

OA2 = OffsetArray(A, -10:-9, 5:7) # row indices from -10 to -9, columns from 5 to 7

OA2[-9, 6]

인덱싱과 뷰에 대해 배운 모든 내용은 OffsetArrays에도 적용됩니다.

view(OffsetArray(::Matrix{Int64}, 0:1, 0:2), 1, 1:2):

[5, 6]

@view OA[1, 1:end]

--StaticArrays.jl

때로는 정적 크기의 배열을 사용하여 작업할 수 있습니다. 예를 들어 회전 행렬을 설명하는 경우가 있습니다.
StaticArrays.jl 의 배열은 3x3 행렬의 역수를 계산하는 경우에서 볼 수 있듯이 엄청난 성능상의 이점을 제공할 수 있습니다.

using StaticArrays

M = 3×3 Matrix{Int64}:
1  2  3
4  6  5
7  8  9

M = [1 2 3; 4 6 5; 7 8 9] # regular matrix

정적 배열은 해당 유형에서 크기에 대한 추가 정보를 사용합니다.

SM = 3×3 SMatrix{3, 3, Int64, 9} with indices SOneTo(3)×SOneTo(3):
1  2  3
4  6  5
7  8  9

SM = SMatrix{3,3}(M) # matrix type from StaticArrays.jl

BenchmarkTools.jl@benchmark 의 매크로를 사용하여 함수를 벤치마킹할 수 있습니다 . 이 매크로는 각 함수를 여러 번 실행하여 통계와 실행 시간 히스토그램을 보여줍니다.

using BenchmarkTools

BenchmarkTools.Trial: 10000 samples with 193 evaluations per sample.
Range (min … max):  514.694 ns …  11.548 μs  ┊ GC (min … max): 0.00% … 89.07%
Time  (median):     524.767 ns               ┊ GC (median):    0.00%
Time  (mean ± σ):   553.249 ns ± 198.611 ns  ┊ GC (mean ± σ):  2.05% ±  5.98%

  █▄ ▁▄▂   ▁                                                    ▁
  ███████▆▇██▅▅▄▄▄▁▁▁▁▁▃▃▁▄▁▁▁▁▁▃▁▁▁▁▁▁▃▄▃▄▁▁▁▁▁▁▁▃▁▁▁▁▁▁▄▆▇▆▄▅ █
  515 ns        Histogram: log(frequency) by time       1.39 μs <

Memory estimate: 1.86 KiB, allocs estimate: 4.

@benchmark inv(M)

BenchmarkTools.Trial: 10000 samples with 994 evaluations per sample.
Range (min … max):  30.833 ns …  1.669 μs  ┊ GC (min … max): 0.00% … 95.92%
Time  (median):     31.850 ns              ┊ GC (median):    0.00%
Time  (mean ± σ):   35.708 ns ± 57.375 ns  ┊ GC (mean ± σ):  6.50% ±  3.97%

  ▅█▆▂            ▁▁                                          ▁
  ████████▇█▇█▇▆▇▇████▇▆▇▇▇▆▆▅▄▆▅▅▅▅▄▃▄▄▃▅▄▅▅▁▃▃▄▃▁▁▆▇▆▆▇▆█▇▇ █
  30.8 ns      Histogram: log(frequency) by time      66.9 ns <

Memory estimate: 80 bytes, allocs estimate: 1.

@benchmark inv(SM)

배열 반복

각 행을 출력하는 함수의 잘못된 구현을 먼저 보여줌으로써 배열 반복에 대한 동기를 부여해 보겠습니다.

나쁜 예: 이런건 하지말아야한다. 로우가 꼭 존재하는것은 아님, 예를들면, 오프셋어레이
iterate_over_rows_bad (generic function with 1 method)

function iterate_over_rows_bad(A::AbstractMatrix)
    n_rows = size(A, 1)
    for i in 1:n_rows
        @info A[i, :]
    end
end

2×3 Matrix{Int64}:
1 2 3
4 5 6

iterate_over_rows_bad(A) # works!

우리 함수는 행렬에서 작동합니다 . 하지만 함수의 A인수 유형 선언 에서는 모든 행렬 유형에서 작동한다고 명시되어 있습니다!::AbstractMatrix
이전에 정의한 OffsetArray를 전달하면 어떤 일이 일어나는지 살펴보겠습니다.

2×3 OffsetArray(::Matrix{Int64}, 0:1, 0:2) with eltype Int64 with indices 0:1×0:2:
1 2 3
4 5 6

OA

Error messageBoundsError: 인덱스 0:1×0:2, eltype Int64를 사용하여 2×3 OffsetArray(::Matrix{Int64}, 0:1, 0:2)에 액세스하려고 시도했습니다. 인덱스는 [2, OffsetArrays.IdOffsetRange(values=0:2, indices=0:2)]입니다.Stack trace
Here is what happened, the most recent locations are first:
1. throw_boundserror(A::OffsetArrays.OffsetMatrix{…}, I::Tuple{…}) ...show types...from julia → abstractarray.jl:737
2. checkboundsfrom abstractarray.jl:702
3. _getindexfrom multidimensional.jl:888
4. getindexfrom abstractarray.jl:1290
5. macro expansionfrom logging.jl:374
6. iterate_over_rows_bad(A::OffsetArrays.OffsetMatrix{…}) ...show types...from Other cell: line 4

n_rows = size(A, 1) for i in 1:n_rows @info A[i, :] endend
7. Show more...1iterate_over_rows_bad(OA)OffsetArray(::Vector{Int64}, 0:2):

4

5

6
범위를 벗어난 오류가 발생합니다!
nrows여전히 2이므로 for-loop의 print 문은 .을 인쇄하려고 시도합니다 OA[2, :].

더욱 강력한 구현에서는 반복자를 사용합니다 eachrow.

iterate_over_rows_good (generic function with 1 method)

function iterate_over_rows_good(A::AbstractMatrix)
    for row in eachrow(A)
        @info row
    end
end

iterate_over_rows_good(A) # works and automatically uses views!

iterate_over_rows_good(OA) # also works and uses views!

팁
배열을 반복할 때는 가능한 한 다음 반복자를 사용하는 것이 좋습니다.
• eachrow- 행을 반복합니다
• eachcol- 열 반복
• eachslice- nd-array의 모든 슬라이스에 대한 반복자
• eachindex- 배열의 모든 인덱스를 반복합니다.

선형대수학

LinearAlgebra.jl 패키지는 Julia 표준 라이브러리의 일부이지만 명시적으로 로드해야 합니다.

using LinearAlgebra

LinearAlgebra.jl은 선형 대수 패키지에서 기대하는 모든 함수를 제공합니다.

3×3 Matrix{Int64}:
1  2  3
4  6  5
7  8  9

-18.0

det(M) # determinant

tr(M) # trace

3×3 Matrix{Float64}:
-0.777778   -0.333333   0.444444
  0.0555556   0.666667  -0.388889
  0.555556   -0.333333   0.111111

inv(M) # matrix inverse

3.7416573867739413

norm([1, 2, 3]) # ℓ2-norm

6.0

norm([1, 2, 3], 1)  # ℓ1-norm

행렬 곱셈

Julia에서는 표준 *-연산자를 사용하여 행렬을 곱합니다. 간단한 배열을 곱해 보겠습니다.

3×3 Matrix{Int64}:
1  2  3
4  6  5
7  8  9

u = [1, 2, 3]

u = [1, 2, 3]

v = [4, 3, 2]

v = [4, 3, 2]

두 개의 배열을 곱할 때그리고, Julia는 치수를 예상합니다.그리고일치하지 않으면 DimensionMismatch오류가 발생합니다.

16, 44, 70

M * v # works

Error message from LinearAlgebraDimensionMismatch: 행렬 A의 차원은 (3,1)이고, 행렬 B의 차원은 (3,3)입니다.Show stack trace...

u * M # Error: u has dimensions (3, 1), but M has dimensions (3, 3)

Julia의 벡터는 크기가 nx1인 열 벡터입니다.. 우리는 그것들을 1xn으로 재구성할 수 있습니다행 벡터를 사용하여 transpose:

1×3 transpose(::Vector{Int64}) with eltype Int64:
1 2 3

transpose(u)

u실수 값이므로, 수반 연산자' ( 켤레 전치 연산자 라고도 함 )를 사용할 수도 있습니다. (adjoint or conjugate transpose)

1×3 adjoint(::Vector{Int64}) with eltype Int64:
1 2 3

u'

이제 모양이 일치하므로 배열을 곱할 수 있습니다.

1×3 adjoint(::Vector{Int64}) with eltype Int64:
30 38 40

u' * M  # (1, 3) × (3, 3) → (1, 3)

314

u' * M * v

고차 텐서에 대한 행렬 곱셈은 정의되지 않았습니다.

점곱

두 벡터의 내적을 계산해 보겠습니다 .

이전 슬라이드에서 배웠듯이, u * v행렬 곱셈을 구현하고 차원이 일치하지 않기 때문에 오류가 발생 u합니다 v.
그러나 우리는 먼저 를 전치하여 점곱을 구현할 수 있습니다 u.,

16

transpose(u) * v

u' * v

dotLinearAlgebra는 또한 연산자 ⋅( )를 통해 사용할 수 있는 함수를 제공합니다 \cdot<TAB>.

16

dot(u, v)

u ⋅ v

단위 행렬

Julia에서는 단위 행렬을 할당할 필요가 없습니다. LinearAlgebra는 I모든 크기의 단위 행렬을 다음과 같이 표현합니다.

UniformScaling{Bool}
true*I

I # Indentity matrix is of type `UniformScaling`

단위 행렬은 모든 행렬의 곱셈 단위 역할을 합니다.

단위행렬

2×3 Matrix{Int64}:
1 2 3
4 5 6

I * A

2×3 Matrix{Int64}:
1 2 3
4 5 6

A * I

난수

Julia 표준 라이브러리는 난수를 추출하는 여러 함수를 제공합니다. 그중 두 가지를 살펴보겠습니다.
• rand: 균일 분포의 샘플
• randn: 정규 분포의 샘플

0.980601388632647

rand()

-0.07185332535057928

randn()

값 의 벡터를 그려 50k히스토그램으로 시각화하여 모든 것이 예상대로 작동하는지 확인해 보겠습니다.

using UnicodePlots

              ┌                                        ┐
   [0.0, 0.1) ┤███████████████████████████████▏ 4 839
   [0.1, 0.2) ┤███████████████████████████████▌ 4 896
   [0.2, 0.3) ┤████████████████████████████████▏ 4 994
   [0.3, 0.4) ┤███████████████████████████████▉ 4 981
   [0.4, 0.5) ┤████████████████████████████████▏ 4 989
   [0.5, 0.6) ┤████████████████████████████████▌ 5 076
   [0.6, 0.7) ┤████████████████████████████████▍ 5 043
   [0.7, 0.8) ┤███████████████████████████████▉ 4 985
   [0.8, 0.9) ┤█████████████████████████████████  5 142
   [0.9, 1.0) ┤████████████████████████████████▌ 5 055
              └                                        ┘
                               Frequency

rand(50000) |> histogram

                ┌                                        ┐
   [-5.0, -4.5) ┤▏ 1
   [-4.5, -4.0) ┤▏ 3
   [-4.0, -3.5) ┤▏ 14
   [-3.5, -3.0) ┤▎ 57
   [-3.0, -2.5) ┤▊ 247
   [-2.5, -2.0) ┤██▋ 796
   [-2.0, -1.5) ┤███████▌ 2 177
   [-1.5, -1.0) ┤███████████████▋ 4 592
   [-1.0, -0.5) ┤█████████████████████████▋ 7 490
   [-0.5,  0.0) ┤█████████████████████████████████  9 651
   [ 0.0,  0.5) ┤████████████████████████████████▌ 9 516
   [ 0.5,  1.0) ┤█████████████████████████▋ 7 522
   [ 1.0,  1.5) ┤███████████████▋ 4 595
   [ 1.5,  2.0) ┤███████▋ 2 239
   [ 2.0,  2.5) ┤██▋ 787
   [ 2.5,  3.0) ┤▊ 247
   [ 3.0,  3.5) ┤▎ 62
   [ 3.5,  4.0) ┤▏ 4
                └                                        ┘
                                 Frequency

randn(50000) |> histogram

우리는 임의의 모양으로 난수 배열을 그릴 수 있습니다

2×3×2 Array{Float64, 3}:
[:, :, 1] =
0.471374  0.20006   0.775217
0.284587  0.880843  0.946142

[:, :, 2] =
0.93366   0.43835   0.548389
0.626947  0.709209  0.793199

rand(2, 3, 2)

원하는 출력 유형도 지정합니다.

2×3×2 Array{Float32, 3}:
[:, :, 1] =
0.6562    0.886861  0.282816
0.495501  0.509896  0.31315

[:, :, 2] =
0.807384  0.810474  0.838697
0.11348   0.583264  0.921531

rand(Float32, 2, 3, 2)

팁
rand 또한 randn 난수 생성기를 전달하여 결정적으로 사용할 수도 있습니다.

julia> using Random
julia> rng = MersenneTwister(1234); # use seed 1234
julia> randn(rng, Float32)
0.8673472f0

Iterables에서 샘플링

범위, 벡터, 문자열, 튜플 등 반복 가능한 모든 항목에서 샘플링할 수도 있습니다.

4×4 Matrix{Int64}:
2  3  4  2
4  1  3  4
3  1  2  2
3  2  3  1

rand(1:4, 4, 4)

4×4 Matrix{Int64}:
5  9  9  5
9  5  9  9
9  5  9  5
5  9  5  9

rand((5, 9), 4, 4)

4×4 Matrix{Char}:
'c'  'b'  'a'  'c'
'c'  'b'  'c'  'c'
'c'  'a'  'a'  'b'
'c'  'c'  'b'  'a'

rand("abc", 4, 4)

week_meal_plan = 3×7 Matrix{String}:
"Soup"   "Soup"   "Pizza"  "Soup"   "Salad"  "Salad"  "Salad"
"Salad"  "Pizza"  "Soup"   "Soup"   "Pizza"  "Soup"   "Salad"
"Pizza"  "Salad"  "Salad"  "Salad"  "Pizza"  "Soup"   "Salad"

week_meal_plan = rand(["Pizza", "Salad", "Soup"], 3, 7)

분포에서의 샘플링

Distributions.jl 패키지를 사용하면 더 복잡한 분포를 정의하고 이를 샘플링할 수 있습니다.

using Distributions

                  ┌                                        ┐
   [-12.0, -10.0) ┤▏ 2
   [-10.0,  -8.0) ┤▏ 7
   [ -8.0,  -6.0) ┤▏ 42
   [ -6.0,  -4.0) ┤▌ 368
   [ -4.0,  -2.0) ┤████▎ 2 866
   [ -2.0,   0.0) ┤███████████████████████████████▉ 21 682
   [  0.0,   2.0) ┤████████████████████████████████  21 698
   [  2.0,   4.0) ┤████▍ 2 888
   [  4.0,   6.0) ┤▌ 391
   [  6.0,   8.0) ┤▏ 50
   [  8.0,  10.0) ┤▏ 5
   [ 10.0,  12.0) ┤▏ 1
                  └                                        ┘
                                   Frequency

begin
    μ = 0
    θ = 1
    distribution = Laplace(μ, θ)
    rand(distribution, 50000) |> histogram
end

줄리아에서
rng = MersenneTwister(1234)
의 뜻은 **“시드값이 1234인 메르센 트위스터(Mersenne Twister) 난수 생성기(rng) 객체를 만든다”**입니다.
여기서 rng는 Random Number Generator의 약어로, “난수 생성기”를 뜻합니다.

즉 이 코드는
MersenneTwister(1234): “1234”라는 시드값(seed value)으로 초기화된 메르센 트위스터 방식의 난수 생성기를 생성함
이를 변수 rng에 저장함
이후에 rng를 사용해 난수(random numbers)를 생성할 때마다 항상 동일한 시드로 동일한 시퀀스의 난수를 얻을 수 있습니다.
이것은 실험의 재현성, 결과 일관성을 위하여 중요합니다.

정리:
rng = MersenneTwister(1234) : “1234”로 초기화한 난수 생성기를 만든다
rng : “Random Number Generator(난수 생성기)”의 약어

Random.seed!와의 차이점은?

차이점은 다음과 같습니다:
- Random.seed!(1234)
글로벌(전역) 난수 생성기를 시드 1234로 초기화합니다.
즉, 이후 rand() 같은 기본 랜덤 함수들이 모두 같은 시퀀스를 만듭니다.
별도의 난수 생성기 객체를 만들지 않고, 전체 프로그램에서 전역적으로 시드가 적용됩니다.

- rng = MersenneTwister(1234)별도의 난수 생성기(rng) 객체를 시드 1234로 만듭니다.
필요할 때마다 이 rng를 직접 넘겨서 사용합니다. 예시: rand(rng, 1:10)
글로벌 난수 생성기와 별도로 독립적이기 때문에, 여러 난수 시퀀스를 동시에 관리하거나, 특정 부분에서만 다른 시드를 사용할 때 좋습니다.

정리:
- Random.seed!는 전역(Global) RNG에만 적용
- MersenneTwister(1234)는 독립적인 RNG 객체 생성여러 난수 스트림, 병렬 작업, 재현성을 세밀하게 관리하고 싶을 때는 MersenneTwister 객체 사용을 추천

배열에서 브로드캐스팅

이전 강의에서 벡터에 대한 브로드캐스팅을 이미 살펴보았습니다. 고차원 배열의 경우 동작은 좀 더 복잡합니다.

브로드캐스트는 추가 메모리를 사용하지 않고 다른 배열의 해당 차원과 일치하도록 배열 인수의 싱글톤 차원을 확장하고 주어진 함수를 요소별로 적용합니다.

예를 들어 추가 방송을 살펴보겠습니다.

줄리아는 확장할 것이다 P그리고 Q에게

추가 메모리를 할당하지 않고 다음을 추가합니다.

이로 인해.

P = rand(2, 3, 1, 1, 1);

Q = rand(1, 1, 4, 5);

R = P .+ Q;

P의 3번째 요소가 1,4일때만 동작, 2,3,5일때는 동작하지 않음

코드에서
julia
P = rand(2, 3, 1, 1, 1)
Q = rand(1, 1, 4, 5)
R = P .+ Q

여기서 P와 Q를 브로드캐스팅해서 합칠 때, 브로드캐스팅(자동 차원 맞춤) 규칙 때문에 “3번째 1”이 1이거나 4일 때만 동작하고, 2, 3, 5일 때는 에러가 나는 겁니다.

이유 설명:
- 줄리아에서 브로드캐스팅(.+, .* 등)은 같은 위치의 차원이 다르면,
-- 한쪽이 1이면 자동으로 늘려서 맞춰줌(=broadcasting)
-- 두쪽 모두 1이 아니고 숫자가 다르면 에러.

여기서
- P의 shape: (2, 3, 1, 1, 1)
- Q의 shape: (1, 1, 4, 5)
- 브로드캐스팅 대상 shape은 (2, 3, 4, 5, 1)로 자동 확장됨

즉,
- 3번째 차원이 P는 1, Q는 4여서 맞춤이 가능
- 만약 P가 (2,3,2,1,1) 등으로 “3번째 차원”에 1 대신 2, 3, 5 등을 주면
-- Q는 4로, P도 2/3/5로, 한쪽이 1이 아니므로 늘릴 수 없는 상황
-- → 브로드캐스팅 규칙 위반으로 에러 발생

핵심:
- 두 배열 shape에서 각 차원이 [[한쪽이라도 1이거나, 또는 둘 다 같은 숫자]]면 브로드캐스팅 가능
- 둘 다 1이 아니고 숫자가 다르면 "DimensionMismatch" 에러

size(P)

size(Q)

size(R)

추가 자료

이 강의에서는 고차원 배열에서 알고리즘을 구현하는 데 유용한 도구인 데카르트 인덱스에 대해 다루지 못했습니다. 다음 블로그 게시물에서 데카르트 인덱스에 대한 훌륭한 소개를 확인할 수 있습니다.
• Tim Holy의 [다차원 알고리즘 및 반복](https://julialang.org/blog/2016/02/iteration/)
• [데카르트 지수에 대한 Julia 문서](https://docs.julialang.org/en/v1/manual/arrays/#Cartesian-indices)

Julia 생태계는 SparseArrays.jl* , *OffsetArrays.jl* , *StaticArrays.jl* 외에도 다양한 패키지를 제공합니다.
• [JuliaArrays](https://github.com/JuliaArrays): 사용자 정의 배열 유형을 구현하는 패키지를 유지 관리하는 GitHub의 조직
• [JuliaLinearAlgebra](https://github.com/JuliaLinearAlgebra): 선형 대수 방법과 행렬 유형을 구현하는 패키지를 유지 관리하는 GitHub의 조직
• [Tullio.jl](https://github.com/mcabbott/Tullio.jl): GPU에서도 작동하는 einsum 매크로

- 수평 연결( *열 방향* ): 공백, 탭 및 이중 세미콜론`;;`
- 수직 연결( *행 방향* ): 줄 바꿈 및 세미콜론`;`

1. 1.  [...show types...](https://juml-tub.github.io/julia-ml-course/lectures/L2_Basics_2.html#)
**throw_boundserror**(A::OffsetArrays.OffsetMatrix{…}, I::Tuple{…})
from [**julia** → *abstractarray.jl:737*](https://github.com/JuliaLang/julia/tree/95f30e51f4158dd3421cd5b8098849d24e97e497/base/abstractarray.jl#L737)

2. 2. **checkbounds** from *abstractarray.jl:702*
3. 3. **_getindex** from *multidimensional.jl:888*
4. 4. **getindex** from *abstractarray.jl:1290*
5. 5. **macro expansion** from *logging.jl:374*

6. 6.  [...show types...](https://juml-tub.github.io/julia-ml-course/lectures/L2_Basics_2.html#) [`n_rows = size(A, 1) for i in 1:n_rows **@info** A[i, :] endend`](https://juml-tub.github.io/julia-ml-course/lectures/L2_Basics_2.html#867c276d-4c43-4465-bc9b-621b97c0d2b8)

    **iterate_over_rows_bad**(A::OffsetArrays.OffsetMatrix{…}) from [Other cell: *line 4*](https://juml-tub.github.io/julia-ml-course/lectures/L2_Basics_2.html#867c276d-4c43-4465-bc9b-621b97c0d2b8)

7. 7. [Show more...](https://juml-tub.github.io/julia-ml-course/lectures/L2_Basics_2.html#)
- `eachrow`- 행을 반복합니다
- eachcol`- 열 반복
- `eachslice`- nd-array의 모든 슬라이스에 대한 반복자
- `eachindex`- 배열의 모든 인덱스를 반복합니다.
- `rand`: 균일 분포의 샘플
- `randn`: 정규 분포의 샘플
- Tim Holy의 [다차원 알고리즘 및 반복](https://julialang.org/blog/2016/02/iteration/)
- [데카르트 지수에 대한 Julia 문서](https://docs.julialang.org/en/v1/manual/arrays/#Cartesian-indices)
- [JuliaArrays](https://github.com/JuliaArrays): 사용자 정의 배열 유형을 구현하는 패키지를 유지 관리하는 GitHub의 조직
- [JuliaLinearAlgebra](https://github.com/JuliaLinearAlgebra): 선형 대수 방법과 행렬 유형을 구현하는 패키지를 유지 관리하는 GitHub의 조직
- [Tullio.jl](https://github.com/mcabbott/Tullio.jl): GPU에서도 작동하는 einsum 매크로

출처:

https://juml-tub.github.io/julia-ml-course/L2_Basics_2/

https://juliakorea.github.io/ko

이 블로그의 관련 글

이전 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 유형, 제어 흐름, 함수 및 다중 디스패치

Julia 프로그래밍 - 유형, 제어 흐름, 함수 및 다중 디스패치

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 언어 및 강의 소개 Julia 프로그래밍 - 언어 및 강의 소개Julia 프로그래밍 언어줄리아(Julia)는 고성능의 수치 해석 및 계산과학의 필요 사항

inner-game.tistory.com

다음 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 플롯과 데이터 프레임

Julia 프로그래밍 - 플롯과 데이터 프레임

inner-game.tistory.com

Julia 프로그래밍 1강 - 유형, 제어 흐름, 함수 및 다중 디스패치 | 줄리아 강의

InnerGame — Mon, 9 Feb 2026 00:39:01 +0900

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 강의소개 - 언어 및 강의 소개

Julia 프로그래밍 - 언어 및 강의 소개

inner-game.tistory.com

이전 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 0강 - Julia 설치 | 줄리아

Julia 프로그래밍 - Julia 설치 | 줄리아

inner-game.tistory.com

Julia 프로그래밍

줄리아 소개
안녕하세요 세상
변수

기본 연산자
산술 연산자
숫자 비교
부울 연산자
비트 연산자 ⁽⁺⁾
운영자 업데이트

유형 시스템
유형
기타 일반적인 숫자 유형
--무리수
--유리수
--복소수
매개변수 합성 유형
유형 계층 구조
벡터
범위
--모으다
--사용자 정의 단계 크기

제어 흐름
조건부 평가
루프
--예비 출구
--반복 건너뛰기

기능
여러 반환 값
인수 유형 선언
함수는 일급 객체입니다
고차 함수
선택적 인수
키워드 인수
익명 함수
함수 구성
--파이프
--합성 연산자 ⁽⁺⁾

다중 발송

이해력

방송

추가 자료

줄리아 소개

안녕하세요 세상

화면에 "Hello world"를 출력해 보겠습니다 .1print("Hello world")

Hello world 우리는 Pluto 노트북 내부에서 작업하고 있었기 때문에 Pluto는 우리가 터미널 스트림( stdout)에 인쇄하는 것을 감지했습니다. 기본적으로 Pluto는 각 셀의 반환 값을 해당 셀 위에 표시합니다. 따라서 반환 값을 수동으로 출력할 필요가 없습니다.

"Hello world"1"Hello world" # outputs are displayed by default1"Hello world"; # add a semicolon to hide them

변수

변수는 값을 이름에 바인딩합니다.my_var

31my_var = 3another_var

61another_var = 2 * my_var 변수 이름에 유니코드 문자를 사용할 수도 있습니다.α

1.01α = 1.0 *# typed as: \alpha<TAB>*안녕하세요

"Hello"1안녕하세요 = "Hello"

π = 3.1415926535897...1 = pi # typed as: \:pie:<TAB>

팁 대부분의 유니코드 기호는 LaTeX 기호의 이름을 따서 지어졌기 때문에 처음으로 기호를 입력하려고 할 때 Detexify 와 같은 웹사이트가 유용할 수 있습니다.

경고: 큰 힘에는 큰 책임이 따릅니다. 다른 사람과 상호 작용해야 하는 함수 이름과 키워드 인수에는 유니코드 변수를 사용하지 않도록 하세요. 유니코드 변수는 수학적 규칙이 존재하는 환경에서 내부적으로 사용될 때 가장 유용합니다. 예를 들어, 코드 내부에서 특정 데이터의 공분산 행렬을 변수에 할당 Σ하고 평균을 변수에 할당할 수 있습니다 μ.

Julia 변수

기본 연산자

산술 연산자

표현이름설명+x단항 플러스신원 연산-x단항 마이너스값을 덧셈 역수에 매핑합니다.x + y이진 플러스추가를 수행한다x - y이진 마이너스뺄셈을 수행한다x * y타임스곱셈을 수행한다x / y나누다나누기를 수행하다x ÷ y정수 나누기x / y, 정수로 잘림x \\ y역분할~와 동등하다y / xx ^ y힘x제곱 하다yx % y나머지~와 동등하다rem(x,y) 다음 중 일부를 시연해 보겠습니다.

711 + 2 * 3힘과 뿌리

2515^2

true1sqrt(2) == 2^0.5층별 구분

31div(10, 3) ÷이는 다음과 같이 입력할 수 있는 것과 동일합니다 \\div<TAB>.

3110 ÷ 3나머지

215 % 3 이것은 다음과 같습니다

21rem(5, 3) 음수의 경우 나머지는 다음과 같습니다.모듈로:

-21rem(-5, 3)

11mod(-5, 3)

숫자 비교

연산자이름==평등!=,≠불평등<보다 작음<=,≤이하>보다 크다>=,≥이상 간단한 예를 들어보겠습니다.

false14 <= 2 또 다른 유용한 도구는 중위 표기법 ( ) isapprox에 사용할 수 있는 함수 입니다 .≈\\approx<TAB>

true11 ≈ 1.00000001

true1isapprox(1, 1.00000001)

Julia 산술 연산자

부울 연산자

표현이름!x부정x && y단락 및x || y단락 또는 팁 이 노트북에서 변수를 바꿔가며 실험해 보세요. 어떤 결과가 나올 것으로 예상하시나요? 부정부터 시작하여 실제로 이것이 어떻게 나타나는지 살펴보겠습니다.

true1

false 단락 회로 부울 연산자는 두 가지가 있습니다.

false

true && false # short-circuiting and

true

true || false # short-circuiting or 이것들은 필요한 경우에만 오른쪽을 평가하기 때문에 단락 회로라고 합니다.

false

3 < 2 && error("This error will never be thrown because 3 < 2 is already false")

true

2 > 1 || print("This will never be printed because 2 > 1 is already true")

팁

짧은 if 문을 작성하는 데에도 사용할 수 있습니다!

Julia 부울 연산자

비트 연산자 ⁽⁺⁾

이러한 내용은 머신 러닝에서 거의 사용되지 않으므로 완전성을 위해 요약하겠습니다.표현이름~x비트 단위 notx & y비트 단위 및x | y비트 단위 또는x ⊻ y비트 단위 xor (배타적 or)x ⊼ y비트 단위 nand(not and)x ⊽ y비트 단위 nor (not or)x >>> y논리적 오른쪽 이동x >> y산술 오른쪽 이동x << y논리/산술 왼쪽으로 이동 자세한 내용은 Julia 문서 에서 확인할 수 있습니다 .

운영자 업데이트

우리가 다룬 대부분의 운영자는 업데이트 버전도 가지고 있습니다.

+= -= *= /= \\= ÷= %= ^=

Pluto의 반응성으로 인해 우리는 begin ... end블록 내부에서 다음을 시연해야 합니다.

2512345begin x = 2 x += 3 # 2 + 3 = 5 x ^= 2 # 5 ^ 2 = 25end 비트 연산에도 다음과 같은 것이 있습니다.

&= |= ⊻= >>>= >>= <<=

유형 시스템

유형

Julia의 모든 변수는 타입을 가지고 있습니다. 값이나 변수의 타입은 다음을 사용하여 출력할 수 있습니다 typeof:

String

typeof("Hello World")

Char

typeof('c')

숫자에는 여러 유형이 있습니다.

Int64

typeof(1) # Default Int type is Int64

Float64

typeof(1.0) # Default Float type is Float64

특정 유형의 숫자를 얻으려면 해당 유형의 생성자를 사용하면 됩니다.

Float32

typeof(Float32(1.0))

Float64과학적 표기법을 사용하여 숫자를 정의 할 수도 있습니다 Float32.

Float64

typeof(1.0e-2)

Float32

typeof(1.0f-2)

기타 일반적인 숫자 유형

무리수

π = 3.1415926535897...1π # \pi<TAB>

ℯ = 2.7182818284590...1ℯ # \euler<TAB>

Irrational{:π}1typeof(π)

유리수

정수의 경우그리고, 유리수구문을 사용하여 분수로 표현할 수 있습니다 p//q.r

r = 1//3

r = 1//3 # one third

Rational{Int64}

typeof(r)

이렇게 하면 부동 소수점 숫자와 부동 소수점 산술의 유한한 정밀도로 인한 반올림 오류가 방지됩니다.

0.30000000000000004

1 / 10 + 2 / 10 # error due to floating-point arithmetic

3//10

1//10 + 2//10 # no error!

유리수를 부동 소수점 숫자로 변환할 때 반올림 오류도 발생합니다.

0.33333334f0

Float32(r)

복소수

c = 1.2 + 3.4im

ComplexF64 (alias for Complex{Float64})

typeof(c)

매개변수 합성 유형

질문: Rational{Int64}방금 ' 와' 유형을 살펴보았습니다 Complex{Float64}. 이 중괄호는 무슨 뜻인가요? 일부 유형은 다른 유형의 값을 가집니다. 이러한 유형은 사용하는 프로그래밍 언어에 따라 구조체 , 데이터 클래스 또는 복합 유형 이라고 합니다 . Julia는 이러한 복합 유형의 일반적인 구현을 허용합니다. 이러한 소위 매개변수 복합 유형은 중괄호 안에 유형 매개변수를 사용하여 표시됩니다 .{T} • Rational{Int64}는 분모와 모수 로 표현되는 유리수입니다 Int64. 다른 Integer유형의 유리수도 정의할 수 있습니다. • Complex{Float64}실수부와 허수부로 표현되는 복소수입니다 Float64. 다른 유형의 복소수도 정의할 수 있습니다 Real. 일부 유형에는 여러 유형 매개변수가 있습니다. Tuple유형 (둥근 괄호) 이 그 예입니다.my_tuple

2.0

"Foo"1my_tuple = (1, 2.0, "Foo")

Tuple{Int64, Float64, String}1typeof(my_tuple)

팁 4강에서는 우리만의 유형을 정의하는 방법을 배워보겠습니다!

유형 계층 구조

Julia의 유형은 유형 계층 구조의 일부입니다. • 부모 유형은 다음을 사용하여 표시할 수 있습니다.supertype • 하위 유형은 다음을 사용하여 표시할 수 있습니다.subtypes

AbstractFloat1supertype(Float64)

BigFloat

Float16

Float32

Float641subtypes(AbstractFloat) print_type_tree이 노트북에는 유형 계층 구조를 보여주는 함수가 준비되었습니다 .1print_type_tree(Number)

Number
├─ MultiplicativeInverse│
├─ SignedMultiplicativeInverse│
└─ UnsignedMultiplicativeInverse
├─ Complex
└─ Real
├─ AbstractFloat
│ ├─ BigFloat
│ ├─ Float16
│ ├─ Float32
│ └─ Float64
├─ AbstractIrrational
│ └─ Irrational
├─ FixedPoint
│ ├─ Fixed
│ └─ Normed
├─ Integer
│ ├─ Bool
│ ├─ Signed
│ │ ├─ BigInt
│ │ ├─ Int128
│ │ ├─ Int16
│ │ ├─ Int32
│ │ ├─ Int64
│ │ └─ Int8
│ └─ Unsigned
│ ├─ UInt128
│ ├─ UInt16
│ ├─ UInt32
│ ├─ UInt64
│ └─ UInt8
└─ Rational

print_type_tree (generic function with 1 method)

팁

Julia에서는 유형 계층 구조의 리프 노드만 인스턴스화할 수 있습니다. 다른 모든 유형은 일반적으로 접두사로 표시되는 "추상 유형"입니다 Abstract.

벡터

Julia에서 벡터는 대괄호 안에 쉼표로 구분된 값으로 정의됩니다.

v1 = [1, 2, 3, 4, 5]

v2 = ["Adrian", "Klaus-Robert"]

벡터는 또한 매개변수 유형입니다.

Vector{Int64} (alias for Array{Int64, 1})

typeof(v1)

Vector{String} (alias for Array{String, 1})

typeof(v2)

팁

벡터와 배열에 대해서는 2강에서 더 자세히 다루겠습니다.

범위

구문을 사용하면 start:stop범위를 정의할 수 있습니다.

my_range = 1:1000

UnitRange{Int64}

typeof(my_range)

모으다

범위는 시퀀스를 구성하는 데 필요한 정보만 포함하고 전체 데이터는 포함하지 않는다는 의미에서 "게으른" 범위입니다. 를 사용하여 collect전체 시퀀스를 벡터로 작성합니다.

...

998

999

10001collect(my_range) 다음을 사용하여 메모리의 차이를 검사할 수 있습니다 sizeof.

161sizeof(my_range) # 2 Int64s (start and stop) => 128 bit => 16 bytes

80001sizeof(collect(my_range)) # 1000 Int64s => 64000 bit => 8000 bytes

사용자 정의 단계 크기

또한 , 다음 숫자 사이의 단계 크기를 나타내는 start:step:stop구문 을 사용하여 사용자 정의 단계 크기로 범위를 구성할 수 있습니다 .step

91collect(1:2:10) # range from 1 to 10 with a step size of 2 범위는 음수 단계 크기도 지원합니다.

2.0

1.8

1.6

1.4

1.2

1.01collect(2:-0.2:1) 더 많은 제어가 필요한 경우 이 range함수를 사용할 수 있습니다. 이 함수는 start, stop, step의 세 가지 인수를 지원합니다 length.

1.0

1.11111

1.22222

1.33333

1.44444

1.55556

1.66667

1.77778

1.88889

2.01collect(range(1, 2; length=10))

제어 흐름 | Control flow

조건부 평가

기본적인 if-else 문은 다른 언어의 문과 일치합니다.

a = 1 *# Play with the values of a & b!*

b = 1

"a is equal to b"

1234567

if a < b "a is less than b"elseif a > b "a is greater than b"else "a is equal to b"end &&이전에 소개했듯이 및 를 사용한 단락 평가는 ||단락 명령문의 대안으로 사용될 수 있습니다 if.

false

a > b && "a is greater than b" 삼항 연산자는 또한 명령문 ?:과 관련이 있습니다.if-else 예를 들어 다음과 같은 형식을 취합니다 condition ? return_if_true : return_if_false.

"a is greater or equal b"1a >= b ? "a is greater or equal b" : "a is less than b"

루프

Julia는 클래식 for및 while루프를 지원합니다. 범위와 벡터 등 다양한 유형을 반복할 수 있습니다.

123

for i in 1:5

@info i

end

for name in ["Adrian", "Klaus-Robert"]

@info name

end

Adrian

Klaus-Robert

begin

i = 1

while i <= 5

@info i

i += 1

end

end # begin ... end block is only needed for Pluto

팁 함수 대신 println()logging 매크로를 사용했습니다 @info. i이 매크로는 오른쪽에 메시지 로그를 생성하며, Pluto Notebooks에서는 좀 더 보기 좋습니다. 여기서 로그에 기록되는 메시지는 정수 또는 문자열 값입니다 name.

예비 출구

루프 break를 종료하려면 다음 을 사용할 수 있습니다 .

forwhile1234for i in 1:100000 i > 5 && break @info iend

반복 건너뛰기

continue반복을 건너뛰려면 다음을 사용할 수 있습니다 .

12345

for i in 1:5

# skip printing even numbers

i % 2 == 0 && continue

@info iend

함수

Julia의 함수는 블록으로 정의됩니다 function ... end.

my_add (generic function with 1 method)

function my_add(x, y)

return x + y

end

my_add(2, 3)

키워드 return를 생략할 수 있으며, 생략하면 마지막으로 평가된 표현식의 값이 반환됩니다. 함수는 보다 간결한 "할당 형식"으로 정의될 수도 있습니다.

my_add_2 (generic function with 1 method)

my_add_2(x, y) = x + y

my_add_2(2, 3)

여러 반환 값

함수는 쉼표로 구분된 여러 값을 반환할 수 있습니다.

foo (generic function with 1 method)123function foo(x) return x, x + 1end

61x1, x2 = foo(5) Julia는 일반적으로 함수 밖에서도 쉽게 구조 분해를 수행할 수 있도록 허용합니다. 몇 가지 예를 살펴보겠습니다.

1:31c1, c2, c3 = 1:3

21c2 이는 for-loop에서도 사용할 수 있습니다.123for (i, c) in [(1, 'a'), (2, 'b'), (3, 'c')] @info "Integer $i and Character $c"end

Integer 1 and Character a

Integer 2 and Character b

Integer 3 and Character c 그리고 구조 분해는 일반적으로 재귀적으로도 작동합니다.nested_inputs

'a'

1.11

'b'

2.22

'c'

3.33

nested_inputs = [(1, ('a', 1.11)), (2, ('b', 2.22)), (3, ('c', 3.33))]123for (i, (c, f)) in nested_inputs @info "Integer $i, Character $c and Float $f"end

Integer 1, Character a and Float 1.11

Integer 2, Character b and Float 2.22

Integer 3, Character c and Float 3.33

인수 유형 선언

허용되는 인수 유형은 함수 인수 내에서 .를 사용하여 선언할 수 있습니다 ::TypeName. 다음 함수는 .의 하위 유형에서만 작동합니다 Integer.

my_factorial (generic function with 1 method)

function my_factorial(n::Integer) n >= 0 || error("n must be non-negative") n == 0 && return 1 return n * my_factorial(n - 1)end

my_factorial(4) # Default Int = Int64

my_factorial(0x04) *# 0x04 == UInt8(4)*Error message

MethodError: my_factorial(::Float64)과 일치하는 메서드가 없습니다.

가장 가까운 후보는 다음과 같습니다.

my_factorial( ::정수 ) @ Main.var"작업공간#4" ~/work/julia-ml-course/julia-ml-course/lectures/ L1_Basics_1.jl#==#16b013cd-5ac2-4731-8899-552c6bff5dfa:1

**Show stack trace...**

my_factorial(4.0) # errors on Floats!

enumerate()

함수는 일급 객체입니다

Julia에서 함수는 일급 객체my_factorial 이며 변수처럼 사용할 수 있습니다. 이전에 정의한 함수에서 이를 확인해 보겠습니다 .my_factorial_2

my_factorial (generic function with 1 method)

my_factorial_2 = my_factorial

my_factorial_2(4) typeof(function_name)함수는 부모 유형이 있는 유형입니다 Function.

typeof(my_factorial) (singleton type of function my_factorial, subtype of Function)1typeof(my_factorial)

고차 함수

함수는 함수를 반환할 수도 있습니다.

make_multiplier (generic function with 1 method)

function make_multiplier(x)

function times_x(y)

return x * y

end

return times_x

end

times_two = (::Main.var"workspace#4".var"#times_x#1"{Int64}) (generic function with 1 method)

times_two = make_multiplier(2)

times_two(8)

선택적 인수

선택적 인수는 함수 인수에 대한 합리적인 기본값을 구현하는 방법을 제공합니다. 일반적인 것을 구현해보자-노름 함수

기본값으로 설정됨-norm 사용:

my_norm (generic function with 2 methods)

function my_norm(xs, p=2)

return sum(xs .^ p)^(1 / p)

end

3.7416573867739413

my_norm([1, 2, 3])

3.7416573867739413

my_norm([1, 2, 3], 2)

6.0

my_norm([1, 2, 3], 1)

키워드 인수

처음에는 Julia가 선택적 인수와 키워드 인수를 모두 제공한다는 점이 혼란스러울 수 있습니다.

이전 함수를 키워드 인수를 사용하여 다시 구현하여 차이점을 확인해 보겠습니다. 키워드 인수는 ;함수 시그니처에서 세미콜론을 사용하여 (선택적) 인수와 구분합니다.

my_norm_kw (generic function with 1 method)

function my_norm_kw(xs; p=2)

return sum(xs .^ p)^(1 / p)

end

3.7416573867739413

my_norm_kw([1, 2, 3])

키워드 인수 이름을 명시적으로 지정하지 않고 함수를 호출하면 오류가 발생합니다.

Error messageMethodError: my_norm_kw(::Vector{Int64}, ::Int64)와 일치하는 메서드가 없습니다.

가장 가까운 후보는 다음과 같습니다. my_norm_kw(::Any; p) @ Main.var"작업공간#4" ~/work/julia-ml-course/julia-ml-course/강의/ L1_Basics_1.jl#==#52cf9d22-08a5-4937-b81c-d9ced5f1a584:1**Show stack trace...**1my_norm_kw([1, 2, 3], 1) # errors since keyword is missing!

6.01my_norm_kw([1, 2, 3]; p=1) # works 일반적으로 키워드 인수는 동작이나 "설정"이 많은 함수에 사용됩니다. 각 키워드 인수에 이름으로 레이블이 지정되어 함수 호출을 더 쉽게 읽을 수 있습니다.

팁

이 my_norm함수는 선택적 인수가 키워드 인수보다 더 적합한 예시입니다. 이 예시의 목적은 두 인수 유형의 차이점을 강조하는 것이었습니다. 키워드 인수가 선택적 인수보다 더 적합한 한 가지 예는 사용자가 선 색상, 너비, 스타일 등 여러 옵션을 설정할 수 있는 플로팅 함수입니다.

function plot(x, y; style="solid", width=1, color="black")

# ...

end

익명 함수

함수는 다음 구문을 사용하여 이름을 지정하지 않고도 "익명으로" 생성될 수 있습니다.

(inputs) -> outputs 이는 "람다 함수"라고도 합니다. 이러한 함수는 특히 다른 함수를 입력으로 받는 함수(예: map및 filter)에 유용합니다. map함수를 받아서 배열의 각 값에 적용합니다. 1부터 5까지의 모든 숫자에 제곱을 하고 1을 더하여 이를 확인해 보겠습니다.

map(x -> x^2 + 1, 1:5)

filter1에서 10 사이의 숫자 중 3으로 나누어 떨어지는 숫자 도 다음과 같이 구할 수 있습니다 .

filter(x -> x % 3 == 0, 1:10)

익명 함수는 구문을 사용하여 여러 개의 입력을 가질 수도 있습니다 (x, y) -> 2x + y.

함수 구성

f두 함수 와 를 합성해 보겠습니다 g. 가장 일반적인 방법은 다음을 호출하는 것입니다 g(f(x)).

7.416198487095663

sqrt(sum(1:10))

파이프

파이프 연산자를 사용하여 |>함수를 연결할 수도 있습니다. 파이프를 사용하면 g(f(x))다음과 같이 작성할 수 있습니다 f(x) |> g.

7.416198487095663

sum(1:10) |> sqrt

합성 연산자 ⁽⁺⁾

∘( )를 사용하여 함수를 합성할 수도 있습니다 \\circ<TAB>. 이는 함수 합성에 대한 수학적 표기법과 일치합니다.

7.416198487095663

(sqrt ∘ sum)(1:10)

함수는 변수처럼 사용될 수 있다는 것을 기억하세요.

sqrt_of_sum = sqrt ∘ sum

sqrt_of_sum = sqrt ∘ sum # h = g ∘ f

7.416198487095663

sqrt_of_sum(1:10)

다중 발송

입력 유형에 따라 함수를 다르게 구현하고 싶을 때가 많습니다. 예를 들어, 함수는 와 가 실수인지, 복소수인지, 심지어 행렬인지 multiply(a, b)에 따라 서로 다른 구현이 필요합니다 . Julia에서는 함수의 각 구현을 메서드 라고 합니다 .ab Julia는 함수의 모든 입력 유형 에 따라 적용할 올바른 메서드를 자동으로 선택합니다 . 이를 다중 디스패치 라고 합니다 .

test_dispatch (generic function with 1 method)

test_dispatch(x) = "General case: $(typeof(x)), x=$(x)"

test_dispatch (generic function with 2 methods)

test_dispatch(x::Float64) = "Special case: Float64, x=$(x)"

"General case: Int64, x=2"

test_dispatch(2)

"Special case: Float64, x=2.0"

test_dispatch(2.0)

"General case: String, x=Hello world"

test_dispatch("Hello world")

함수의 방법은 예를 들어 사인 함수의 경우 f를 사용하여 나타낼 수 있습니다 .

methods(f)# [90mBase [39m에서 일반 함수 sin 에 대한 14가지 방법 :

• base.MathConstants의 sin(:: Irrational{:π} ) (mathconstants.jl:146)

• Base.MPFR의 mpfr.jl:801 에 있는 sin(x:: BigFloat )

• base.Math의 sin(a:: Float16 )은 math.jl:1558 에 있습니다.

• Base.Math의 sin(a:: ComplexF16 ) at math.jl:1559

• Base.Math의 math.jl:1580 에서 sin(:: Missing )이 발견되었습니다.

• /opt/hostedtoolcache/julia/1.10.10/x64/share/julia/stdlib/v1.10/LinearAlgebra/src/diagonal.jl:754 의 LinearAlgebra에서 sin(D:: LinearAlgebra.Diagonal )

• special/trig.jl:29 의 Base.Math에서 T<:Union{Float32, Float64}인 sin(x:: T )

• base.Math의 sin(x:: Real ) at math.jl:1575

• /opt/hostedtoolcache/julia/1.10.10/x64/share/julia/stdlib/v1.10/LinearAlgebra/src/symmetric.jl:687 의 LinearAlgebra에서 sin(A:: LinearAlgebra.Hermitian{var"#s127", S} where {var"#s127"<:Complex, S<:(AbstractMatrix{<:var"#s127"})} )

• /opt/hostedtoolcache/julia/1.10.10/x64/share/julia/stdlib/v1.10/LinearAlgebra/src/symmetric.jl:683 의 LinearAlgebra에서 sin(A:: Union{LinearAlgebra.Hermitian{var"#s999", S}, LinearAlgebra.Symmetric{var"#s999", S}}

• /opt/hostedtoolcache/julia/1.10.10/x64/share/julia/stdlib/v1.10/LinearAlgebra/src/dense.jl:979 의 LinearAlgebra에서 sin(A:: AbstractMatrix{<:Complex} )

• /opt/hostedtoolcache/julia/1.10.10/x64/share/julia/stdlib/v1.10/LinearAlgebra/src/dense.jl:972 의 LinearAlgebra에서 sin(A:: AbstractMatrix{<:Real} )

• sin(z:: Complex{T} ) 여기서 T는 complex.jl:885 의 Base에 있습니다 .

• /opt/hostedtoolcache/julia/1.10.10/x64/share/julia/stdlib/v1.10/LinearAlgebra/src/uniformscaling.jl:173 의 LinearAlgebra에서 sin(J:: LinearAlgebra.UniformScaling )

methods(sin)

이해력 | Comprehensions

컴프리헨션은 배열을 정의하는 강력하고 간결한 방법입니다. 구문은 수학의 집합 표기법과 다소 유사합니다.

v3m =

100

v3 = [x^2 for x in 1:10]

추가 필터링 함수를 전달하는 것도 가능합니다.

예를 들어, 1부터 10까지의 모든 짝수의 제곱을 벡터로 변환할 수 있습니다.

v4 =

100

v4 = [x^2 for x in 1:10 if iseven(x)]

방송

모든 함수는 f(A)다음 구문을 사용하여 입력에 요소별로 적용될 수 있습니다 f.(A):

test_array = [1,2,3,4,5]

test_array = [1, 2, 3, 4, 5]

0.841471

0.909297

0.14112

-0.756802

-0.958924

sin.(test_array)

이것은 사용자 정의 함수에도 적용됩니다.

add_two (generic function with 1 method)

add_two(x) = x + 2

add_two.(test_array)

오늘 배운 연산자에 대해서도 마찬가지입니다. 연산자 앞에 마침표를 추가하기만 하면 됩니다.

test_array .^ 2

2 .^ test_array

팁

방송에 대해서는 2강에서 더 자세히 다루겠습니다.

추가 자료

치트 시트:

• MATLAB-Python-Julia 치트 시트

다른 언어와의 주목할만한 차이점:

다른:

• 성능 팁

팁

강좌 웹사이트에서 이 노트북을 보고 계신다면 Ctrl + click링크가 필요할 수 있습니다. 또는 독립형 노트북을 사용하세요.

그 외의 팁들

? 마크(쉘의 Help기능) 나 Live docs를 잘 사용하자

apopos()

help

methos(), methodwith()

@which # 파일의 위치를 알려줌

@edit # 디폴트 에디터에서 열기

@less # 현재 터미널에 조금 출력해줌

유용한 사이트: JuliaHub.com

absolute tolerance : isapprox with atol or rtol = 0.01 means 1%

이 블로그의 관련 글

이전 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 0강 - Julia 설치 | 줄리아 강의

Julia 프로그래밍 0강 - Julia 설치 | 줄리아 강의

inner-game.tistory.com

다음 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 2강 - 배열 및 선형 대수 | 줄리아 강의

Julia 프로그래밍 2강 - 배열 및 선형 대수 | 줄리아 강의

inner-game.tistory.com

Julia 프로그래밍 0강 - Julia 설치 | 줄리아 강의

InnerGame — Mon, 9 Feb 2026 00:30:37 +0900

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 언어 및 강의 소개

Julia 프로그래밍 - 언어 및 강의 소개

inner-game.tistory.com

Julia 프로그래밍 - Julia 설치

juliaup을 사용하여 Julia를 설치합니다 . 터미널에 다음 명령어를 입력하세요.

리눅스와 macOS

curl -fsSL <https://install.julialang.org> | sh

위의 명령어 입력 후 다음의 옵션을 선택합니다.

설치가 끝나면 다음의 화면을 볼 수 있습니다.

본인의 path에 맞는 명령어를 실행해줍니다.

  . /Users/waffle/.zshrc

윈도우

Windows 스토어에서 Julia를 설치하거나 실행하세요.

winget install julia -s msstore

기본 버전 설정

이 수업에서는 Julia 1.11을 사용합니다. 컴퓨터의 기본 버전으로 설정하려면 다음을 실행하세요.

juliaup default 1.11

팁

이러한 옵션이 적합하지 않은 경우 Julia를 수동으로 다운로드 할 수도 있습니다 .

위와 같이 기본 버전을 1.11로 설치할 수 없다면 안내에 따라 다음의 명령어를 이용하며 1.11을 먼저 설치해 줍니다.

juliaup add 1.11

설치 후에 다시 디폴트 버전을 1.11로 설정해줍니다.

juliaup default 1.11

설치 확인

Julia REPL( Read-eval-print loop ) 세션을 시작합니다.

julia

설치가 성공적으로 완료되면 Julia 로고와 Julia 버전에 대한 정보가 표시됩니다.

경고:

Julia 1.11을 사용하고 있는지 확인하세요!

패키지 관리자 사용

Julia의 패키지 관리자는 Pkg 입니다 . Julia REPL에서 닫는 대괄호( )를 입력하여 패키지 관리자를 엽니다 ].

REPL 프롬프트는 julia>에서 로 변경되어야 합니다 (@1.11) pkg>.

백스페이스를 누르면 패키지 관리자 모드를 종료할 수 있습니다.

환경:

괄호 안의 이름(여기서는 @v1.11)은 현재 활성화된 환경의 이름입니다. (@v1.11)는 Julia 1.11 설치의 글로벌 환경입니다.

다음 강의에서 Pkg와 환경에 대해 더 자세히 알아보겠습니다!

패키지 설치

add PackageName패키지 관리자에 입력하여 패키지를 추가할 수 있습니다 .

이 수업의 목적을 위해, 우리는 글로벌 환경에 Pluto를 설치할 것입니다 (@v1.11):

(@v1.11) pkg> add Pluto

Pkg install Pluto가 표시되어야 합니다. 설치된 패키지 버전이 이 스크린샷과 정확히 일치하지 않아도 됩니다.

...

플루토 소개

왜 플루토인가?

이 강의는 플루토라는 상호작용 노트북으로 작성되었습니다.

Pluto 노트북에는 완벽하게 재현 가능한 환경이 포함되어 있습니다.
Pluto는 반응형이어서 대화형 방식으로 코드를 실험할 수 있습니다.

재밌는 사실:

플루토는 폰스 반 데르 플라스( @fonsp )가 베를린 공과대학에서 줄리아 수업을 수강한 후 개발했습니다 !

플루토 시작

백스페이스 키를 눌러 패키지 관리자를 종료하면 REPL 프롬프트가 julia>다시 나타납니다. 이제 REPL에 다음을 작성하세요.

julia> using Pluto

julia> Pluto.run()

Pluto는 기본 브라우저에서 자동으로 열립니다. 그렇지 않으면 REPL의 링크를 클릭하세요.

팁

예를 들어 Pluto를 시작하려면 셸 별칭을 설정할 수 있습니다.

alias pluto="julia --banner=no -e 'using Pluto; Pluto.run()'"

Windows에서는 다음 내용이 담긴 .bat파일(예: )을 만듭니다.pluto.bat

julia --banner=no -e "using Pluto; Pluto.run()"

와 같은 폴더에 저장 C:\\Alias하고 해당 폴더를 시스템 환경 변수에 추가하세요 . 또는, 이미 시스템 PATH에 포함되어 있으므로 파일을 직접 에 PATH저장할 수도 있습니다 .pluto.batC:\\Windows\\System32

개강 강의 및 숙제

JuML 강좌 웹사이트에 호스팅된 노트북에는 오른쪽 상단에 "이 노트북 편집 또는 실행" 버튼이 있습니다. 이 버튼을 클릭하면 노트북 URL에 접속할 수 있습니다.

그런 다음 이 URL을 Pluto 시작 페이지의 "노트북 열기" 필드에 복사할 수 있습니다.

이렇게 하면 최신 버전의 강의와 숙제를 진행할 수 있습니다.

팁

Git에 익숙하다면 이 과정의 저장소를 복제할 수도 있습니다.

git pull정기적으로 강의 내용을 최신 상태로 유지하시기 바랍니다 .

플루토 노트에 글쓰기

Jupyter 노트북과 달리 Pluto 노트북의 모든 셀은 코드 셀입니다. 문자열은 접두사를 붙여 마크다운 형식으로 지정할 수 있습니다 md.

"This is a *string*"

"This is a string"

이것은 마크다운 문자열 입니다

md"This is a Markdown string"

마크다운 지원콘텐츠:

**md"**Markdown supports $\LaTeX$ content:

$\int_{0}^{1} \sin\left(\pi\xi\right)\, d\xi$

모든 셀의 표시 여부는 셀 왼쪽에 있는 눈 모양 기호를 클릭하여 변경할 수 있습니다.

패키지 로딩 중

이전에 Pkg를 통해 Julia REPL에 패키지를 추가하는 방법을 살펴보았습니다.

Pluto도 Pkg를 사용하지만, using명령문만 추가하면 패키지를 추가하고 로드할 수 있습니다. 체크 표시 위에 마우스를 올리면 설치된 패키지의 버전에 대한 추가 정보가 표시됩니다.

begin

using

PlutoUI

using

PlutoTeachingTools

end

팁

플루토 노트북은 완벽하게 재현 가능합니다. 이에 대해서는 마지막 강의에서 더 자세히 다루겠습니다.

Reactivity | 반응형

Pluto는 반응형입니다. 다른 셀이 의존하는 변수가 변경되면 모든 종속 셀이 다시 계산됩니다. 반응형은 노트북의 셀 순서와 무관 합니다 .

PlutoUI 패키지를 사용하면 슬라이더와 같은 기능을 사용하여 코드와 상호 작용할 수 있습니다.

x^2

1.0

1.41421

1.73205

sqrt.(1:x)

다음을 사용하여 값을 문자열에 보간할 수 있습니다 $(...).

x의 값은 3입니다.

md"The value of x is $(x)."

메모

반응성은 플루토 노트북의 특징이지 줄리아 자체의 특징은 아닙니다.

아직 슬라이더 사용하는 방법을 모르기 때문에 x를 3으로 설정해주었습니다.

반응성의 경고

각 셀에는 명령문을 하나만 포함할 수 있습니다. 여러 표현식이 서로 종속되는 경우, 별도의 셀에 작성하거나 begin ... end명령문으로 묶을 수 있습니다.

1.4142135623730951

begin
    foo = 2
    bar = sqrt(foo)
end

다음 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 1강 - 유형, 제어 흐름, 함수 및 다중 디스패치 | 줄리아 강의

Julia 프로그래밍 1강 - 유형, 제어 흐름, 함수 및 다중 디스패치 | 줄리아 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 강의소개 - 언어 및 강의 소개 Julia 프로그래밍 - 언어 및 강의 소개Julia 프로그래밍 언어줄리아(Julia)는 고성능의 수치 해석 및 계산과학의

inner-game.tistory.com

Julia 프로그래밍 강의 소개 - 언어 및 강의 소개 | 줄리아 강의

InnerGame — Mon, 9 Feb 2026 00:30:11 +0900

Julia 프로그래밍 언어

줄리아(Julia)는 고성능의 수치 해석 및 계산과학의 필요 사항을 만족시키면서 일반 목적 프로그래밍에도 효과적으로 사용될 수 있도록 설계된 고급 동적 프로그래밍 언어입니다. - 출처: 위키백과

조금 더 자세한 한국어 정보는 나무위키(https://namu.wiki/w/Julia)에서 볼수있고,

자세한 영문 정보는 (https://en.wikipedia.org/wiki/Julia_(programming_language)) 여기에서 볼 수 있습니다.

Julia 프로그래밍 언어

2025년 현재 TIOBE에서 줄리아의 순위는 30위 이며, 2022년 보다는 순위가 낮아졌습니다.

2025년 현재 파이썬이 독보적인 1위이다.

간단하게는 MIT에서 만든 언어이며, 현재 아래의 대학들에서 가르치고 있다고 합니다.

대학명	과목명 혹은 분야	비고
AGH University of Science and Technology (폴란드)	Medical Signal Processing	공학 분야
Arizona State University (미국)	Numerical Analysis	수치해석
Azad University (이란)	Modeling and Evaluation	공학
Brown University (미국)	Computational Molecular Biology	생명정보학
Czech Technical University (체코)	Engineering Mathematics	공학
EPFL (스위스)	Decision-Aid Methodologies in Transportation	교통 및 산업공학
City University of New York (미국)	Calculus Computer Laboratory	수학 교육

Julia 교재

Julia를 배우기 위해서 많은 교재들이 있지만, 이 중에 독일에 있는 TU Berlin(베를린 공대)의 튜토리얼을 추천합니다.

https://juml-tub.github.io/julia-ml-course/

4주만에 줄리아 프로그래밍을 배울 수 있도록 설계되어 있습니다.

저의 경우에는 주말동안 1주차씩 공부 해서, 한달 걸렸습니다.

주	강의	콘텐츠
1	0	일반 정보, 설치 및 도움말 받기
	1	기본 1: 유형, 제어 흐름 및 다중 디스패치
2	2	기본 2: 배열, 선형대수
	3	플로팅 및 데이터 프레임
3	4	기본 3: 데이터 구조 및 사용자 정의 유형
	5	고전적인 머신 러닝
4	6	자동 미분
	7	딥러닝
5	프로젝트	워크플로: 스크립트, 실험 및 패키지
	프로젝트	프로파일링 및 디버깅

처음 3주는 Julia 프로그래밍 언어의 기본을 가르치는 데 중점을 둡니다. 이 기간 동안 긴 강의가 이어지고, 이어서 플로팅, 데이터 프레임, 고전적인 머신러닝 알고리즘을 포함한 Julia 생태계에 대한 짧은 "가이드 투어"가 진행됩니다.

4주차는 딥 러닝에 관한 내용입니다. 자동 미분(AD)에 대한 포괄적인 강의를 통해 Julia의 다양한 AD 패키지 간의 차이점을 살펴본 후, Flux의 딥 러닝 생태계에 대한 간략한 개요를 제공합니다.

마지막으로, 5주차에는 Julia 프로젝트를 직접 시작하고, Julia 패키지의 구조와 재현 가능한 머신 러닝 연구를 위한 다양한 워크플로를 살펴보는 시간을 갖습니다. 이어서 Julia의 디버깅 및 프로파일링 유틸리티를 시연합니다.

패키지	강의	설명	파이썬 동등물
LinearAlgebra.jl	2	선형대수학(표준 라이브러리)	numpy
Plots.jl	3	플로팅 및 시각화	matplotlib
DataFrames.jl	3	표 형식 데이터 작업 및 처리	pandas
MLJ.jl	5	고전적인 머신 러닝 방법	scikit-learn
ChainRules.jl	6	자동 미분을 위한 정방향 및 역방향 규칙
Zygote.jl	6	역모드 자동 미분	JAX, PyTorch
Enzyme.jl	6	정방향 및 역방향 모드 자동 미분	JAX
ForwardDiff.jl	6	순방향 모드 자동 미분
FiniteDiff.jl	6	유한차분
FiniteDifferences.jl	6	유한차분
Flux.jl	7	딥러닝 추상화	PyTorch, Keras
MLDatasets.jl	7	데이터셋 로더
PkgTemplates.jl	프로젝트	패키지 템플릿
DrWatson.jl	프로젝트	과학 프로젝트를 위한 워크플로
Debugger.jl	프로젝트	디버거
Infiltrator.jl	프로젝트	디버거
ProfileView.jl	프로젝트	프로파일러
Cthulhu.jl	프로젝트	유형 추론 디버거

강의 내용 정리

0강

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - Julia 설치

Julia 프로그래밍 - Julia 설치

inner-game.tistory.com

1강

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 유형, 제어 흐름, 함수 및 다중 디스패치

Julia 프로그래밍 - 유형, 제어 흐름, 함수 및 다중 디스패치

inner-game.tistory.com

2강

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 배열 및 선형 대수

Julia 프로그래밍 - 배열 및 선형 대수

inner-game.tistory.com

3강

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 플롯과 데이터 프레임

Julia 프로그래밍 - 플롯과 데이터 프레임

inner-game.tistory.com

4강

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 사전, 세트 및 사용자 정의 유형

Julia 프로그래밍 - 사전, 세트 및 사용자 정의 유형

inner-game.tistory.com

5강

[AI 인공지능 머신러닝 딥러닝/머신러닝] - Julia 프로그래밍 - 머신 러닝을 위한 Julia

Julia 프로그래밍 - 머신 러닝을 위한 Julia

inner-game.tistory.com

6강

[AI 인공지능 머신러닝 딥러닝/Julia] - 줄리아 프로그래밍 - 자동 미분 Automatic differentiation | Forward- & Reverse-Mode AD

줄리아 프로그래밍 - 자동 미분 Automatic differentiation | Forward- & Reverse-Mode AD

첫 강의: [AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 언어 및 강의 소개 Julia 프로그래밍 - 언어 및 강의 소개Julia 프로그래밍 언어줄리아(Julia)는 고성능의 수치 해석 및 계산과학의 필

inner-game.tistory.com

7강

[AI 인공지능 머신러닝 딥러닝/Julia] - 줄리아 프로그래밍 - 딥러닝, Deep Learning

줄리아 프로그래밍 - 딥러닝, Deep Learning

inner-game.tistory.com

자주 묻는 질문

왜 줄리아를 배워야 하나요?
Julia는 공식 웹사이트의 내용을 다음과 같이 요약했습니다 .

- 빠름: 고성능 컴퓨팅을 위해 설계되었으며 LLVM으로 컴파일됩니다.
- 동적: 동적으로 입력되는 대화형 REPL
- 재현 가능: 뛰어난 패키지 관리자, 재현 가능한 환경 및 사전 빌드된 바이너리
- 구성 가능: 여러 디스패치를 사용합니다.
- 일반: 비동기 I/O, 메타프로그래밍 등을 허용합니다.
- 오픈 소스: 개방형 개발, 관대한 MIT 라이선스 사용

만약 이러한 특징들이 당신에게 매력적으로 들린다면, 줄리아를 배워보세요!

노트북을 어떻게 실행할 수 있나요?
실행 노트북은 설치 노트북 의 "개강 및 숙제" 섹션에 설명되어 있습니다 .

또는 "이 노트북 편집 또는 실행"을 클릭하여 Binder에서 노트북을 열 수 있습니다 . 하지만 Binder는 로딩 시간이 매우 오래 걸릴 수 있습니다. Pluto 노트북은 "Binder에서 실행" 버튼 위에 예상 로딩 시간을 표시합니다 .

Git에 익숙하시다면 이 강의의 GitHub 저장소를 복제하실 수도 있습니다 . 그런 다음 Pluto에서 강의 및 과제의 로컬 복사본을 열 수 있습니다. 강의 복사본을 최신 상태로 유지하려면 정기적으로 가져오기를 수행하세요.

⁽⁺⁾일부 슬라이드 제목에 있는 기호는 무엇을 의미합니까?

이 기호는 건너뛸 수 있는 선택 사항(대개 더 고급) 콘텐츠를 나타냅니다.

다음 강의

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 0강 - Julia 설치 | 줄리아 강의

Julia 프로그래밍 - Julia 설치 | 줄리아

inner-game.tistory.com

Julia 프로그래밍 무료 강의 추천 - Datacamp

데이터캠프 datacamp.com 라는 사이트를 추천드립니다. Coursera나 edX 처럼 무료 교육으로 아주 유명한 사이트입니다. 사이트주소 : datacamp.com 간단히 구글계정으로 로그인 하시면 됩니다. 지원되는 언

inner-game.tistory.com

[AI 인공지능 머신러닝 딥러닝/Julia] - Julia 프로그래밍 - 유형, 제어 흐름, 함수 및 다중 디스패치

Julia 프로그래밍 - 유형, 제어 흐름, 함수 및 다중 디스패치

목차 - 머신 러닝을 위한 Julia 줄리아 소개안녕하세요 세상변수기본 연산자산술 연산자숫자 비교부울 연산자비트 연산자 ⁽⁺⁾운영자 업데이트유형 시스템유형기타 일반적인 숫자 유형--무리

inner-game.tistory.com

AWS 자격증 50% 할인 바우처 받는 방법(어소시에이트/Associate)

InnerGame — Sun, 8 Feb 2026 23:20:55 +0900

AWS Associate 레벨 할인 쿠폰/바우처 가 돌아왔습니다.

매년 한번은 진행되는 행사인것 같네요. AWS 자격증은 금액이 상당한 편이기 떄문에 50% 바우처를 통해서 응시하시면 비용절약에 많은 도움이 됩니다.

아래의 링크를 통해서 간단하게 챌린지에 등록만 하시면 되고, 챌린지를 접수하면 무료로 바우처를 받을 수 있습니다. 시험은 선택에 따라 접수해도 되고 안해도 되고 별 상관없으니 꼭 바우처를 등록해두시기 바랍니다.

참고로 AWS 시험은 어소시에이트/프로페셔널 의 2단계로 구성이 되어 있습니다. 따라서 자격증을 처음 응시하는 경우, 어소시에이트를 준비하시면 되시기 때문에 아직 확실한 자격증 취득 계획이 없다고 하더라도 자격증 할인 쿠폰(바우처)를 신청해 두는 것을 추천드립니다.

비전공자이신 경우에는 프랙티셔너라는 가장 입문단계의 맛보기 자격증으로 시작하실 것을 추천드립니다. 그래도 다음 단계는 어소시에이트 이기 때문에 어소시에이트 바우처는 꼭 오늘 신청해 두세요! :)

https://inner-game.tistory.com/680

비전공자도 취득가능한 AWS 자격증 집에서 응시하고 합격한 후기 & 합격자 혜택(AWS Certified Cloud Pra

AWS 클라우드 프랙티셔너 자격증 취득 동기 AWS 클라우드 프랙티셔너 자격증은 AWS 자격증 중에 가장 쉬운 자격증으로 비전공자도 취득할 수 있으며, 관련 경험이 필요 없습니다. 오직 AWS 클라우드

inner-game.tistory.com

이번 바우처를 이메일로 수령하시면 시험 가능일자는 다음의 기간에 따릅니다.

Offer is valid from 12:01 a.m. Pacific Standard Time (“PST”) June 6, 2023 to 5:00 p.m. PST September 29, 2023.

[영문] AWS 어소시에이트 챌린지 화면

[한글] AWS 어소시에이트 챌린지 화면

[영문] AWS 어소시에이트 자격증 종류 - 모두 쿠폰 사용 가능

[한글] AWS 어소시에이트 자격증 종류 - 모두 쿠폰 사용 가능

챌린지 등록은 몇가지의 정보만 입력하시면 간단하게 완료 됩니다.

챌린지 등록 완료 화면에서는 자격증을 취득하기 위해 참고하면 좋을 자료들을 소개합니다.

[영문] 자격증 등록 완료 화면

[한글] 자격증 등록 완료 화면

챌린지 등록이 완료되면 다음의 이메일을 받을 수 있습니다.(바우처 포함)

AWS 자격증 챌린지 완료 이메일

AWS 자격증 챌린지 (50% 할인 쿠폰 받기) 등록하러 가기

AWS 자격증 할인 바우처 수령을 위한 AWS 어소시에이트 자격증 챌린지 등록 바로가기

비전공자도 취득가능한 AWS자격증 - AWS 공식 무료 강의 6시간 듣고 AWS Certified Cloud Practitioner 자격

AWS 공식 무료 강의 소개 ( AWS 자격증 취득 후기는 맨 아래에 첨부 )이 포스팅은 AWS에서 제공하는 6시간 짜리 무료 강의에 대한 소개 및 관련 팁에 대한 설명입니다. AWS 자격증을 온라인으로 취득

inner-game.tistory.com

[Cloud Computing/AWS Certification] - 비전공자도 취득가능한 AWS 자격증 집에서 응시하고 합격한 후기 & 합격자 혜택(AWS Certified Cloud Practitioner/프랙티셔너) [CLF-C01]

비전공자도 취득가능한 AWS 자격증 집에서 응시하고 합격한 후기 & 합격자 혜택(AWS Certified Cloud Pra

AWS 클라우드 프랙티셔너 자격증 취득 동기AWS 클라우드 프랙티셔너 자격증은 AWS 자격증 중에 가장 쉬운 자격증으로 비전공자도 취득할 수 있으며, 관련 경험이 필요 없습니다. 오직 AWS 클라우드

inner-game.tistory.com

[Cloud Computing/AWS Certification] - 비전공자도 가능한 AWS 자격증 취득하기

비전공자도 가능한 AWS 자격증 취득하기

AWS 자격증은 전문가만 취득할 수 있나요? AWS 자격증은 비전공자도 취득할 수 있습니다. 각 AWS 자격증별로 실무기간에 대한 권고사항을 안내하기는 하지만, 실무기간에 대한 인증 없이 시험에 응

inner-game.tistory.com

[AI 인공지능 머신러닝 딥러닝] - AI 공부를 위한 수학 기초 학습 가이드 – 수학을 하나도 모르는 사람도 시작할 수 있는 방법 | 무료/유료 강의까지 단계별 완벽 가이드

AI 공부를 위한 수학 기초 학습 가이드 – 수학을 하나도 모르는 사람도 시작할 수 있는 방법 | 무

AI(인공지능)는 현대 기술의 핵심 중 하나입니다. 그러나 AI를 제대로 이해하고 활용하기 위해서는 수학적 기초가 필수적입니다. 수학을 하나도 모르는 상태에서 AI를 공부하고자 한다면, 어디서

inner-game.tistory.com

비전공자도 취득가능한 AWS 자격증 챌린지 - 50% 할인 바우처 제공(AWS Practitioner/Practitioner)

InnerGame — Sun, 8 Feb 2026 23:20:48 +0900

AWS 자격증 50% 할인쿠폰을 제공하는 프랙티셔너 자격증 챌린지가 현재 진행중입니다.

AWAWS Cloud Practitioner Challenge 자격증

AWS 클라우드 프랙티셔너 자격증은 6개월 이상 실무경험자를 대상으로 하지만, 실무 경험이 없어도 누구나 취득할 수 있습니다. 이번 챌린지는 2023년 1월 8일까지이지만, 이 챌린지는 자주 진행하기 때문에 혹시 이 글을 읽으시는 당시 챌린지가 종료되었다고 하더라도 다음에도 기회를 노려보시면 좋을것 같습니다. 또한, 50%할인 쿠폰을 제외한 나머지 혜택은 모두 계속 제공되기 때문에, 챌린지에 개의치 마시고 마음먹었을때 꼭 응시해보시기를 권해드립니다.

비전공자/비경험자/비경력자 분들께 드리는 당부

비전공자나 비경력자라고 하더라도 AWS에서 상시 제공되는 6시간의 코스 수료 후, 시험을 응시하시는데 크게 무리가 없으시라 생각됩니다. 물론 한번 듣는것으로 끝나는 것이 아니라 코스에 포함된 내용을 반복 시청하여 내용을 숙지하셔야 하겠습니다.

더 높은 레벨의 자격증을 고민하고 계신 분들께 드리는 조언

AWS에서 자격증을 취득하고 나면 모든 자격증에 대한 50% 바우처가 제공되기 때문에 가장 저렴하면서 취득하기 수월한 프랙티셔너를 통해 기본기를 다지시고, 비용과 불합격률이 더 높은 어려운 자격증에 도전하시는것도 좋은 방법이라고 생각합니다.

[여기서 잠깐] 챌린지를 통해 50% 바우처를 받고, AWS의 무료 강의를 통해 집에서 온라인으로 자격증을 취득한 후기는 이 글의 하단에 링크 하였습니다.

다음은 AWS 클라우드 프랙티셔너 자격증 챌린지에 대해 AWS에서 제공하는 공식 설명입니다.

2022년 AWS Certified Cloud Practitioner 취득 목표를 설정하는 챌린지에 참여하도록 초대받았습니다. 권장되는 준비 과정을 따르면 AWS 자격증을 취득하는 데 도움이 됩니다. Twitch에서 준비하는 데 도움이 되도록 설계된 라이브 및 온디맨드 세션을 포함하여 AWS에서 무료 교육을 시작하십시오.등록하면 PSI로 시험을 예약할 때 AWS Certified Cloud Practitioner 시험을 50% 할인받을 수 있습니다.* 이 챌린지는 2022년 9월 30일에 종료되므로 오늘 등록하여 종료되기 전에 AWS 인증을 받으십시오.

챌린지에는 어떤 AWS 자격증이 포함되어 있습니까?

이 챌린지는 AWS Certified Cloud Practitioner 를 취득하려는 참가자를 위해 설계되었습니다 .

AWS 자격증을 취득해야 하는 이유는 무엇입니까?

숙련되면 압니다. 인증하면 모두가 알 수 있습니다.

새로운 기술을 습득하고 잠재력을 입증하며 클라우드에서 경력 계획을 시작할 수 있습니다. AWS 공인 클라우드 실무자를 획득하면 AWS 클라우드에 대한 전반적인 이해가 있음을 보여줍니다. 또한 더 빠르게 혁신하는 데 필요한 클라우드 기술을 통해 신뢰와 자신감을 구축할 수 있습니다. 실제로 AWS 공인 직원을 보유한 조직의 91%가 해당 직원이 AWS 서비스를 통해 혁신을 증가시킨다고 말합니다.*

*ESG Research Insights Paper Commissioned by AWS, Understanding the Value of AWS Certifications to Organizations, 2020.

왜 챌린지에 참여해야 합니까?

Get AWS Certified: Cloud Practitioner Challenge에 참여하면 시험 응시료를 50% 할인받을 수 있으며 Twitch의 실시간 대화형 교육을 포함한 무료 교육과 AWS의 권장 학습 과정을 이용할 수 있습니다. AWS 인증을 받고자 하는 다른 사람을 알고 있습니까? 친구와 함께 챌린지를 공유하고 함께 챌린지에 참여하세요.

*이용 약관에 동의

아래의 링크를 클릭하여 AWS 프랙티셔너 자격증 챌린지에 등록합니다.

새해, 새로운 목표:AWS 자격증 취득

https://pages.awscloud.com/NAMER-field-LN-Cloud-Practitioner-Certification-Challenge-Jan-2023-reg-event.html?Languages=Korean

AWS Support 및 고객 서비스 문의 정보 | Amazon Web Services

aws.amazon.com

챌린지 등록이 완료되면 다음의 화면을 보실 수 있습니다.

AWS 클라우드 프랙티셔너 챌린지 등록 완료

간단한 등록을 마치고 나면 다음의 이메일을 받게 됩니다.

AWS Certification 여정을 시작하기로 결정하셨다니 기쁩니다! 등록하면 리소스 허브에서 무료 교육 및 시험 준비 권장 사항에 액세스할 수 있으며 AWS Certification을 추적하는 데 도움이 되는 격주 이메일 팁을 받을 수 있습니다.

영업일 기준 14일 이내에 이메일을 통해 50% 할인 시험 바우처를 자동으로 받게 됩니다. 챌린지는 2022년 9월 30일에 종료되므로 계속 진행해 보겠습니다.

AWS Skill Builder 로그인을 설정합니다. AWS 파트너 조직에 속한 경우 업무용 이메일을 사용하여 전체 파트너 과정 카탈로그에 액세스하십시오. AWS Skill Builder에 액세스 | 파트너 로그인 .

리소스 허브를 책갈피에 추가합니다. 시험 가이드, 교육 링크 및 권장 기술 문서와 같은 리소스에 액세스할 수 있습니다 . AWS Certified Cloud Practitioner용 리소스 허브.

리소스 허브에서 교육 옵션과 시험 준비 방법을 확인하십시오. 무료 디지털 교육 과정인 AWS Cloud Practitioner Essentials 를 수강하여 시작하십시오.

실시간 Twitch 교육 알림을 받으려면 등록하세요. 새로운 시리즈 AWS Power Hour: Cloud Practitioner 는 2022년 8월 12일부터 Twitch에서 생중계됩니다. 시리즈가 시작될 때 알림을 받으려면 여기에서 등록하십시오.

시험 일정을 예약하세요. 시험을 미리 예약하여 편리한 시간을 선택하고 달력의 날짜에 따라 동기를 유지하십시오. 이 챌린지와 관련된 50% 할인 제안을 적용하려면 PSI와 함께 시험을 예약해야 합니다.

격주로 팁을 받으려면 이메일 설정을 확인하세요. 챌린지 기간 동안 진행 상황과 동기 부여를 유지하는 데 도움이 되는 팁이 포함된 격주 이메일을 받게 됩니다. 필요한 경우 여기 에서 이메일 기본 설정을 검토하거나 변경하여 "교육 및 인증" 업데이트가 선택되었는지 확인할 수 있습니다.

AWS Skill Builder의 6시간 코스를 추천 드립니다.

AWS Skill Builder - AWS Cloud Practitioner Essentials 6시간 코스

과정 설명
이 과정은 특정 기술 역할과 관계없이 Amazon Web Services(AWS) 클라우드를 전반적으로 이해하려는 개인을 대상으로 합니다. AWS 클라우드에 대한 지식을 쌓을 수 있도록 AWS 클라우드 개념, AWS 서비스, 보안, 아키텍처, 요금 및 지원에 대해 배우게 됩니다. 또한 이 과정은 AWS 공인 클라우드 전문가 시험을 준비하는 데 도움이 됩니다.
     • 과정 수준: 기초
     • 소요 시간: 6시간

활동
이 과정에는 동영상 프레젠테이션, 데모, 리소스 링크 및 지식 확인 섹션이 포함되어 있습니다.

과정 목표
이 과정에서 학습할 내용은 다음과 같습니다.
     • AWS의 실제적인 정의 요약
     • 온프레미스, 하이브리드 클라우드 및 올인 클라우드의 차이 구분
     • AWS 클라우드의 기본 글로벌 인프라 설명
     • AWS 클라우드의 6가지 이점 설명
     • 컴퓨팅, 네트워크, 데이터베이스, 스토리지를 포함한 핵심 AWS 서비스의 예제 설명 및 제공
     • 다양한 사용 사례에 AWS 클라우드 서비스를 사용하여 적절한 솔루션 식별
     • AWS Well-Architected 프레임워크 설명
     • 공동 책임 모델 설명
     • AWS 클라우드 내의 핵심 보안 서비스 설명
     • AWS 클라우드 마이그레이션의 기본 사항 설명
     • 조직의 비용 관리에 도움이 되는 AWS 클라우드의 재무 관련 이점 설명
     • 핵심 결제, 계정 관리 및 요금 모델 정의
     • 요금 관련 도구를 사용해 AWS 서비스에서 비용 효율적인 선택을 내리는 방법 설명

수강 대상
이 과정의 대상은 다음과 같습니다.
     • 영업
     • 법무
     • 마케팅
     • 비즈니스 애널리스트
     • 프로젝트 관리자
     • AWS Academy 학생
     • 기타 IT 관련 전문가

수강 전 권장 사항
이 과정을 수강하려면 다음 조건을 갖추는 것이 좋습니다.
     • 일반적인 IT 비즈니스 지식
     • 일반적인 IT 기술 지식

과정 개요
모듈 1: Amazon Web Services 소개
   • AWS의 이점 요약
     • 온디맨드 제공 및 클라우드 배포의 차이점 설명
     • 종량 과금제 요금 모델 요약

모듈 2: 클라우드 컴퓨팅
     • 기본적인 Amazon Elastic Compute Cloud(Amazon EC2)의 이점 설명
     • 다양한 Amazon EC2 인스턴스 유형 식별
     • 다양한 Amazon EC2 결제 옵션의 차이 구분
     • Amazon EC2 Auto Scaling의 이점 설명
     • Elastic Load Balancing의 이점 요약
     • Elastic Load Balancing 사용 예제 제공
     • Amazon Simple Notification Service(Amazon SNS) 및 Amazon Simple Queue Service(Amazon SQS)의 차이점 요약
     • 추가 AWS 컴퓨팅 옵션 요약

모듈 3: 글로벌 인프라 및 안정성
     • AWS 글로벌 인프라의 이점 요약
     • 가용 영역의 기본 개념 설명
     • Amazon CloudFront 및 엣지 로케이션의 이점 설명
     • AWS 서비스 프로비저닝을 위한 다양한 방법 비교

모듈 4: 네트워킹
     • 네트워킹의 기본 개념 설명
     • 퍼블릭 및 프라이빗 네트워킹 리소스의 차이점 설명
     • 실제 시나리오를 통해 가상 프라이빗 게이트웨이 설명
     • 실제 시나리오를 통해 가상 프라이빗 네트워크(VPN) 설명
     • AWS Direct Connect의 이점 설명
     • 하이브리드 배포의 이점 설명
     • IT 전략에 사용되는 보안 계층 설명
     • AWS 글로벌 네트워크와 상호 작용하는 데 사용되는 서비스 설명

모듈 5: 스토리지 및 데이터베이스
     • 스토리지 및 데이터베이스의 기본 개념 요약
     • Amazon Elastic Block Store(Amazon EBS)의 이점 설명
     • Amazon Simple Storage Service(Amazon S3)의 이점 설명
     • Amazon Elastic File System(Amazon EFS)의 이점 설명
     • 다양한 스토리지 솔루션 요약
     • Amazon Relational Database Service(Amazon RDS)의 이점 설명
     • Amazon DynamoDB의 이점 설명
     • 다양한 데이터베이스 서비스 요약

모듈 6: 보안
     • 공동 책임 모델의 이점 설명
     • Multi-Factor Authentication(MFA) 설명
     • AWS Identity and Access Management(IAM) 보안 수준 간의 차이 구분
     • 기본적인 보안 정책 설명
     • AWS Organizations의 이점 설명
     • AWS 사용 시 규정 준수 이점 요약
     • 기본적인 AWS 보안 서비스 설명

모듈 7: 모니터링 및 분석
     • AWS 환경 모니터링에 대한 접근 방식 요약
     • Amazon CloudWatch의 이점 설명
     • AWS CloudTrail의 이점 설명
     • AWS Trusted Advisor의 이점 설명
모듈 8: 요금 및 지원
     • AWS 요금 및 지원 모델 이해
     • AWS 프리 티어 설명
     • AWS Organizations 및 통합 결제의 주요 이점 설명
     • AWS 예산의 이점 설명
     • AWS Cost Explorer의 이점 설명
     • AWS 요금 계산기의 주요 이점 설명
     • 다양한 AWS Support 플랜 구분
     • AWS Marketplace의 이점 설명

모듈 9: 마이그레이션 및 혁신
     • AWS 클라우드의 마이그레이션 및 혁신 이해
     • AWS Cloud Adoption Framework(AWS CAF) 요약
     • 클라우드 마이그레이션 전략의 6가지 핵심 요소 요약
     • 다양한 AWS 데이터 마이그레이션 솔루션(예: AWS Snowcone, AWS Snowball, AWS Snowmobile)의 이점 설명
     • AWS가 제공하는 광범위한 혁신 솔루션 요약

모듈 10: 클라우드 여정
• AWS Well-Architected 프레임워크의 5가지 핵심 요소 요약
   • 클라우드 컴퓨팅의 6가지 이점 설명

모듈 11: AWS 공인 클라우드 전문가 기본 사항
     • AWS 공인 클라우드 전문가 시험 준비를 위해 필요한 리소스 파악
     • AWS 인증 취득 시 이점 설명

과정 최종 평가
    • AWS 클라우드 전문가 자격증 시험에 있는 문항과 유사한 문제 풀기

AWS Skill Builder - AWS Cloud Practitioner Essentials 6시간 온라인 무료 교육 수강 후기

https://inner-game.tistory.com/679

비전공자도 취득가능한 AWS자격증 - AWS Skill Builder의 6시간 코스로 AWS Certified Cloud Practitioner 자격증

AWS Certified Cloud Practitioner 자격증 취득하기 이 자격증은 아마존웹서비스 자격증 중 가장 취득하기 쉬운 것으로, AWS에서 제공하는 교육과정을 수료하면 비전공자도 충분히 취득 가능한 자격증입

inner-game.tistory.com

AWS가 트위치를 통해 제공하는 교육방송도 꽤 유익할것 같으니, 프랙티스 챌린지 등록후 오는 이메일의 링크를 통해 꼭 등록하시기 바랍니다.

여기의 링크를 통해서도 등록할 수 있습니다. 등록하십시오

AWS 교육 및 자격증 트위치 채널

AWS 자격증 집에서 온라인으로 취득한 후기 및 준비 방법

비전공자도 취득가능한 AWS 자격증 집에서 응시하고 합격한 후기 & 합격자 혜택(AWS Certified Cloud Pra

inner-game.tistory.com

Codility 코딜리티 코딩 테스트(코테) 사이트 - 가입 및 사용법

InnerGame — Sun, 8 Feb 2026 23:20:42 +0900

코딜리티를 처음 알게된건 2019년 2월 모회사의 온라인 과제 인터뷰를 진행하면서 였습니다. 그 회사가 채택한 코딩 온라인 과제 플랫폼이 코딜리티 였고, 코딜리티에 나오는 문제(데모 테스트)들을 모두 풀어보았습니다.

코딜리티 후기

코딜리티는 제가 그동안 풀었던 다른 알고리즘 사이트나 코딩인터뷰 사이트와 많이 다르다는 느낌을 받았습니다. 제가 생각하는 코딜리티의 특징은 프로그래밍의 기본에 충실하다는 것이고, 사실은 논리적사고 수준은 크게 염두해두지 않는것 같다는 생각이 들었습니다. 오히려 조금 더 실무적인 느낌이라는 생각이 들 정도였습니다.

특히 코딜리티의 프로그래밍 테스트에는 '꼼꼼함'이 필요하다는 생각이 들었습니다. 주어지지 않은 엣지케이스 까지 포함하여 테스트케이스를 100% 통과해야합니다.

코딜리티 문제를 직접 풀어보면 아마 감이 오실거라고 생각합니다. 아래에 코딜리티 공식 사이트와 강의노트와 정답이 있는 깃허브를 링크해 두었으니 한번 확인해보세요.

코딜리티 수준

제가 위에 써놓은것 처럼 코딜리티는 기타 알고리즘이나 인터뷰 사이트와 비교할때 그렇게 어렵지 않은 수준입니다. 하지만 robust한 코드를 작성하는 방법을 정확하게 숙지하는것이 중요하다고 생각되는 테스트 들이었습니다.

아래는 다른사람이 생각하는 코딜리티 문제의 수준인데, 제 생각도 이것과 비슷합니다.

www.quora.com/How-hard-is-Amazons-online-codility-challenge-for-junior-software-engineer-position-Any-tips

How hard is Amazon's online codility challenge for junior software engineer position? Any tips?

Answer: It’s challenging but not impossible. If you’re a reasonably proficient programmers during college — this means you actually did most of the programming project work (as opposed to rely on your teammates), and you have done well in algorithm,

www.quora.com

코딜리티 가입 방법

1. 코딜리티의 연습문제 즉 데모 테스트를 풀어보기 위해서는 코딜리티의 공식 사이트로 접근하면 안되고 아래의 사이트로 접속해야합니다.

app.codility.com/programmers/

Programming Online Training In Coding Skills | Codility - Codility

Find longest sequence of zeros in binary representation of an integer.

app.codility.com

2. 오른쪽 위의 [Sing up] 버튼을 눌러 코딜리티 회원가입을 신청합니다.

3. 필요한 정보를 입력하고 아래의 [Create account] 버튼을 클릭하고, 본인이 가입한 이메일로 들어가서 인증을 완료하면 간단하게 코딜리티 가입절차가 완료됩니다.

코딜리티 문제 푸는 방법

1. 아래의 사이트 링크를 클릭하거나, 코딜리티 사이트에서 로그인 후 오른쪽 위의 [Lessons]를 클릭하면 레슨사이트로 접속합니다. 코딜리티의 연습문제, 레슨은 총 17강으로 이루어져 있습니다. 코딜리티의 문제를 하나씩 풀어보면서 코딜리티의 코딩 문제 스타일에 대한 감을 잡을 수 있습니다.

아래의 사진에서 처럼 각 챕터의 주제(ex:Lesson1 Iterations) 바로 밑에 오렌지색 링크로 제공되는 Open reading material(PDF)를 꼭 다운 받아 모두 읽어보세요. 코딜리티에서 어떤 것을 중요하게 생각하는지 파악할 수 있습니다.

https://app.codility.com/programmers/lessons/

1. Iterations lesson - Learn to Code - Codility

Find longest sequence of zeros in binary representation of an integer.

app.codility.com

2. 본격적으로 문제 풀이 시작입니다. 문제를 잘 읽어보시고 오른쪽 패널에 코드를 작성하세요. 아래의 테스트 아웃풋을 잘 활용하여 코드를 점검하시면 됩니다.

코딜리티 기출문제로 실전 연습 하는 방법

1. 코딜리티에 로그인 후 오른쪽 위의 [Excerises]를 클릭하거나, 아래의 링크로 접속하면 기출문제 셋트를 직접 체험해 볼 수 있습니다. 코딜리티로 사전 코딩테스트를 진행하는 회사들은 보통 아래와 같이 2~3문제의 셋을 인터뷰 후보에게 요구 합니다.

https://app.codility.com/programmers/trainings/

코딜리티 문제 풀이 - 자바 솔루션의 저장소

github.com/HaileyGu/codility-java-solutions

HaileyGu/codility-java-solutions

Codility lessons solved in Java. Contribute to HaileyGu/codility-java-solutions development by creating an account on GitHub.

github.com

하지만 역시 코딩인터뷰 준비는 리트코드가 정석이라고 생각합니다. 아래의 글도 확인해보세요.

[왕초보] 리트코드 시작하는 방법 (릿코드/leetcode 활용법, 공부 방법)

[왕초보] 리트코드 시작하는 방법 (릿코드/leetcode 활용법, 공부 방법)

리트코드/릿코드/leetcode를 시작하는 방법은 다음과 같습니다. 1. 회원가입leetcode.com/ 위의 리트코드(leetcode) 사이트에서 회원가입을 합니다. 기본적으로 사이트 이용은 무료입니다. 추가적으로,

inner-game.tistory.com

[왕초보] 리트코드 시작하는 방법 (릿코드/leetcode 활용법, 공부 방법)

inner-game.tistory.com

[미국온라인석사] - [OMSCS/OMSA] 한국에서 미국 조지아텍 대학원 컴퓨터공학 온라인 석사(2025/2026/2027) - 컴퓨터공학, 데이터 분석

[OMSCS/OMSA] 한국에서 미국 조지아텍 대학원 컴퓨터공학 온라인 석사(2025/2026/2027) - 컴퓨터공학, 데

미국 조지아텍 OMSCS는 최고 수준의 학위를 원하면서도 직장과 가정생활에 맞춰 학업을 이어갈 수 있는 유연성을 원하는 학생들을 위한 프로그램입니다. 캠퍼스 내 학위 프로그램의 높은 비용 부

inner-game.tistory.com

비전공자도 취득가능한 AWS 자격증 집에서 응시하고 합격한 후기 & 합격자 혜택(AWS Certified Cloud Practitioner/프랙티셔너) [CLF-C01]

InnerGame — Sun, 8 Feb 2026 23:20:22 +0900

AWS 클라우드 프랙티셔너 자격증 취득 동기

AWS 클라우드 프랙티셔너 자격증은 AWS 자격증 중에 가장 쉬운 자격증으로 비전공자도 취득할 수 있으며, 관련 경험이 필요 없습니다. 오직 AWS 클라우드의 기본적인 이해 수준에 대한 지식 기반 자격증입니다.

아래의 관련 설명을 읽어보시면 알 수 있듯이, 자격증 레벨은 크게 파운데이셔널 -> 어소시에이트 -> 프로페셔널로 구성되며, 추가적으로 각 특화 영영역에 해당하는 스페셜티 자격증이 있습니다.

AWS 클라우드 자격증 종류

AWS 공식 자격증 사이트 - 자격증 종류 설명

AWS 공식 자격증 사이트 - 자격증 종류 목록

따라서 저는 주위의 비 전공자 분들에게 저는 이 자격증을 굉장히 많이 권하는 편입니다. AWS 클라우드 프랙티셔너 자격증 응시 비용은 미화 100달러이며, 프랙티셔너 자격증 50% 쿠폰과 무료 시험 준비자료들을 제공해 주는 'AWS 챌린지'라는 이벤트를 AWS에서 자주 개최하기 때문에 이 행사를 이용하면 저렴하게 AWS 프랙티셔너 자격증 취득이 가능합니다.

제가 이 자격증을 응시하게 된 계기는 이 챌린지를 통해서 저렴하게 AWS 프랙티셔너 자격증을 응시하고, AWS 자격증 취득 시 주어지는 또 다른 50% 자격증 쿠폰을 받기 위해서였습니다. 이 50% 바우처는 모든 자격증에 적용 가능합니다. 프랙티셔너 챌린지를 통해 50%쿠폰을 받아 시험에 응시하면 한화로 6만 원가량 지불하시면 접수 가능합니다. AWS 프랙티셔너 자격증 챌린지는 자주 진행되는 편이므로, 틈틈이 확인해서 좋은 기회를 잘 이용하셨으면 합니다.

비전공자도 취득가능한 AWS 자격증 챌린지 - 50% 할인 바우처 제공(AWS Practitioner/Practitioner)

AWS 자격증 50% 할인쿠폰을 제공하는 프랙티셔너 자격증 챌린지가 현재 진행중입니다. AWS 클라우드 프랙티셔너 자격증은 6개월 이상 실무경험자를 대상으로 하지만, 실무 경험이 없어도 누구나

inner-game.tistory.com

AWS 클라우드 프랙티셔너 자격증 합격 혜택

AWS 자격증 합격 혜택을 살펴보겠습니다. 합격을 하고 나면 여러 이메일이 오지만, 우선 자격증 홈페이지에 들어가면 합격 시 주어지는 혜택 리스트를 볼 수 있습니다.

AWS 자격증 취득시 주어지는 혜택 - 하이라이트: 모든 시험 중 1개 50% 할인 쿠폰

자격증 & 수료증 관리 사이트 Credly 자동 연계

Credly 라는 사이트 들어보셨나요? 이 사이트는 글로벌 기업(링크드인, IBM 등)에서 많이들 사용하고 있는 서비스로 본인이 수료한 코스, 합격한 자격증 등의 배지를 모을 수 있으며, 공개 프로필을 사용하는 경우에는 이 배지들을 모아서 한 장에 보여줄 수 있는 사이트입니다.

AWS Certification 디지털 배지: https://aws.amazon.com/ko/certification/certification-digital-badges/
Credly 사이트: https://www.credly.com/

아마존 웹서비스에서도 이 서비스를 사용하고 있으므로, 자격증에 합격하는 경우 자동으로 연계 이메일을 받게 됩니다.

your badge from Amazon Web Services Training and Certification is waiting

Credly의 프로필에 새로 합격한 자격증의 배지가 등록됨.

AWS 공인 커뮤니티에 참여

AWS 공인 글로벌 커뮤니티는 독점적인 온라인 커뮤니티에서 AWS 공인 실무자와 빌더를 한데 모읍니다. 활성 AWS 인증이 있는 경우 토론 포럼 및 학습 기회를 위해 다른 숙련된 클라우드 애호가와 함께하도록 초대됩니다. 또한 동료들과 네트워크를 형성하고, AWS 전문가와 연결하고, AWS 팀의 챌린지에 참여하여 보상과 인정을 받을 수 있습니다.

커뮤니티는 대략 다음 화면에서 볼 수 있는 기능들을 가졌는데, 여기서 활동할수록 포인트가 쌓이는 방식이며 포인트가 쌓이면

AWS 공인 커뮤니티

AWS 공인 커뮤니티의 보상

Subject Matter Expert - SME(주제 전문가) 신청

AWS자격증을 실제로 만드는데 기여할 수 있습니다. 영어나 한국어 등의 다양한 언어를 사용하는 지원자를 찾고 있습니다. 이전에 자격증 관련된 기여를 한 적이 있으면 가산점이 되는 것 같고, 교육자료를 만들었던 경험도 도움이 되는것 같습니다. AWS 프랙티셔너 수준의 자격증을 합격한 사람도 모집하며, 아래에 링크한 아마존에서 운영하는 '글쓰기 클래스'를 수료했는지가 더 중요한 것 같습니다.

당신은 시험에 합격했습니다. 시험을 만드는 데 도움을 줄 수 있습니까? AWS Certification은 시험 주제를 결정하고 문제를 개발하며 합격 점수를 결정하는 데 도움을 줄 SME를 찾고 있습니다.

SME 프로그램 알아보기: https://www.youtube.com/watch?v=02gnMsPNrhc

SME 신청을 위해 수강해야하는 클래스

글쓰기 클래스: https://explore.skillbuilder.aws/learn/course/external/view/elearning/1117/aws-certification-subject-matter-expert-sme-item-writing

AWS 프랙티셔너 자격증 시험 준비 과정

앞에서 언급된 AWS 프랙티셔너 자격증 챌린지를 무료로 등록하기만 하면, AWS에서 심혈을 기울여 만든 자료를 체계적으로 제공해 주기 때문에 특별히 다른 것을 준비할 것은 없습니다. 다만, 무료 덤프 사이트가 여러 군데 있는데 그중에서 가장 이용하기 간편하고 무료이며 깔끔한 사이트가 있어 시험 전에 몇 문제 풀어보았고, 적중률이 꽤 높은 것으로 확인되었습니다. AWS 프랙티셔너 자격증은 정말 쉬운 편이므로 덤프를 통해서 문제를 외운다기보다는, AWS에서 제공하는 6시간 무료 과정을 수강하시고, 덤프를 통해 출제 경향을 확인하는 정도로 준비하시면 합격하는데 큰 어려움은 없으실 것이라고 생각됩니다. 자세한 AWS 프랙티셔너 자격증 준비과정은 아래의 포스팅에 남겨 두었습니다.

AWS Skill Builder의 6시간 코스로 AWS Certified Cloud Practitioner 자격증 취득하기(예상문제 및 설명 포함)

비전공자도 취득가능한 AWS자격증 - AWS Skill Builder의 6시간 코스로 AWS Certified Cloud Practitioner 자격증

inner-game.tistory.com

AWS 프랙티셔너 자격증 웹캠을 통해 집에서 응시하고 합격한 후기

저는 이전에도 AWS 자격증을 응시한 적이 있고, 그 외에도 AWS에서 이용하고 있는 자격증 시험을 주관하는 기업에서 다른 시험들을 치렀던 경험이 있습니다. 이때는 온라인으로 시험을 치르는 옵션은 없었고, 무조건 센터를 방문해야 했습니다. 이러한 이유로 센터에 방문하여 자격증 시험을 응시하는 것이 이미 익숙하기 때문에 센터에 가서 오프라인으로 시험을 응시하기 위해서 예약 사이트를 자주 접속했지만, 제가 원하는 날짜가 나오지 않아서 어쩔 수 없이 재택으로 웹캠을 켜두고 온라인으로 시험을 응시하게 되었습니다.

온라인(집에서 본인 컴퓨터로 시험에 응시)과 오프라인 시험(센터 방문) 중에 어떤 것을 선택해야 하는가?

오늘의 경험을 기반으로 오프라인 시험을 선호했던 저의 생각은 완전히 바뀌었습니다. 온라인으로 집에서 시험 절차는 편안하고 간편했으며 시험에 집중하기도 더 좋았습니다. 그래서 저는 앞으로 치르게 되는 시험들도 온라인으로 응시할 생각입니다.

제가 지정한 시간은 오후 7시 30분이었고, 온라인 시험에서는 30분 전부터 시험에 접속해서 감독관과 함께 시험환경을 점검하고 컴퓨터를 세팅해야 합니다. 이 과정은 생각보다 시간이 조금 걸리기 때문에 너무 여유 부리지 마시고 공식 안내문에서 알려준 대로 30분 전에 바로 사이트에 접속하시는 것을 추천드립니다. 저는 여유를 부리며 5분이 지난 7시 5분에 접속했고, 모든 확인이 원활하게 흘러갔지만 시험시작 2분 전인 7시 28분에야 감독관과 환경 확인을 마치고 감독관에게 굿럭! 을 들을 수 있었으며, 시험은 정확하게 7시 30분에 시작되었습니다.

추가시간 30분을 무조건 요청합시다. 필요 없으면 사용하지 않으면 그만입니다.

AWS 프랙티셔너 자격증은 기본적으로 90분이 주어집니다. 저는 시험의 언어로 영어를 선택했으며, 영어가 네이티브가 아닌 사람들을 위해 주어지는 30분의 추가시간을 요청하였습니다. 이 추가시간은 한번 요청하면 앞으로의 시험에 자동으로 계속 적용되므로 무조건 신청하시는 것을 추천드립니다.

시험 언어로 어떤 언어를 선택해야 하는가? 한국어 vs 영어

제가 영어로 언어를 선택한 이유는 저는 영어로 일을 하기 때문에 기술 용어를 영어로 다루는 것이 더 편하기 때문입니다. 하지만 영어를 네이티브 스피커들만큼은 잘하지 못합니다. 다행히 시험을 시작하게 되면 시험에 대한 '안내사항'을 어떤 언어로 설정하기를 원하는지 물어보기 때문에 이때는 한국어를 선택할 수 있었습니다. 그래서 실제 시험에서는 시험 문제와 답안지만 영어로 이루어져 있고, 다른 모든 메뉴와 안내사항은 한글로 이루어져 있어서 편하게 시험을 볼 수 있었습니다.

가끔 한국에 거주하지만, 영어로 시험을 보는 분들이 계십니다. 이유를 물어보면, 기술용어가 한국어로 매끄럽게 번역되지 않아 오히려 영어로 시험을 보는 게 편하다고 하십니다만, 한국어로 시험을 선택한다고 하더라도 한국어로 시험을 이해하기 어려울 때는 영어와 한국어를 번갈아 가면서 볼 수 있기 때문에 오히려 이해하기가 더 쉽다고 생각됩니다. 제가 한국에서 일을 했다면, 저는 한국어를 선택했을 것 같습니다.

한국어로 시험을 보더라도 온라인으로 시험을 보려면 기본적인 영어는 알아야 합니다.

온라인으로 자택에서 시험에 응시하시려면 앞서 말한 것처럼 온라인 감독관이 채팅으로 환경을 확인하게 됩니다. 온라인 감독관이 채팅창을 통해 저에게 이런저런 지시를 내리며, 특별히 답장을 할 필요는 없기 때문에 영어회화가 원활하지 않더라도 문제가 없습니다. 하지만 감독관이 요청하는 채팅 지시사항을 이해할 수 있는 수준의 영어 이해는 필요합니다. 물론 한국어로 왼쪽에 다 나와있지만, 감독관이 채팅으로 하나하나 영어로 다시 언급하고, 그 타이밍에 맞게 진행해야 원활한 시험 환경 확인이 이루어집니다.

이 단계에 진입하게 되면 화면의 왼쪽에 한국어로 모든 준비사항이 나옵니다. 예를 들면 다음과 같습니다.

1. 웹캠을 켜고 여권을 보여주세요.

2. 웹캠으로 방을 360도 천천히 보여주세요.

3. 웹캠으로 방의 바닥부터 천장까지 천천히 보여주세요.

4. 웹캠으로 책상 밑을 보여주세요.

5. 웹캠으로 책상 위를 보여주세요.

6. 웹캠으로 핸드폰과 핸드폰의 카메라를 보여주고 핸드폰을 멀리 놓는 장면을 보여주세요.

7. 웹캠으로 책상 위를 보여주세요. 아무런 종이와 펜이 없다는 것을 확인해야 합니다.

8. 웹캠으로 손목에 아무것도 차지 않았다는 것과 귀에 아무것도 하고 있지 않다는 것을 보여주세요.

이렇게 한글로 다 나오긴 하지만 감독관이 오른쪽에 채팅창을 통해 하나하나 지시를 내리기 때문에 기본적인 영어 단어를 이해할 수 있어야 합니다.

확인 과정이 모두 끝나면 시험이 시작되게 됩니다.

65문제를 90분에 풀기에는 생각보다 시간이 부족합니다.

온라인 후기들을 읽어보면 30분 만에 시험이 끝났다, 이런 얘기가 많습니다. 물론 시험의 문항이 간결하고 답이 직관적인 편이기 때문에 65문제를 1문 제당 30초에 풀면 30분이면 시간이 끝나긴 합니다. 그리고 시험의 문제에 특별히 함정이 없기 때문에 대충 읽고도 답을 짚어내기가 쉬운 편이긴 합니다. 하지만 저는 시험을 2번 푸는 것을 선호하기 때문에 90분의 시간을 거의 다 사용했습니다.

시험화면에서 깃발을 잘 활용해야 합니다.

처음 65문제를 쓱 훑어보듯이 모두 푸는 데는 저도 30분 정도 밖에 걸리지 않았습니다만, 한 문제씩 풀면서 답이 확실하지 않은 문제에는 깃발을 표시했습니다. 이 깃발을 표시한 문제에 다시 되돌아와서 고민하고 푸느라 시간이 더 걸렸습니다. 하지만 시간을 잘 사용했다고 생각되는 부분은 전체문제 반복 풀기였습니다. 저는 모든 문제를 푼 후에 다시 1번으로 돌아가서 하나씩 풀면서 실수한 문제를 5개 정도 발견하고 수정했습니다. 5개는 약 10%이고, 2~3개는 5%인데, 합격은 70% 이상 답을 맞혀야 하기 때문에 안정적으로 합격하기 위해서는 실수를 줄이는 것이 중요합니다. 저는 깃발을 표시해두고 다시 전체 문제를 반복해서 풀면서 깃발을 꽂아둔 문제는 더 주의를 기울여서 푸는 방법으로 시험을 진행했습니다.

답을 2개 초과해서 선택하는 문제는 출제되지 않았습니다.

제가 시험을 응시하기 전에 걱정했던 부분이 5~6문제 중에 2개 이상 선택하라고 하는 복수형 답안선택 문제였는데, 다행히 모든 문제가 1개를 선택해라, 혹은 2개를 선택해라 로 출제되었습니다.

시험 결과는 그 자리에서 즉시 알려줍니다.

시험을 제출하고 나면 바로 합격인지 아닌지 알 수 있으며 약 5일 후에 메일과 공식 자격증 홈페이지에서 자세한 내역을 확인할 수 있다고 합니다. 그러나 후기들을 읽어보면 보통 바로 다음날 최종 결과를 알 수 있다고 합니다.

AWS 클라우드 프랙티셔너 자격증 준비에서 유의해야 하는 부분

저의 최종 소감은 이 자격증은 기술적인 자격증이 아닌, 클라우드라는 것이 무엇인지를 이해하고 어떻게 활용해야 하는지 파악하는 준비과정이라고 생각합니다. 따라서 비전공자 분들에게 오히려 더욱 잘 맞는 이 시대에 어울리는 기본소양에 대한 자격증이 아닐까 하는 생각이 듭니다. 따라서 개발자 분들은 오히려 주의해야 할 부분들이 있습니다.

클라우드를 왜 사용해야 하는지 이해해야 합니다.

온프레미스에 비교할 때 클라우드로 옮겨가야 하는 이유가 무엇인지, 옮겨갔을 때 장점이 무엇인지 정확하게 파악해야 합니다. 이러한 부분들은 개발자로서는 오히려 간과하기 쉬운 부분이라고 생각합니다. 비즈니스 적인 결정이기 때문입니다.

그렇다면 어떻게 온프레미스에서 클라우드로 전환할 수 있는지도 알아야 합니다.

이미 많은 기업들이 클라우드로 전환을 했기 때문에, 개발자의 커리어를 클라우드가 이미 갖추어진 회사에서 시작한 분들도 많을 것이라고 생각됩니다. 하지만 우리가 클라우드를 사용하지 않았을 때, 회사에 서버룸이 있었을 때 이 서버들을 클라우드로 이전하기 위해서 어떤 절차들을 거쳐야 했는지 이해하는 것이 중요합니다.

AWS 클라우드를 사용하면 어떻게 글로벌 서비스를 할 수 있는지 이해해해야 합니다.

클라우드 제공 업체가 다양하지만, AWS는 글로벌 서비스를 제공합니다. 즉, 각 나라마다 AWS의 클라우드센터(리전)가 있습니다. 이 리전들이 어떻게 글로벌 서비스를 제공할 수 있으며, 글로벌 서비스와 리저널 서비스가 어떻게 다른지 이해해야 합니다.

기업에서(부서에서) 클라우드를 사용할 때 계정을 어떻게 나누고 비용이 어떻게 지불되는지 알아야 합니다.

이 부분 역시 개발자로서는 간과하기 쉬운 부분입니다. 기업에서 클라우드를 도입하기로 결정하면, 여러 팀이나 부서에 어떻게 클라우드를 사용할 수 있는 권한을 주어야 하고 또 이렇게 나누어져 있는 계정들에 대한 사용 비용을 AWS에 지불할 때 어떻게 하면 효율적으로 비용을 관리하고, 저렴하게 사용할 수 있는지 이해해야 합니다.

AWS에서 제공하는 서포트의 레벨이 다르며 어떤 것을 선택해야 서로 win/win 인지 알아야 합니다.

쇼핑몰에도 프리미엄 고객과 일반 고객이 있는 것처럼 AWS에도 서포트 레벨이 있습니다. 단순히 서비스를 이용만 할 것인지, 일반 업무시간에만 답장을 기대할 것인지, 24시간 답장을 기대할 것인지, AWS에 기술적인 문의를 했을 때 그 답이 4시간 안에 와야 하는지 1시간 안에 와야 하는지, 추가적인 서비스가 필요한지, 또 이 레벨들에 따라 내가 지불해야 하는 비용이 어떻게 다른지를 알아야 합니다.

자주 사용되는 AWS 서비스에는 어떤 것이 있는지 아는 것은 필수입니다.

아마 이 부분은 제가 따로 언급하지 않아도 자격증을 준비할 때, 모두 예상하시는 부분일 겁니다. 데이터베이스의 서비스 종류, 컴퓨팅 서비스의 종류, 인공지능 서비스의 종류, 그리고 상황에 따라 어떤 서비스를 선택해야 가장 효율적인지, 이러한 부분들은 모두 충분히 예상하고 열심히 준비하시는 부분이라고 생각합니다.

결론적으로 AWS 프랙티셔너 자격증 취득을 강력 추천 드립니다.

비전공자에도 전공자에게도 AWS 프랙티셔너 자격증 취득을 추천합니다. 비전공자는 앞으로 살아가게 될 클라우드 시대에 대비해 기본 소양을 갖추고 더욱 경쟁력 있는 인재가 되기 위해 프랙티셔너 자격증을 취득할 것을 추천드립니다. 개발자 분들에게는 다른 더 멋진 자격증을 취득하기 이전에 조금 더 탄탄한 기본기와 함께 클라우드에 대한 조금 더 넓은 시야를 가지고, 또한 합격 후 주어지는 50% 바우처를 활용하여 추가로 취득하게 될 어려운 자격증에 대한 비용 부담과 시험준비의 스트레스를 조금은 낮춰 줄 수 있는 AWS 클라우드 프랙티셔너 자격증을 먼저 취득할 것을 추천드립니다.

[OMSCS/OMSA] 한국에서 미국 조지아텍 대학원 컴퓨터공학 온라인 석사(2025/2026/2027) - 컴퓨터공학, 데

inner-game.tistory.com

[OMSCS/OMSA] 한국에서 미국 조지아텍 대학원 컴퓨터공학 온라인 석사(2026/2027) - 컴퓨터공학, 데이터 분석

InnerGame — Sun, 8 Feb 2026 23:20:16 +0900

미국 조지아텍 OMSCS는 최고 수준의 학위를 원하면서도 직장과 가정생활에 맞춰 학업을 이어갈 수 있는 유연성을 원하는 학생들을 위한 프로그램입니다. 캠퍼스 내 학위 프로그램의 높은 비용 부담 없이 자신의 커리어를 발전시키고 싶은 학생들, 조지아 공대의 일원이 되고 싶은 학생들을 위한 프로그램입니다.

조지아텍

OMSCS에서는 모든 필수 과목과 활동이 비동기식으로 제공되므로 자신의 일정에 맞춰 수강할 수 있습니다. 한 학기당 한 과목을 수강할 수 있으며, 최대 6년까지 학위를 취득할 수 있습니다. 10년 동안 1만 명의 졸업생을 배출했으며, 온라인 학생들을 가르치고 지원하는 방법을 잘 알고 있습니다. 포브스는 OMSCS의 비용, 문화, 그리고 업계와의 긴밀한 연계를 고려하여 OMSCS를 "역대 최고의 학위 프로그램" 이라고 칭했습니다.

온라인 컴퓨터 과학 석사 프로그램(OMCS)은 교육, MOOC, 그리고 업계의 리더들을 한데 모아 기술의 파괴적 힘을 활용하여 컴퓨터 과학 분야에 필요한 수준 높은 교육 인재 양성을 위한 파이프라인을 확대합니다. 이 프로그램의 학생들은 캠퍼스 내 학생들과 동일한 조지아텍 컴퓨터 과학 석사 학위를 취득할 수 있도록 지원합니다.

미국 조지아텍 온라인 컴퓨터 과학 석사(OMSCS)

미국 이민, STEM 혜택을 위한 준비

현재 미국에서는 STEM 분야의 고학력자들에게 비자수속을 신속하게 처리해주고 있습니다. 따라서 미국이민을 염두해두신다면 온라인으로 미국석사를 취득해 놓는것도 좋은 방법이라고 생각합니다. 한가지 주의하셔야 할 점은, 온라인 석사이기 때문에 석사를 하는 것과 미국이민 혹은 미국비자는 아무 상관 및 혜택이 없습니다. 다만, 자력으로 미국에 취직하셔서 비자를 받을때나, 혹은 고학력자용 비자를 어플라이 하실때 미국석사 학위 취득을 '완료' 하신 경우에는 혜택이 있습니다.

* STEM(Science, Technology, Engineering, Math) 전공자 중 석사학위 이상

공식적으로 확인 된 내용: 향후 H1B 추첨 시에, 미국석사 학위 취득자로 분류되어 영주권 받기 매우 유리합니다.

이 과정은 온라인으로 제공되기 때문에 미국 거주 비자를 주지는 않습니다. 하지만 미래에 미국에 자력으로 취업하실때를 대비해서 미리 미국석사 학위를 확보해 두신다면 미국 석사로 분류되어 H1B비자 추첨기회가 두번 제공됩니다. 미국에서는 이미 취업해서 수년간 살고 있더라도 H1B에서 계속 떨어져서, 직장을 읽는 동시에 미국에서 쫓겨나는 안타까운 사연을 많이 보게 되는데요, 이 H1B(영주권을 제공하는)추첨에서 미국석사 학위가 있으면, 미국석사를 대상으로 먼저 H1B추첨을 한번하고, 다시 전체대상자를 대상으로 H1B 추첨을 한번 더 하기 때문에 상당히 유리하다고 볼수 있습니다.

(비공식) 조지아텍 OMSCS나 OMSA를 이용하여 미국에 거주하고 취업비자를 통해 취업하는 방법

학기중에 일부 과목(약 4과목)을 미국 애틀란타 캠퍼스에서 이수하는것으로 Transfer 할수 있다고 합니다(여기까지 공식 확인 내용). 이 경우에는 오프라인 수업에 출석해야하는 이유가 생기기 때문에 F1비자가 생겨서 미국에서 거주 할 수 있습니다. (비공식) 제 생각에는 아무리 Transfer가 되어도 비자는 안나올 것 같습니다. 즉, Transfer는 이미 미국에 거주하고 있는 분들이 오프라인으로 수업을 듣고 싶을 경우 가능할것 같습니다.

(비공식) 만약 F1비자가 나온다면, F1 비자를 기반으로 미국에서 잠시 생활하다 오셔도 되고, F1 비자를 수업을 듣다가 졸업하기 90일전에 OPT 비자를 신청합니다. OPT 비자는 미국에서 공부를 마친 사람들을 위해(다양한 학위 - 학원과 비슷한 대학의 1년짜리 부설코스에도 제공됨) 주어지는 안정적인 혜택입니다. 안정적이라는 뜻은 조건에 맞으면 발급되는 비자로 추첨형 비자가 아니기 때문에 대부분의 학생이 받을 수 있다고 볼 수 있습니다. 기본적으로 미국에서 졸업 한 학생들에게 1년을 제공하고, STEM분야의 학생들에게는 2년을 제공합니다.

[여기서 잠깐] 컴퓨터공학이나 데이터분석 쪽으로 취업을 희망하신다면, 지금부터 인터뷰 중 필수 코스인 '알고리즘 테스트'에 대해서 차근차근 준비하셔야 하며, 준비 방법은 이 글의 맨 아래에 첨부하였습니다.

미국 조지아텍 대학원 입학기준

OMSCS 입학 지원자는 컴퓨터 과학 또는 관련 분야(일반적으로 수학, 컴퓨터 공학, 전기 공학) 학사 학위 소지자여야 하며, 누적 평점(GPA)은 3.0 이상이어야 합니다. 이러한 기준을 충족하지 못하는 지원자는 개별적으로 평가됩니다.

모든 국내 및 해외 지원자는 입학을 위해 다음 사항을 충족해야 합니다.

- 조지아 공과대학에 입학하려면 먼저 해당 기관에서 요구하는 학업 자격증을 취득해야 합니다. "지역 인증 기관에서 학사 학위, 이와 동등한 학위 또는 그 이상 학위(입학 전)를 수여받았다는 증빙 서류, 입증된 학업적 우수성, 그리고 선택한 대학원 전공 분야에서의 경험 증빙 서류." ( 기관 카탈로그 참조 )
- 어떠한 경우에도 업무 경험이 학위 취득을 대체할 수 없습니다.

국제 지원자의 경우, TOEFL(Test of English as a Foreign Language) 또는 IELTS-Academic에서 만족스러운 성적을 받아야 합니다. TOEFL 및 IELTS 요건에 대한 자세한 내용은 OMSCS 요약 페이지를 참조하십시오.

테스트 유형	점수 요구 사항	점수 제출
토플 iBT	총점 100점 이상 듣기, 읽기, 쓰기, 말하기 하위 영역 19점 이상 MyBest 점수는 사용되지 않습니다	연구소 코드: 5248 부서 코드: 78
IELTS 아카데믹	7.5 이상 전체 밴드 점수 듣기, 읽기, 말하기 6.5 이상 5.5 이상 쓰기	IELTS 전자 점수 제공 서비스: Georgia Institute of Technology, "대학원"
공식적인 것으로 간주되려면 시험 점수를 시험 기관에서 직접 전자적으로 보내야 합니다.

참고: 최소 요건을 충족하는 지원자라도 입학이 보장되는 것은 아닙니다.

입학일로부터 12개월 이후에도 프로그램을 계속 수강하려면 B 이상의 학점으로 2개 과목의 기초 과정을 이수해야 합니다. "기초 과정"에 해당하는 과목은 별표(*)로 표시되어 있으며, 현재 수강 과목 페이지에 나와 있습니다.

조지아텍 온라인 석사 학비 알아보기

조지아텍 온라인 석사 학비는 다음과 같이 구성됩니다.

Fall 2025

학기당 서비스 비용 129 USD + 학점당 225 USD

2023

학기당 서비스 비용 107 USD + 학점당 180 USD

평균 졸업까지 5학기(2.5년)가 소요되므로 서비스비용은 535 USD + 학점은 30크레딧(10과정)이 필요하므로 5400USD해서 총5935USD가 예상됩니다. 즉, 졸업까지 한화로 약 700만원이 소요됩니다.

출처: 조지아텍 공식 홈페이지

미국 조지아텍 대학원 컴퓨터공학 석사 2025 타임라인

OMSCS 프로그램은 가을과 봄 입학을 위해 일년 내내 지원서를 접수합니다(여름 입학은 없습니다). 모든 지원 서류(다음 섹션에 나열됨)를 제출하는 마감일은 다음과 같습니다.

Fall 2026 - 03월 01일 2026년
Spring 2027 - 08월 15일 2026년

학사 일정

이벤트	2026년 여름	2026년 가을	2027년 봄	2027년 여름	2027년 가을
지원마감일		03월 01일	08월 15일
조기합격발표		1월 15일	6월 15일
수업 첫날	5월 18일	8월 24일	1월 11일	5월 17일	8월 23일
휴식, 공휴일 및/또는 휴식 시간	5월 25일, 6월 19일, 7월 2일, 7월 3일	9월 7일, 11월 25일, 11월 26-27일 (가을 방학 미정)	1월 18일, 3월 22일-26일,	5월 31일, 6월 18일, 7월 5일 7월 6일	9월 6일, 11월 24일, 11월 25-26일 (가을 방학 미정)
교차 등록 마감일	4월 15일	7월 15일	11월 15일	4월 15일	7월 15일
최종 교육 수업 일	7월 27-28일	12월 7-8일	4월 26-27일	7월 26-27일	12월 6-7일
독서 기간	7월 31일	12월 9일, 12월 10일: 오전 8시 - 오후 2시 40분, 12월 15일: 오전 8시 - 오후 2시 40분	4월 28일, 4월 29일: 오전 8시 - 오후 2시 40분, 5월 4일: 오전 8시 - 오후 2시 40분	7월 30일	12월 8일, 12월 9일: 오전 8시 - 오후 2시 40분, 12월 14일: 오전 8시 - 오후 2시 40분
기말고사	8월 3일-6일	12월 10일-17일	4월 29일-5월 6일	8월 2일-5일	12월 9일-16일
개시	의식은 없다	미정	미정	의식은 없다	미정

지원 서류 포함:

▶ 가을 입학 지원 마감일: 3월 1일

- 결과발표: 모든 결정은 해당 지원 마감일이 지난 후 약 10-12주 이내에 발표

- 단, 우선 결정은 일반적으로 늦어도 1월 15일에 발표되기 시작

▶ 봄 입학 지원 마감일: 8월 15일

- 결과발표: 모든 결정은 해당 지원 마감일이 지난 후 약 10-12주 이내에 발표

- 단, 봄 학기 입학을 위한 우선 결정은 일반적으로 늦어도 6월 15일에 발표되기 시작

이 기간까지 필수 지원서류를 모두 제출하지 않은 경우, 지원한 학기에 제때 검토받을 수 없다는 보장을 드릴 수 없습니다. 지원 마감일 이후에 완료한 학업 과제는 지원서 평가 목적으로 고려되지 않습니다.

예를 들어, 진행 중이지만 지원 마감일 전에 완료하지 않은 학업 과제는 고려되지 않습니다. 마감일 이후에 완료한 과제를 보여주는 업데이트된 성적 증명서는 고려 되지 않습니다. OMSCS 일정은 Georgia Tech 등록부 일정 과 동기화됩니다 .

우선 결정 요건을 충족하는 신청서는 해당 마감일이 지난 후에도 여전히 검토 및 발표 과정에서 우선권을 받습니다. 다른 지원서는 정상적인 방식으로 검토 및 발표됩니다. 모든 결정은 해당 지원 마감일이 지난 후 약 10-12주 이내에 발표됩니다. 해당 마감일까지 결정이 발표되지 않은 지원자에게는 해당 마감일이 지난 직후에 보다 구체적인 일정과 기타 지침 및 정보가 전송됩니다.

조기 결정(우선 결정)이란?

OMSCS 프로그램은 2025년 가을 학기 입학을 위해 조기 결정 프로세스를 시행하고 있습니다. "조기 결정"은 아래 요구 사항에 따라 지원서를 제출한 지원자에게 2025년 3월 1일 지원서 제출 마감일 전후에 지원서 검토 및 공개 우선권이 부여됨 을 의미합니다.

가을 학기 입학을 위한 우선 결정은 일반적으로 늦어도 1월 15일에 발표되기 시작합니다. 봄 학기 입학을 위한 우선 결정은 일반적으로 늦어

도 6월 15일에 발표되기 시작합니다. 우선 결정이 발표되기 시작하는 정확한 날짜는 다를 수 있습니다.

▶ 참여 조건

- 우선 결정 절차에 반드시 특별히 참여해야 합니다. 자동으로 우선 결정을 원하게 되는 것은 아닙니다. 신청서에서 직접 요청해야 합니다.

- 모든 OMSCS 특정 질문은 적절하고 진실되게 답해야 합니다. 그렇지 않으면 우선 결정 프로세스에서 귀하의 지원이 실격 처리됩니다.

- 추천서 3통을 모두 제출해야 합니다. 지원서를 제출하고 지원 수수료를 지불한 시점에 추천서 3통을 모두 제출할 필요는 없습니다.

- 공식적으로 발급된 학업 증명서/문서(성적 증명서, 성적표 또는 졸업 증서 보충서) 의 스캔본을 제출해야 합니다. 학업 학점을 위해 다녔던 모든 기관의 문서를 제출해야 합니다. 해당 기관에서 학위를 취득하지 않았더라도 마찬가지입니다.

-- 우선 결정에서 신청이 실격 처리되는 가장 흔한 이유는 신청자가 "비공식" 또는 "자문 목적으로만 사용"과 같은 문구나 표현이 명확히 포함된 문서를 제출하거나 웹 페이지 문서인 경우입니다. 위원회에서 해당 문서가 공식 문서라는 것이 명백하지 않은 경우 신청은 우선 결정에서 실격 처리됩니다.

-- "공식적으로 발행됨"은 귀하의 문서가 귀하의 대학에서 기록에 대한 공식 문서를 발행하는 학술 등록 사무실, 시험 사무실 또는 동등한 사무실의 담당자에 의해 발행되었음을 의미합니다. 대부분의 경우 이는 귀하의 성적 증명서가 발행 기관(예: 시험 관리자, 비서, 등록 담당자, 학장 또는 동등한 기관)에서 서명되고 필요한 경우 도장이 찍혔다는 것을 의미합니다. 학위가 수여된 경우 수여된 학위의 이름과 수여 날짜가 귀하의 학업 문서에 반드시 인쇄되어야 합니다. 그렇지 않은 경우 해당 정보가 표시된 학위 증명서 사본을 성적 증명서와 함께 업로드해야 합니다. 이 지침을 따르지 않으면 우선 결정에 대한 귀하의 지원은 자동으로 실격 처리 됩니다.

-- 미국 이외의 기관에 다녔고 학업 문서가 영어가 아닌 경우, 모국어 문서 외에 대학에서 발행한 영어 번역본을 업로드해야 합니다. 귀하의 기관에서 영어로 된 문서를 제공하지 않는 경우 공식 번역 기관을 이용할 수 있습니다. 반드시 문서의 단어 대 단어 번역을 주문하세요. WES, Spantran 등의 평가는 공식 영어(또는 공식 영어 번역) 성적 증명서를 대체할 수 없습니다.

- 우선 결정 요건을 충족하는 날짜는 신청서가 제출된 날짜 가 아니라 신청서가 우선 검토 및 해제 대기열에 들어간 날짜입니다.

지원 팁

해야 할 일

▶ 학점을 위해 다녔던 모든 대학/대학교의 성적증명서를 포함하세요 ! 그렇지 않으면 지원서 처리가 지연됩니다.
▶ 모든 질문에 간결 하고 요점만 담아 대답하세요.
▶ 지원서의 전문성 개발 영역 에 지원 서류를 모두 업로드하세요 (성적증명서는 학업 이력 영역에 업로드해야 함).
▶ 귀하의 컴퓨터 과학 역량에 대해 직접적으로 구체적인 지식을 가지고 있는 교수 및/또는 업무 지도 교수에게 추천서를 써 달라고 요청하세요. 그리고 귀하의 컴퓨터 과학 지식에 대해 구체적으로 의견을 말해 달라고 요청하세요 .
▶ 이력서를 포함하세요 . 이력서를 제출하지 않으면 지원서가 평가되지 않습니다 .
▶ OMSCS 보충 섹션의 9개 "예/아니요" 질문에 "예" 로 진실되게 답했는지 확인하세요 . 이 9개 질문 중 하나라도 "아니요"로 답한 경우, 9개 질문 모두에 진실되게 "예"로 답할 수 있도록 신청서를 수정하기 전까지는 신청서를 제출 하지 마세요 .

하지 말아야 할 것

▶ 목적서(또는 다른 보충서)를 제출 하지 마십시오 . 읽히지 않습니다. 짧은 답변 질문에 대한 귀하의 답변만이 입학위원회가 관심을 갖는 전부입니다.
▶ 대학에 입학하기 전의 동기나 경험에 대해서는 설명 하지 마십시오 .
▶ 수업 내용을 나열 하지 마세요 . 성적 증명서에 나와 있습니다(수업에서 컴퓨터 과학 개념이 어떻게 포함되었는지 설명해야 하는 경우는 예외).
▶  직장 동료, 현재 또는 과거 학교 친구, 배우자, 시부모, 형제 자매, 부모, 자녀, 종교 지도자, 친구 등에게 추천서를 써달라고 부탁 하지 마세요 .
▶  취미, 개인적 관심사 또는 컴퓨터 과학과 관련이 없는 다른 분야를 설명하거나 나열 하지 마세요 .
▶  등급이 매겨지지 않고, 학점이 인정되지 않는 MOOC 유형의 과정은 나열  하지 마세요 .
▶ 학부 과정(예: 중등학교 또는 고등학교) 이전의 배경을 나열 하지 마십시오  . 대학원과는 관련이 없습니다.

흔한 실수

가장 흔히 볼 수 있는 문제는 다음과 같습니다.

▶ 최신이 아닌 진행 중인 학위 에 대한 성적 증명서 (즉, 지원일로부터 30일 이상 경과한 증명서).
▶ 웹 다운로드이기 때문에 수십 페이지 길이의 성적 증명서. 10페이지가 넘는 성적 증명서를 제출하는 지원자는 해당 성적 증명서를 다시 제출하라는 통지를 받게 되며, 지원은 무기한 보류됩니다.
▶ 취득한 학위의 수여 날짜가 명시 되지 않은 , 취득하고 완료한 학위에 대한 성적 증명서입니다 .
▶ 학부 및/또는 대학원 GPA가 낮은 이유를 설명하지 못했습니다.
▶ 대학 생활 이전의 "경험"을 포함합니다(5세에 컴퓨터를 사용하기 시작했다는 것은 중요하지 않습니다).

지원 및 학사 타임라인

Georgia Tech의 컴퓨터 공학 석사 과정을 완료하려면 최소 30학점이 필요합니다.
한학기에 수강 가능한 최대 시간은 6시간(2개 과정)
여름방학에 수강할 수 있는 최대 시간은 3시간(1개 코스)
주의: 풀타임으로 일하는 OMS CS 학위를 추구하는 학생들은 첫 학기에 하나 이상의 과정을 등록하지 않는 것이 좋습니다.

지원시기

0년차

0년차 토플&아이엘츠 점수 확보: 시험 준비 & 결과 나올때 까지 최소 2주, 2월 15일 / 8월 1일
0년차 입학지원 마감일: 3월 1일 / 8월 15일
0년차 합격발표 시작일: 조기결정의 경우 1월 15일 / 6월 15일, 일반적인 경우 2주 후인 3월 15일 / 9월 1일
0년차 합격발표 마감일: 합격발표 마감일 10~12주 후 최종발표 마감: 6월 1일 / 11월 15일

합격 후 학기시작 전까지

아래 챕터에 있는 선행과목 듣기

1년차

* 직장인의 경우(여름학기 제외) / 직장인의 경우(여름학기 포함) / 풀타임

< 누적학점 계산 >

1년차 첫학기 = 3학점 / 3 / 6
1년차 두번째학기= 6학점 / 6 / 12
1년차 여름학기 = 6학점 / 9 / 15

1년차 주의점: 입학일로부터 12개월 이후에도 프로그램을 계속 수강하려면 B 이상의 학점으로 2개 과목의 기초 과정을 이수해야 합니다. "기초 과정"에 해당하는 과목은 별표(*)로 표시되어 있으며, 현재 수강 과목 페이지에 나와 있습니다.

2년차
2년차 첫학기 = 9학점 / 12 / 21
2년차 두번째학기 = 12학점 / 15 / 27
2년차 여름학기 = 12학점 / 18 / 30 졸업 (풀타임)

3년차
3년차 첫학기 = 15학점 / 21 / -
3년차 두번째학기 = 18학점 / 24 / -
3년차 여름학기 = 18학점 / 27 / -

4년차

4년차 첫학기 = 21학점 / 30 졸업(여름학기 포함 직장인) / -
4년차 두번째학기 = 24학점 / - / -
4년차 여름학기 = 24학점 / - / -

4년차 첫학기 = 27학점 / - / -
4년차 두번째학기 = 30학점 졸업 / - / -

이렇게 직장인이 쉬지않고 계절학기 까지 꼬박 들어도 총 3년이 걸립니다.

풀타임의 경우에는 2년만에 졸업이 가능합니다.

입학전에는 아래와 같은 선행과목을 꼭 들으셔야 합니다.

OMSCS 준비하기 | 선행 과목 듣기

OMSCS 입학 지원자는 컴퓨터 과학 또는 관련 분야(일반적으로 수학, 컴퓨터 공학 또는 전기 공학) 학사 학위 소지자여야 하며, 누적 GPA는 3.0 이상이어야 합니다. 이러한 기준을 충족하지 못하는 지원자는 사례별로 평가됩니다. 이 경우, 입학위원회는 컴퓨터 과학에 대한 입증되고 객관적으로 입증된 기본 역량과 지식을 찾습니다. 여기에는 일반적으로 다음과 같은 분야에 대한 입증된 전문 지식이 포함됩니다.

프로그래밍의 기본
캡슐화, 추상화, 다형성, 상속과 같은 객체 지향 설계 원칙.
리스트, 스택, 큐, 트리, 해시맵과 같은 데이터 구조.
AVL, MST, 다익스트라 알고리즘, 동적 프로그래밍과 같은 알고리즘.

여러 프로그래밍 언어에 익숙해지는 것이 좋습니다.

현재 이러한 역량을 입증할 수 없지만, 최종적으로 해당 프로그램에 입학하고 싶다면 몇 가지 방법이 있습니다. 다음 세 가지 Georgia Tech 전문 자격증 프로그램의 검증된 자격증 과정(모든 내장 평가 및 시험 포함)을 이수하는 것을 권장합니다. 모든 프로그램은 MOOC 형식으로 대중에게 공개됩니다.

Python 프로그래밍 입문은 Georgia Tech의 CS1301: 컴퓨팅 입문과 동일한 자료를 사용합니다.
Java를 이용한 객체 지향 프로그래밍 입문은 Georgia Tech의 CS1331: 객체 지향 프로그래밍 입문과 동일한 자료를 사용합니다.
조지아 공대의 CS1332: 데이터 구조 및 알고리즘 과 동일한 자료를 사용하여 데이터 구조 및 알고리즘을 학습합니다.

이 과정들은 조지아텍 교수진과 교육 설계자들이 강의하며, 캠퍼스 내 학점 취득 과목 수업에 활용됩니다. 이 과정들은 프로그램에서 성공하는 데 필요한 기본적인 CS 지식을 제공합니다.

이 강좌들은 대학원 수준의 컴퓨터 과학을 공부하는 데 필요한 최소 자격 요건만을 제공합니다. 이 강좌들을 이수한다고 해서 프로그램 입학이 보장되는 것은 아닙니다 . 앞서 언급했듯이, 선호 자격을 충족하지 못하는 학생들은 개별적으로 평가됩니다. 특히, 이러한 MOOC만으로는 STEM 분야 학사 학위 이상을 소지하지 않은 학생들에게는 충분하지 않습니다. 마찬가지로, 다른 MOOC 제공업체, 부트캠프 제공업체 등의 비학점 강좌와 커리큘럼도 충분한 것으로 간주되는 경우가 거의 없습니다. 실무 경험이나 업계 자격증 또한 거의 관련이 없습니다.

지원서를 강화하는 가장 좋은 방법은 2013년 ACM(Association for Computing Machinery)과 IEEE 컴퓨터 학회의 공동 태스크포스가 작성한 커리큘럼 가이드라인 세트인 Computer Science Curricula 2013 을 참조하는 것입니다 . 55페이지부터 CS 커리큘럼에 대한 ACM의 지식 체계 목록을 볼 수 있습니다.

이 페이지를 참고하여 지원 전 준비를 하세요. 관심 있는 상위 레벨(예: 3학년, 4학년 또는 대학원 수준) 과목 2~4개를 찾아 이 중 일부 영역을 다루고 해당 과목에서 B 이상의 학점을 받을 수 있는 능력을 입증하세요. 이러한 과목은 커뮤니티 칼리지, 다른 대학교의 학점 인정 수업 또는 대학교 산하 연장 학교에서 제공하는 과목일 수 있으며, 이러한 과목을 대면 수업으로 수강하든 온라인으로 수강하든 상관없습니다. 입학위원회는 선택한 특정 과목 자체에는 관심이 없으며, 상위 레벨의 컴퓨터 과학 학업 과정을 이수할 수 있는 능력을 보여주는 데 중점을 둡니다. 학업 과정을 이수했다는 것은 대학이 성적 증명서를 제공할 수 있다는 것을 의미하며, 이는 MOOC 제공업체와 같은 제3자 중개자나 플랫폼이 아닌 대학에서 제공해야 합니다.

검증된 자격증을 제공하는 MOOC나 부트캠프 등 객관적으로 문서화된 다른 자격증도 고려 대상이 될 수 있지만, 이러한 교육 환경이 인정받는 학술 기관의 학점 인정 수업만큼 엄격하고 잘 문서화되어 있는 경우는 드뭅니다.

지원서 준비를 개선하기 위해 어떤 경로를 선택하든 OMSCS 입학위원회는 지원서를 제출할 때까지 준비를 완료했을 것으로 기대합니다.

지역 인증 기관에서 학점 인정이 가능한 대학원 수준의 수업을 입학 전에 이수한 학생은 이수 학점(최대 6학점)을 취득할 수 있습니다. 이 수업은 수여되는 학위에 반영되지 않습니다.

OMSCS 프로그램의 일부 수업, 특히 인공지능 및 머신러닝 분야는 CS 지식 외에도 고급 수학, 특히 선형대수, 확률, 통계에 대한 탄탄한 배경 지식을 요구합니다. 이러한 분야의 수업을 이전에 이수하지 않았거나 해당 내용을 복습해야 하는 경우, 조지아텍에서 제공하는 다음과 같은 공개 MOOC 시리즈를 통해 준비할 수 있습니다.

모든 국내 및 해외 지원자는 입학을 위해 다음 사항을 충족해야 합니다.

조지아 공과대학에 입학하려면 먼저 해당 기관에서 요구하는 학업 자격증을 취득해야 합니다. "지역 인증 기관에서 학사 학위, 이와 동등한 학위 또는 그 이상 학위(입학 전)를 수여받았다는 증빙 서류, 입증된 학업적 우수성, 그리고 선택한 대학원 전공 분야에서의 경험 증빙 서류." ( 기관 카탈로그 참조 )
어떠한 경우에도 업무 경험이 학위 취득을 대체할 수 없습니다.

OMSCS 졸업 요건

전체 학위 요건은 여기에서 확인하실 수 있습니다 . 하지만 대부분의 학생들에게 가장 중요한 세부 사항은 다음과 같습니다.

- OMSCS 학위를 취득하려면 학생들은 한 가지 전문 분야의 요건을 이수해야 합니다. 각 전문 분야는 15학점에서 18학점까지 이수해야 하며, 전문 분야 요건을 충족하는 모든 과목은 B 이상의 학점을 받아야 합니다. 나머지 12~15시간(4~5개 과목)은 "무료" 선택 과목으로, OMSCS 프로그램을 통해 제공되는 모든 과목을 수강할 수 있습니다.

OMSCS의 전문분야

- OMSCS 학위를 취득하려면 총 30학점(10개 과목)을 이수해야 합니다. 30학점 이수 요건에 포함되려면 과목 성적이 C 이상이어야 합니다. 학생들은 전공 요건 외에도 OMSCS 프로그램을 통해 제공되는 무료 선택 과목을 수강하여 30학점 이수 요건을 충족할 수 있습니다. CS 또는 CSE가 아닌 다른 과목 코드로 최대 6학점까지 이수할 수 있습니다. 프로그램에서 제공하는 과목에 대한 자세한 내용은 ' 현재 수강 과목' 페이지를 참조하십시오.

- 졸업하려면 누적 GPA 3.0이 필요합니다.

[미국온라인석사] - OMSCS 전문분야(Specializations/전공 트랙/특화 분야) 선택하기 | 자세한 내용, 각 분야 설명, 상관관계 분석

OMSCS 전문분야(Specializations/전공 트랙/특화 분야) 선택하기 | 자세한 내용, 각 분야 설명, 상관관계

조지아 공대의 OMSCS(Online Master of Science in Computer Science) 프로그램에서는 학생들이 자신의 진로와 관심사에 맞춰 "specialization"(전공 트랙/특화 분야)을 선택하여 공부할 수 있습니다. 특화 분야(스

inner-game.tistory.com

현재 과정

조지아텍 온라인 컴퓨터과학 석사(OMSCS) 과정은 조지아텍 컴퓨팅대학의 세계적인 교수진이 강의하는 다양한 과정으로 구성되어 있습니다. 아래는 OMSCS에서 현재 제공하는 과정 목록입니다. 대부분의 과정은 가을과 봄 학기에 제공되며, 여름 학기에는 이 목록에 있는 과정 중 일부만 제공됩니다. 지난 4년간 OMSCS의 강의 내역은 여기에서 확인하실 수 있습니다 .

별표(*)로 표시된 과목은 기초 과정으로 간주되며, 학위 요건 페이지에 자세히 설명된 졸업 요건에 포함됩니다. 입학일로부터 12개월 후 프로그램을 계속 수강하려면 B 이상의 학점으로 기초 과정 2개를 이수해야 합니다.

* : 기초 과정
A : OMS-Analytics 프로그램에서 관리하는 과정(OMSC 학생들에게는 여전히 열려 있음)
C : OMS-Cybersecurity 프로그램에서 관리하는 과정(OMSC 학생들에게는 여전히 열려 있음)

현재 진행 중인 OMS 과정

* CS 6035: 정보 보안 입문
CS 6150: 좋은 컴퓨팅
* CS 6200: 운영 체제 소개 (이전 CS 8803 O02)
* CS 6210: 고급 운영 체제
* CS 6211: 클라우드 컴퓨팅을 위한 시스템 설계 (이전 CS 8803 O12)
* CS 6238: 보안 컴퓨터 시스템 C
* CS 6250: 컴퓨터 네트워크 C
* CS 6260: 응용 암호화 C
CS 6261: 보안 사고 대응 C (이전 CS 8803 O22)
* CS 6262: 네트워크 보안
* CS 6263: 사이버 물리 시스템 보안 입문 (이전 CS 8803 O07)
* CS 6264: 정보 보안 랩 - 시스템 및 네트워크 방어 C (이전 CS 8803 O11)
CS 6265: 정보 보안 랩 C
* CS 6290: 고성능 컴퓨터 아키텍처
* CS 6291: 임베디드 시스템 최적화 (이전 CS 8803 O04)
* CS 6300: 소프트웨어 개발 프로세스
* CS 6310: 소프트웨어 아키텍처 및 설계
* CS 6340: 소프트웨어 분석
* CS 6400: 데이터베이스 시스템 개념 및 설계
* CS 6422: 데이터베이스 시스템 구현
* CS 6435: 디지털 건강 형평성 (이전 CS 8803 O16)
* CS 6440: 건강 정보학 입문
* CS 6457: 비디오 게임 디자인
* CS 6460: 교육 기술
* CS 6475: 계산 사진학
* CS 6476: 컴퓨터 비전
* CS 6491: 컴퓨터 그래픽의 기초
* CS 6515: 대학원 알고리즘 입문 (이전 CS 8803 GA)
* CS 6601: 인공지능
* CS 6603: AI, 윤리 및 사회 (이전 CS 8803 O10)
* CS 6675: 고급 인터넷 시스템 및 응용 프로그램
CS 6747: 고급 맬웨어 분석 C
* CS 6750: 인간-컴퓨터 상호작용
*CS 6795: 인지과학 입문
* CS 7210: 분산 컴퓨팅
* CS 7280: 네트워크 과학
* CS 7400: 양자 컴퓨팅 (이전 CS 8803 O13)
* CS 7470: 모바일 및 유비쿼터스 컴퓨팅
* CS 7496: 컴퓨터 애니메이션
* CS 7632: 게임 AI
* CS 7637: 지식 기반 인공 지능 - 인지 시스템
* CS 7638: 로봇공학: AI 기술 (이전 CS 8803 O01)
* CS 7639: 사이버 물리적 설계 및 분석 (이전 CS 8803 O09)
* CS 7641: 머신 러닝
* CS 7642: 강화 학습 (이전 CS 8803 O03)
* CS 7643: 딥러닝
* CS 7646: 트레이딩을 위한 머신 러닝
* CS 7650: 자연어 처리
* CS 8803 O08: 컴파일러 - 이론 및 실제
CS 8803 O15: 컴퓨터법 입문
CS 8803 O17: 글로벌 기업가 정신
CS 8803 O20: 양자 하드웨어
* CS 8803 O21: GPU 하드웨어 및 소프트웨어
CS 8803 O23: 현대 인터넷 조사 방법
CS 8803 O24: 연구 소개
* CSE 6220: 고성능 컴퓨팅 입문
* CSE 6242: 데이터 및 시각적 분석 A
* CSE 6250: 건강 정보학을 위한 빅데이터
CSE 6742: 모델링, 시뮬레이션 및 군사 게임 C
ECE 8843: 사이드 채널과 사이버 보안에서의 역할 C
INTA 6450: 데이터 분석 및 보안 C
ISYE 6402: 시계열 분석 A
* ISYE 6420: 베이지안 통계 A
ISYE 6501: 분석 모델링 소개 A
ISYE 6525: 고차원 데이터 분석 주제 A (이전 명칭: ISYE 8803)
ISYE 6644: 공학 및 과학을 위한 시뮬레이션 및 모델링 A
ISYE 6669: 결정론적 최적화 A
MGT 6311: 디지털 마케팅 A
MGT 8813: 재무 모델링 A
PUBP 6725: 정보 보안 정책 C
PUBP 8823: 사이버 보안의 지정학 C

세미나

OMSCS는 정기적으로 세미나를 개최합니다. 세미나는 CS 8001 과목으로 등록되어 있습니다. 세미나는 1학점으로, 합격/불합격으로 평가되며, 기초 학점이나 졸업 요건에는 반영되지 않습니다. 특정 학기에 수강 가능한 세미나에 대한 자세한 내용은 2단계 등록 시 omscs 공식 이메일로 발송됩니다.

지금까지 진행된 세미나의 내역을 보려면 CS 8001: 세미나 페이지를 확인하세요 .

OMSCS 전문분야 살펴보기

전문분야는 아래의 링크에서 자세한 내용을 볼 수 있습니다.

[미국온라인석사] - OMSCS 전문분야(Specializations/전공 트랙/특화 분야) 선택하기 | 자세한 내용, 각 분야 설명, 상관관계 분석

OMSCS 전문분야(Specializations/전공 트랙/특화 분야) 선택하기 | 자세한 내용, 각 분야 설명, 상관관계

inner-game.tistory.com

계산적 지각 및 로봇공학 전문화

컴퓨터 과학 석사 학위(계산 지각 및 로봇 공학 전공, 15시간)를 취득하려면 학생은 다음 중에서 선택해야 합니다.

*다음은 캠퍼스와 관계없이 계산 지각 및 로봇 공학 전공을 충족하기 위해 선택할 수 있는 과목에 대한 전체적인 설명입니다. 굵은 글씨로 표시된 과목만 온라인 프로그램을 통해 제공됩니다.

핵심 과정(6시간)

알고리즘: 다음 중 하나(1)를 선택하세요:

CS 6505 계산 가능성, 알고리즘 및 복잡성
CS 6515 대학원 알고리즘 입문
CS 6520 계산 복잡도 이론
CS 6550 알고리즘 설계 및 분석
CS 7520 근사 알고리즘
CS 7530 무작위 알고리즘
CSE 6140 계산 과학 및 공학 알고리즘

그리고 다음 중 하나(1)를 선택하세요:

선택 과목 (9시간)

지각 및 로봇공학에서 3개(3) 과목을 선택하고 각 과목에서 최소 1개(1) 과목을 선택하세요.

지각

로봇공학

자유 선택 과목 (15시간)

무료 선택 과목은 OMSCS 프로그램을 통해 제공되는 모든 과목을 말합니다. 현재 OMSCS 과목 목록은 여기에서 확인하실 수 있습니다 .

컴퓨터 그래픽 전문화

컴퓨터 그래픽 전공(15시간) 컴퓨터 과학 석사 학위를 취득하려면 학생은 다음 중에서 선택해야 합니다.

*다음은 캠퍼스와 관계없이 컴퓨터 그래픽 전공을 이수하기 위해 선택할 수 있는 과목에 대한 전체적인 설명입니다. 굵은 글씨 로 표시된 과목만 온라인 프로그램을 통해 제공됩니다.

핵심 과정(6시간)

다음 중 하나(1)를 선택하세요:

그리고 다음 중 하나(1)를 선택하세요:

CS 6505 계산 가능성, 알고리즘 및 복잡성
CS 6515 대학원 알고리즘 입문

선택 과목 (9시간)

다음 중 세 개(3)를 선택하세요:

자유 선택 과목 (15시간)

무료 선택 과목은 OMSCS 프로그램을 통해 제공되는 모든 과목을 말합니다. 현재 OMSCS 과목 목록은 여기에서 확인하실 수 있습니다 .

컴퓨팅 시스템 전문화

컴퓨터 과학 석사 학위(컴퓨팅 시스템 전공, 18시간)를 취득하려면 학생은 다음 중에서 선택해야 합니다.

* 캠퍼스와 관계없이 컴퓨팅 시스템 전공을 이수하기 위해 선택할 수 있는 과목에 대한 전체적인 설명은 다음과 같습니다. 굵은 글씨 로 표시된 과목만 온라인 프로그램을 통해 제공됩니다.

핵심 과정(6시간)

CS 6505 계산 가능성, 알고리즘 및 복잡성

또는

CS 6515 대학원 알고리즘 입문

그리고 다음 중 두 가지(2)를 선택하세요:

CS 6210 고급 운영 체제
CS 6241 컴파일러 설계
CS 6250 컴퓨터 네트워크
CS 6290 고성능 컴퓨터 아키텍처
CS 6300 소프트웨어 개발 프로세스 또는 CS 6301 소프트웨어 엔지니어링 고급 주제
CS 6390 프로그래밍 언어
CS 6400 데이터베이스 시스템 개념 및 설계
9시간 요구 사항을 초과하는 핵심 과정은 컴퓨팅 시스템 선택 과목으로 사용할 수 있습니다.

선택 과목 (9시간)

다음 중 세 개(3)의 과목을 선택하세요:

자유 선택 과목 (15시간)

무료 선택 과목은 OMSCS 프로그램을 통해 제공되는 모든 과목을 말합니다. 현재 OMSCS 과목 목록은 여기에서 확인하실 수 있습니다 .

인간-컴퓨터 상호작용 전문화

컴퓨터 과학 석사 학위(인간-컴퓨터 상호작용 전공, 15시간)를 취득하려면 학생은 다음 중에서 선택해야 합니다.

* 캠퍼스와 관계없이 인간-컴퓨터 상호작용 전공을 충족하기 위해 선택할 수 있는 과목에 대한 전체적인 설명은 다음과 같습니다. 굵은 글씨 로 표시된 과목만 온라인 프로그램을 통해 제공됩니다.

핵심 과정(6시간)

CS 6456 사용자 인터페이스 소프트웨어의 원리 또는 CS 7470 모바일 및 유비쿼터스 컴퓨팅
CS 6750 인간-컴퓨터 상호작용

선택 과목 (9시간)

아래 두 하위 영역에서 세(3) 개의 과목을 선택하세요. 각 하위 영역에서 최소 하나씩 선택하세요.

하위 영역: 설계 및 평가 개념

하위 분야: 대화형 기술

자유 선택 과목 (15시간)

무료 선택 과목은 OMSCS 프로그램을 통해 제공되는 모든 과목을 말합니다. 현재 OMSCS 과목 목록은 여기에서 확인하실 수 있습니다 .

대화형 지능 전문화

컴퓨터 과학 석사 학위(대화형 지능 전공, 15시간)를 취득하려면 학생은 다음 중에서 선택해야 합니다.

* 캠퍼스와 관계없이 대화형 지능 전공을 이수하기 위해 선택할 수 있는 과목에 대한 전체적인 설명은 다음과 같습니다. 굵은 글씨 로 표시된 과목만 온라인 프로그램을 통해 제공됩니다.

핵심 과정(6시간)

알고리즘 및 설계: 다음 중 하나(1)의 과목을 수강하세요:

CSE6140 계산 과학 및 공학 알고리즘
CS 6300 소프트웨어 개발 프로세스
CS 6301 소프트웨어 엔지니어링 고급 주제
CS 6505 계산 가능성, 복잡성 및 알고리즘
CS 6515 대학원 알고리즘 입문

그리고, 다음 중 두(2) 가지 코스:

선택 과목 (9시간)

다음 중 두(2)개의 코스를 선택하세요:

상호 작용:

AI 방법:

인식:

자유 선택 과목 (15시간)

무료 선택 과목은 OMSCS 프로그램을 통해 제공되는 모든 과목을 말합니다. 현재 OMSCS 과목 목록은 여기에서 확인하실 수 있습니다 .

머신 러닝

컴퓨터 과학 석사 학위(머신 러닝 전공, 15시간)를 취득하려면 학생은 다음 중에서 선택해야 합니다.

*다음은 캠퍼스와 관계없이 머신 러닝 전문화를 충족하기 위해 선택할 수 있는 과목에 대한 전체적인 설명입니다. 굵은 제목으로 나열된 과목만 온라인 프로그램을 통해 제공됩니다.

핵심 과정(6시간)

알고리즘: 다음 중 하나(1)를 선택하세요:

CS 6505 계산 가능성, 알고리즘 및 복잡성
CS 6515 대학원 알고리즘 입문
CS 6520 계산 복잡도 이론
CS 6550 알고리즘 설계 및 분석
CS 7510 그래프 알고리즘
CS 7520 근사 알고리즘
CS 7530 무작위 알고리즘
CSE 6140 계산 과학 및 공학 알고리즘

그리고 다음 중 하나(1)를 선택하세요:

CS 7641 머신러닝
CSE 6740 계산 데이터 분석: 학습, 마이닝 및 계산

선택 과목 (9시간)

선택 과목인 ML 과목은 평가 내용의 최소 1/3이 머신 러닝을 기반으로 해야 합니다.

자유 선택 과목 (15시간)

무료 선택 과목은 OMSCS 프로그램을 통해 제공되는 모든 과목을 말합니다. 현재 OMSCS 과목 목록은 여기에서 확인하실 수 있습니다 .

미국 조지아텍 대학원 컴퓨터공학 석사 이전 년도 타임라인

2024년도

지원마감일: Thursday, August 15, 2024

2023년도

가을입학 일정 및 학사일정

2023년 2월 중순: 토플&아이엘츠 점수 마지막 시험일: 결과는 빠르면 1주, 평균 2주, 운없으면 한달 걸립니다.

2023년 3월 15일: 입학지원 마감일

2023년 4월 초: 합격발표 시작일 2주 후부터 발표 시작: 3월 15일 + 2주

2023년 6월 중순: 합격발표 마감일 10~12주 후 최종발표 마감: 3월 15일 + 12주

Georgia Tech의 컴퓨터 공학 석사 과정을 완료하려면 최소 30학점이 필요합니다.

한학기에 수강 가능한 최대 시간은 6시간(2개 과정)

여름방학에 수강할 수 있는 최대 시간은 3시간(한 코스)

주의: 풀타임으로 일하는 OMS CS 학위를 추구하는 학생들은 첫 학기에 하나 이상의 과정을 등록하지 않는 것이 좋습니다.

2023년 8월 중순 ~ 2023년 12월 중순: 가을 학기 = 3학점

2024년 1월 초 ~ 2024년 5월 초: 봄 학기 = 6학점

2024년 5월 중순 ~ 2024년 8월 초: 여름 학기 = 9학점

2024년 8월 중순 ~ 2024년 12월 중순: 가을 학기 = 12학점

2025년 1월 초 ~ 2025년 5월 초: 봄 학기 = 15학점

2025년 5월 중순 ~ 2025년 8월 초: 여름 학기 = 18학점

2025년 8월 중순 ~ 2025년 12월 중순: 가을 학기 = 21학점

2026년 1월 초 ~ 2026년 5월 초: 봄 학기 = 24학점

2026년 5월 중순 ~ 2026년 8월 초: 여름 학기 = 27학점

2026년 8월 중순 ~ 2026년 12월 중순: 가을 학기 = 30학점

봄입학 일정 및 학사일정

입학지원 마감일: 2023년 8월 15일

합격발표 시작일 2주 후부터 발표 시작: 8월 15일 + 2주 = 9월 초

합격발표 마감일 10~12주 후 최종발표 마감: 8월 15일 + 12주 = 11월 중순

조지아텍 온라인 석사 2023 어드미션 개요

미국 이외 지역에 거주하며(한국 등) 온라인 석사 학위 프로그램에 지원할 계획인 비미국 시민권자 또는 미국 영주권자에 해당하는 국제지원자 기준에 맞추어 입학 지원 요건을 알아보겠습니다.

조지아텍 국내지원자와 국제지원자 분류

입학지원 마감일

가을입학 지원 마감일: 2023년 3월 15일
봄 입학 지원마감일: 2023년 8월 15일

합격 발표일

마감일 2주 후부터 발표 시작
- 봄 입학: 8월 15일 + 2주 = 9월 초
- 가을입학: 3월 15일 + 2주 = 4월 초
마감일 10~12주 후 최종발표 마감
- 봄 입학: 8월 15일 + 12주 = 11월 중순
- 가을입학: 3월 15일 + 12주 = 6월 중순

준비서류

추천서 3부
경력 목표 및 배경 에세이(온라인 지원서의 일부)
지원동기
이력서

영어 성적 요건

TOEFL 요건, 최소 점수
- 종이 기반 - 600
- 인터넷 기반 -100, 최소 섹션 점수 19
IELTS 학업 요건
- 7.5 전체 밴드 점수 (오버롤)
- 최소 구성 요소 밴드 점수: 6.5 읽기 6.5 듣기 6.5 말하기 5.5 쓰기

GRE 요건

이 프로그램에는 GRE가 필요하지 않습니다.

학사일정 및 마감일

현재 우리는 봄과 가을 입학을 위해 연중 내내 지원서를 받고 있습니다(여름 입학 없음).
- 다음을 포함한 모든 지원 자료 제출 마감일 :
- 참석한 모든 교육 기관의 비공식 성적 증명서(학위를 취득하지 않았더라도)
- 세 개의 추천서
- TOEFL 또는 IELTS 점수(해당되는 경우)
- OMSCS 추가 질문에 대한 답변
- 목적 진술 및
- 지원 자료(예: 사후 CS 관련 FINAL GRADED, 공인 학업 과정).

봄 입학은 8월 15일이고 가을  입학은 3월 15일입니다. 이 날짜까지 제출된 모든  필수 지원 자료가 없는 지원서는 지원한 학기에 맞춰 검토될 것이라고 보장할 수 없습니다.

지원자는 언제 결정을 받을 수 있습니까? 일반적으로 OMSCS 입학 위원회는 지원 마감일이 지난 후 약 2주 후에 결정을 발표하기 시작합니다. 결정을 기다리는 동안 기다려 주십시오. 신청서의 양이 많기 때문에 신청서를 검토하고 결정을 내리는 데 시간이 걸립니다. 헬프 데스크나 대학원 교육 사무소에 이메일을 보내 결정 상태를 문의하는 것은 검토 프로세스 속도를 높이지 않습니다 (실제로 속도를 늦춥니다!).  모든 결정은 지원 마감일로부터 10-12주 후에 발표됩니다.   마감일이 지나면 모든 지원자에게 특정 시간표가 포함된 후속 이메일이 발송됩니다.

학사 일정: OMSCS 일정은  Georgia Tech 등록 기관 일정 과 동기화됩니다.

조지아텍 온라인 석사 2023 지원 방법

조지아텍 석사 온라인으로 신청하기

지원은 간단하게 온라인으로 할 수 있습니다. 해당 화면에서 'Fall 2023 - Summer 2024 Academic Year'를 선택하시면 됩니다.

조지아텍 석사 온라인으로 신청하기 - 학기 선택

신청을 완료하기 위해서는 아래의 지원비를 납부해야하니 주의하시기 바랍니다.

환불되지 않는 신청 수수료 를 지불하려면 신용 카드 정보(American Express, Mastercard 또는 Visa)를 제공해야 합니다 .

국내 지원자의 지원비는 $75입니다. 국제 지원자의 지원 비용은 $85입니다.
지원비는 환불되지 않으며 다른 지원서에 양도할 수 없습니다

조지아텍 컴퓨터공학 온라인 석사 지원에 필요한 조금 더 구체적인 서류

컴퓨터 공학 온라인 석사 학위

컴퓨터 공학 분야는 Georgia Tech에서 특별한 의미가 있음을 명심하십시오. 일반적으로 정보 기술, MIS, CIS 또는 웹 개발을 의미하지 않습니다. 이러한 분야의 일반적인 업무 경험만으로는 Georgia Tech의 컴퓨터 공학 석사 수준의 업무를 준비하기에 충분하지 않을 수 있습니다.

신청서에 다음 항목을 제공했는지 확인하십시오.

학점을 위해 다녔던 모든 학교의 성적 증명서; 성적표가 영어가 아닌 경우 영어 번역이 필요합니다. 학기 종료 후 90일이 지난 경우 "진행 중인" 과목은 포함하지 않아야 합니다(Academic History 페이지).
귀하의 컴퓨터 공학 기술에 대해 권위 있는 토론을 할 수 있는 사람들의 추천(친구, 가족 및 동료는 좋은 추천자가 아닙니다) - 강력한 지원 준비에 대한 지침 을 참조하십시오.
고용주 이름(고용 페이지).
이력서 - 배경에 상관없이 필요합니다 . 이력서는 지원 서류 페이지 에서 업로드할 수 있습니다 .
CS 관련 배경, 기술 및 능력에 대한 구체적인 지원 정보 기억하십시오, 우리는 많은 비전통적(즉, 비 CS 또는 관련) 배경을 가진 지원자를 격려하고 인정합니다. 아래의 배경 섹션에서 CS 배경, 기술 및 역량을 통해 학문적으로 엄격한 CS 대학원 수준의 작업을 수행할 수 있도록 간략하게 요약하고 설명하십시오. 지원서의 전문성 개발 영역에 적절한 지원 문서를 업로드하십시오(학력 영역에 업로드해야 하는 성적표 제외).

주의사항:
- 학업 학점을 위해 다녔던 모든 대학의 성적 증명서를 포함해야 합니다! 그렇지 않으면 신청서 처리가 지연됩니다!
- 이력서를 포함해야 합니다 – 이력서를 제출하지 않으면 지원서를 평가하지 않습니다.
- 모든 증빙 문서를 지원서의 전문성 개발 영역에 업로드해야 합니다(학사 영역에 업로드해야 하는 성적표 제외).
- 매우 오래된 진행 중인 학위의 성적 증명서 (신청 날짜보다 >30일 더 오래된 것을 의미)를 업로드하지 마세요.

- 웹 다운로드이기 때문에 문자 그대로 10페이지의 성적표; 10페이지가 넘는 성적표를 제출하는 지원자는 해당 성적표를 다시 제출하라는 통지를 받게 되며 해당 신청서는 무기한 보류됩니다.
- 취득 학위의 수여 날짜가 표시되지 않은 청구, 완료 학위 의 성적 증명서를 업로드하지 마세요.
- 학부 및/또는 대학원 GPA가 없는 증명서를 업로드 하지 마세요.

조지아텍 온라인 석사 애플리케이션 지원 시 필요한 항목

주의사항:
- 모든 질문에 간결하고 요점에 답해야 합니다( SHOULD ).

주의사항:
- 대학 이전의 동기나 경험을 기술하지 마십시오.
- 교과 과정을 나열하지 마십시오  – 성적 증명서에 있습니다(과정이 CS 개념을 포함하는 방법을 설명할 필요가 없는 한).
- 취미, 개인적인 관심사 또는 컴퓨터 과학과 무관한 삶의 다른 영역을 설명하거나 나열 하지 마십시오.
- NOT  비채점, 비학업 학점 MOOC 유형의 코스워크를 나열합니다.
- 학부 과정(예: 중등 또는 고등학교) 이전의 배경을  기재하지 마십시오. 대학원과는 무관합니다!

- 학부 생활 이전의 "경험" 포함(5세에 컴퓨터를 사용하기 시작했는지 등은 상관하지 않음).

주의사항:
- OMSCS 보충 섹션에 있는 9개의 예/아니오 질문에 "예"로 정직하게 대답했는지 확인해야 합니다( SHOULD ). 이 9개 질문 중 하나라도 "아니요"라고 답했다면 지원서를 수정하여 9개 질문 모두에 "예"라고 대답할 수 있을 때까지 지원서를 제출해서는 안 됩니다.

지원서 - 추천서 항목

추천서 작성자에게 추천서에서 다루어야 할 사항:

- 직장 동료, 배우자, 인척, 형제자매(쌍둥이 또는 기타!), 부모, 자녀, 종교 지도자, 친구 등이 추천서를 쓰지 않도록 하십시오. 이러한 편지는 무시됩니다!
- 개인 특성(예: 시간 엄수, 지식에 대한 "갈증", 훌륭한 팀 플레이어, 리더십 기술 등)은 중요하지 않습니다. 무엇인가요? CS와 관련된 귀하의 기술력!
- 학업 프로그램에 지원하는 것이므로 최소한 하나의 학문적 추천서(가급적 두 개)가 있어야 합니다.
- 학술 편지 작성자의 경우 CS 관련 수업을 들었던 교수/교사에게 문의하십시오. CS가 아니거나 관련 배경이 있고 CS 수업을 거의 또는 전혀 듣지 않은 경우 도전적인 기술 과정에서 가르친 교수에게 문의하십시오. 그럼에도 불구하고 그들에게 귀하의 기술적 능력에 대해 구체적으로 언급하도록 요청하십시오. 코스의 도전 과제를 어떻게 해결했습니까? 문제를 어떻게 해결했습니까? 문제나 프로젝트를 수행하기 위해 어떤 기술, 지식 및 도구를 사용했습니까?
- 작업 편지 작성자의 경우 TECHNICAL CS 관련 기술에 대한 직접적인 지식을 가진 감독자여야 합니다. 작업의 기술적 세부 사항을 이해하지 못하는 고위 경영진은 좋은 추천서를 작성할 수 없습니다. 편지 작성자는 귀하가 수행한 프로젝트 또는 작업에 대해 구체적으로 언급해야 합니다. 문제는 무엇이었고 결과는 무엇이며 결과를 달성하기 위해 CS 기술을 어떻게 활용했는지. 편지 작성자에게 그들이 CS와 어떻게 관련되어 있는지에 대한 자격 증명을 진술하도록 요청하십시오. 즉, 그들이 귀하의 CS 기술에 대해 논평할 능력이 있는 이유는 무엇입니까?

- 귀하의 컴퓨터 공학 능력에 대한 직접적이고 구체적인 지식이 있는 교수 및/또는 작업 감독자에게 추천서를 작성하도록 요청해야 합니다. 그리고 그들에게 귀하의 CS 지식에 대해 구체적으로 의견을 제시하도록 요청해야 합니다.

왜 OMSCS인가?

조지아 공대는 왜 이러는 걸까요?

일반적으로 Georgia Tech, 특히 College of Computing은 유익한 교육 기술을 고등 교육 경험에 완전히 통합하기 위해 최선을 다하고 있습니다. 대규모 온라인 교육 모델의 개발은 우리가 실제 캠퍼스에서 수용할 수 있는 것보다 전 세계에서 온 기하급수적으로 더 많은 사람들에게 고품질 교육에 대한 액세스를 확장할 수 있는 전례 없는 기회를 제공합니다. 공립 대학으로서 우리의 교육 사명은 그러한 기회를 탐색하고 극대화하는 것입니다.

이 접근법의 새로운 점은 무엇입니까?

"대규모 온라인" 형식을 통해 완전히 취득할 수 있는 컴퓨터 과학 분야 최초의 전문 온라인 이학 석사 학위입니다. MOOC, 산업 및 학계의 리더들이 참여하여 대규모의 저렴한 규모로 고급 학위 프로그램을 제공할 수 있는 방법을 보여줍니다. 우리는 이 프로그램이 기업에서 고품질 및 100% 온라인 학위를 전통적인 캠퍼스 환경에서 받는 학위와 동등하게 받아들이고 미국이 고급 컴퓨터 공학 인력 부족 문제를 해결하는 데 도움이 되는 청사진 역할을 할 수 있다고 믿습니다. 및 기타 STEM 기술.

왜 컴퓨터 공학인가?

오늘날 직업 시장에는 약 300만 개의 개방형 기술 직책이 있습니다. 숙련된 컴퓨팅 전문가를 교육하는 것은 사회적 필요이며 Georgia Tech와 AT&T가 해결하고자 하는 과제입니다.

대규모 온라인 접근 방식을 사용하여 컴퓨터 과학이 어떻게 평가에 적합합니까?

종종 컴퓨터 과학 문제에는 옳고 그른 답이 있으며 주관적이기보다는 객관적인 평가 및 평가에 적합합니다. 이것이 컴퓨터 과학이 MOOC 플랫폼에 순응하도록 만드는 것입니다. 그렇지 않은 경우에는 학생의 성과를 평가하고 평가하는 데 필요한 리소스를 적용합니다.

Georgia Tech는 이 형식으로 다른 학위를 제공합니까?

Georgia Tech는 이제 완전한 온라인 분석 과학 석사(OMS A) 및 온라인 사이버 보안 과학 석사를 제공합니다.

AT&T가 온라인 고등 교육의 세계에 투자한 이유는 무엇입니까?

AT&T는 MOOC(Massive Online Open Course) 플랫폼의 파괴적인 힘이 미국의 엔지니어 및 기타 기술 학위 인재 부족을 해결하는 데 도움이 될 수 있다고 믿습니다. Georgia Tech와 AT&T는 대학원 학위와 자격증을 온라인에서 매우 저렴한 비용으로 이용할 수 있게 함으로써 고급 학위를 취득하거나 접근할 수 없는 많은 학생들의 장벽을 제거하고 차세대 기술 리더를 위한 파이프라인을 늘리고 있습니다.

출처: https://omscs.gatech.edu/apply-now

프로그램 링크:

[왕초보] 리트코드 시작하는 방법 (릿코드/leetcode 활용법, 공부 방법)

리트코드/릿코드/leetcode를 시작하는 방법은 다음과 같습니다. 1. 회원가입 leetcode.com/ 위의 리트코드(leetcode) 사이트에서 회원가입을 합니다. 기본적으로 사이트 이용은 무료입니다. 추가적으로,

inner-game.tistory.com

[개발자 해외취업] 리트코드 프리미엄 멤버쉽 구독 왜 해야 하는가?

한국에서는 백준사이트나 알고스팟 등을 주로 하지만, 해외취업을 원한다면 리트코드가 필수라고 생각한다. 특히 구글, 페이스북, 아마존, 넷플릭스, 애플 등에 취업하기를 원한다면 다른 사이

inner-game.tistory.com

독일 TU Berlin(베를린공대) 컴퓨터공학(informatik) 학사/석사 소개/지원방법 및 커리큘럼

독일 TU Berlin(베를린공대) 컴퓨터공학(informatik) 학사/석사 소개/지원방법 커리큘럼

독일에서 학사와 석사의 의미독일은 학사 3년, 석사 2년으로 구분되어 있으며, 한국처럼 학사와 석사가 별개로 구성되어 있는 느낌 보다는, 한번 입학하면 5년제 커리큘럼의 완성으로 석사학위

germanylab.tistory.com

[왕초보] 리트코드 시작하는 방법 (릿코드/leetcode 활용법, 공부 방법)

InnerGame — Sun, 8 Feb 2026 23:20:09 +0900

리트코드/릿코드/leetcode를 시작하는 방법은 다음과 같습니다.

1. 회원가입

leetcode.com/

위의 리트코드(leetcode) 사이트에서 회원가입을 합니다. 기본적으로 사이트 이용은 무료입니다. 추가적으로, 무료회원을 할지, 유료회원을 할지 정해야 합니다. 저는 유료회원을 추천하는 편입니다. 왜냐하면, 시간을 절약할 수 있기 때문입니다.

그러나 당장 오늘은 무료회원으로 리트코드를 시작해도 무방합니다. 유료회원권은 1달 혹은 1년이기 때문에, 오늘부터 리트코드르 사용해 보다가, 추후에 최소 한달이상 리트코드를 이용할 것 같다고 생각되면, 그때 가입해도 됩니다.

옵션1: 무료버전을 사용하다가, 프로모션이 나오면 유료회원으로 업그레이드
- 학생할인 프로모션: 159 -> 99 달러, 비정기적 할인 ( 자세한 정보를 보시려면 클릭 )
- 블랙프라이데이할인 프로모션: 159 -> 129달러 (리트코드 할인 쿠폰 코드: THANKS2020)
옵션2: 지금 당장 유료회원 특징 알아보고 가입하기
- 다음은 유료회원의 특징을 정리해놓은 글입니다. [개발자 해외취업] 리트코드 프리미엄 왜 해야 하는가?

2. 어떤 문제를 풀것인가?

왼쪽 위의 Explore 메뉴 이용하여 문제에 접근하는 방법을 추천합니다.

릿코드를 이용하는 방법은 다양하나, 우선 문제를 푸는방법을 익히고, 문제를 푸는것에 도전해 보겠습니다.

이를 위해서는, Explore 메뉴를 추천합니다.

리트코드 첫화면에서 좌측상단의 Explore를 클릭하세요.

[초급자]

초급자 경우에는 'Explore -> Learn' 카테고리를 추천합니다. 아무 문제나 푸는것 보다, 적절한 설명과 함께 정해진 단계를 밟아나가며 문제를 푸는것이 실력향상 및 빠른 이해에 많은 도움이 됩니다.

리트코드의 Explore -&amp;amp;amp;amp;amp;gt; Learn 메뉴

특히 다음의 코스들을 추천합니다.

Explore > Learn 섹션을 공부하는 방법 대해서 자세히 알아보고 싶으시다면, 다음의 글을 참고하세요.

리트코드 왕초보용 [Explore > Learn] 도장깨기

[초/중급자]

A. 인터뷰 준비 코스

우선 추천드리는것은 인터뷰 준비 코스입니다. 체계적으로 잘 준비되어 있다고 생각합니다.

카드는 다음과 같이 생겼으며, 아래 글은 저의 후기입니다.

♠ [LeetCode] Top Interview Questions - Easy Collection

[LeetCode] Top Interview Questions - Easy Collection

리트코드에 공식 큐레이팅 된 코딩 인터뷰에 자주 출제되는 문제의 목록입니다. 인터뷰 준비를 하는데 있어서, 모든 문제를 훑어 보실것을 강력 추천 합니다. 깊고 느리게, 우보만리 우직한 소

inner-game.tistory.com

리트코드 인터뷰 준비 코스

B. Monthly Challange

추가적으로, 매일매일 한문제씩 풀어나가는 챌린지도 추천합니다.

이 글은 저의 후기이고, 챌린지 카드는 아래와 같이 생겼습니다.

♠ Monthly LeetCoding Challenge 도전하기

Monthly LeetCoding Challenge 도전하기

소개 Introduction This Challenge is beginner-friendly and available to both Premium and non-Premium users. It consists of 31 daily problems over the month of January. A problem is added here each da..

inner-game.tistory.com

리트코드 챌린지: 하루에 한문제

공부 후 달콤한 휴식

[중/고급자]

어느정도 문제의 분류와 감이 잡혔다고 생각되면, 주말마다 4문제를 풀수있는 콘테스트 참여하기 를 적극 추천드립니다.

시간제한안에 문제를 푸는 형식으로 실력과 재미를 모두 잡을 수 있다고 생각합니다.

리트코드 콘테스트 URL : leetcode.com/contest/
리트코드 콘테스트 후기:

2021/01/18 - [LeetCode 리트코드/Contest] - weekly-contest-224

weekly-contest-224

leetcode.com/contest/weekly-contest-224/ Welcome to Weekly Contest 224! Feel free to share and post your contest experience here! You can also view the rankings for the contest here. Links to the..

inner-game.tistory.com

콘테스트가 끝나고나면 다른사람과 나의 등수 비교 및 다른 사람의 코드를 보면서 내 실력을 가늠하고, 많은 것을 배울 수 있답니다.

리트코드 콘테스트 결과화면

대회시간을 놓쳐도 이미 끝난 테스트에 대해서는 버츄얼 콘테스트를 해볼수 있다. 원래 대회 시간인 1시간 30분이 주어지고 그동안 나 혼자서 문제를 풀게 된다. 1시간 30분후에 버추얼 콘테스트가 끝나면, 내가 원래 참여했었다면 몇등이었는지 기존 사용자의 데이터에 비교하여 보여준다.

그리고 콘테스트를 통해서 공부하면 좋은점은, 아래의 그림에서 보는것 처럼 테스트케이스를 여러개 한번에 자동으로 넣을 수 있다는 것. 생각보다 은근히 공부 효율이 좋은 포인트이다.

리트코드 버츄얼 콘테스트에서 자동으로 테스트케이스 여러개가 삽입되는 [v] Custom Testcase를 선택한 경우

AI 공부 로드맵 ① 수학 기초 다지기: 왜 중요한가? 어떻게 준비할까?

InnerGame — Sun, 8 Feb 2026 23:20:01 +0900

인공지능(AI) 분야를 공부하려면 반드시 넘어야 할 관문이 있습니다. 바로 수학 기초입니다. 많은 학생들이 “프로그래밍만 잘하면 되지 않을까?”라는 생각으로 접근하지만, 실제로 AI 알고리즘과 모델의 핵심을 이해하려면 수학적 사고력이 필수적입니다. 단순히 라이브러리를 불러와서 모델을 실행하는 수준을 넘어, 알고리즘의 원리를 파악하고 최적화 과정에서 발생하는 문제를 해결하려면 수학적 기반이 뒷받침되어야 합니다. 이번 글에서는 AI 학습에 필요한 수학 기초를 단계별로 정리하고, 각 영역을 어떻게 공부하면 좋은지 소개하겠습니다.

1. 왜 수학이 중요한가?

AI는 결국 데이터를 수학적으로 표현하고, 이를 기반으로 모델을 설계하고 학습시키는 과정입니다. 예를 들어, 딥러닝의 핵심인 신경망은 행렬 연산과 미분을 통한 최적화에 의존합니다. 확률과 통계는 데이터의 불확실성을 다루는 도구이며, 선형대수학은 고차원 데이터 표현과 연산을 가능하게 합니다. 수학을 이해하지 못하면, 모델이 왜 잘 작동하는지 혹은 왜 실패하는지 파악할 수 없게 됩니다. 따라서 공학도로서 AI를 제대로 공부하고 싶다면, 최소한의 수학적 기반은 반드시 필요합니다.

AI 공부 로드맵 ① 수학 기초 다지기: 왜 중요한가? 어떻게 준비할까?

2. AI를 위한 수학 핵심 영역

(1) 선형대수학 (Linear Algebra)

AI와 머신러닝에서 가장 많이 쓰이는 도구는 선형대수학입니다.

벡터와 행렬: 데이터를 수치화하여 벡터나 행렬 형태로 표현합니다. 예를 들어, 한 장의 흑백 이미지는 픽셀 값이 모인 행렬로 표현됩니다.
행렬 곱 연산: 신경망에서 입력과 가중치(weight)의 계산은 결국 행렬 곱으로 표현됩니다.
고유값과 고유벡터: 차원 축소 기법(PCA)이나 딥러닝의 특성 추출 과정에서 중요한 개념입니다.

추천 학습법:
MIT OpenCourseWare의 Linear Algebra (Gilbert Strang) 강의가 널리 추천됩니다. 또한 Python의 NumPy를 활용하여 실제 행렬 연산을 직접 구현해보면 이해가 빨라집니다.

[AI] - AI 공부를 위한 수학 기초 학습 가이드 – 수학을 하나도 모르는 사람도 시작할 수 있는 방법 | 무료/유료 강의까지 단계별 완벽 가이드

AI 공부를 위한 수학 기초 학습 가이드 – 수학을 하나도 모르는 사람도 시작할 수 있는 방법 | 무

inner-game.tistory.com

▶ 한국어 무료 강의

[AI 인공지능 머신러닝 딥러닝/인공지능 수학] - 혁펜하임의 "보이는" 선형대수학 (Linear Algebra) | 인공지능, 머신러닝, 딥러닝 수학 무료 강의

혁펜하임의 "보이는" 선형대수학 (Linear Algebra) | 인공지능, 머신러닝, 딥러닝 수학 무료 강의

오늘 소개할 강의는 “혁펜하임의 ‘보이는’ 선형대수학 (Linear Algebra)”이며, 혁펜하임의 선형대수학 강의는 “선형대수학을 눈으로 보이게” 만드는 것을 목표로 한, 총 40강짜리 시각 중심

inner-game.tistory.com

▶ 한국어 무료 강의

[AI 인공지능 머신러닝 딥러닝] - AI 비전공자를 위한 기초 수학 1 선형대수학 | KAIST-ON 플랫폼 소개

AI 비전공자를 위한 기초 수학 1 선형대수학 | KAIST-ON 플랫폼 소개

카이스트에서 제공하는 무료 강의입니다. 카이스트에서는 KAIST-ON 이라는 온라인 교육 플랫폼을 제공합니다. 추가적으로 해당 강의를 듣기 전이나 후에 이 강의를 듣는 것도 추천드립니다.https://

inner-game.tistory.com

(2) 미적분학 (Calculus)

머신러닝의 핵심은 최적화(optimization)입니다. 모델이 더 좋은 결과를 내도록 손실 함수(loss function)를 최소화하는 과정에서 미분과 적분이 활용됩니다.

편미분: 여러 변수 중 하나를 고정하고 다른 변수에 대한 변화를 살펴볼 때 사용합니다. 신경망의 역전파(Backpropagation)는 편미분 개념이 적용된 대표적 사례입니다.
연쇄 법칙(Chain Rule): 딥러닝에서 다층 구조를 가진 신경망을 학습시킬 때 각 층의 가중치에 대해 미분을 구하는 핵심 원리입니다.
적분: 확률 밀도 함수 계산과 연관되어 확률·통계 영역에서 활용됩니다.

추천 학습법:
기초는 Khan Academy의 Calculus 시리즈로 다질 수 있습니다. 공대생이라면 이미 미적분학을 수강했을 가능성이 크지만, AI 관점에서 다시 보는 것도 유익합니다.

▶ 한국어 무료 강의

[AI 인공지능 머신러닝 딥러닝/인공지능 수학] - AI 비전공자를 위한 기초수학: 벡터 미적분학 (1/4) | KAIST-ON

AI 비전공자를 위한 기초수학: 벡터 미적분학 (1/4) | KAIST-ON

이번에는 'AI 비전공자를 위한 기초수학: 벡터 미적분학'에 대해서 소개해 드리겠습니다. 앞에서 소개해드린 인공지능을 위한 선형대수학 강의와 마찬가지로 'KAIST-ON'에서 수강하실 수 있습니다.

inner-game.tistory.com

(3) 확률과 통계 (Probability & Statistics)

데이터는 항상 불확실성을 포함합니다. AI 모델은 이러한 불확실성을 다루고, 데이터로부터 일반화된 규칙을 찾기 위해 확률과 통계 개념을 사용합니다.

확률 분포: 정규분포, 이항분포, 포아송분포 등은 데이터 모델링의 기초입니다.
기댓값과 분산: 데이터의 평균적 특성과 흩어짐을 이해하는 기본 도구입니다.
베이즈 정리: 조건부 확률을 계산하는 공식으로, 머신러닝의 베이즈 모델뿐 아니라 최근 강화학습과 자연어처리에도 폭넓게 응용됩니다.
추정과 가설검정: 데이터 샘플을 통해 모집단의 특성을 유추하는 방법으로, 실험 설계와 성능 검증에서 필수적입니다.

추천 학습법:
통계는 실습이 특히 중요합니다. Python의 pandas, scipy, statsmodels 패키지를 활용해 간단한 데이터 분석 실습을 하는 것이 효과적입니다.

▶ 한국어 무료 강의

[AI 인공지능 머신러닝 딥러닝] - 인공지능 딥러닝 기초 완전정복: 유튜브로 배우는 신경망·딥러닝·실습코딩 가이드 | 인공신경망기초

인공지능 딥러닝 기초 완전정복: 유튜브로 배우는 신경망·딥러닝·실습코딩 가이드 | 인공신경

안녕하세요! 오늘은 제가 최근에 시청한 유튜브 플레이리스트 “인공신경망기초-신박Ai”를 바탕으로, 인공지능(Artificial Intelligence; AI) 기초에 대해 공부한 내용을 정리하여 티스토리 블로그 포

inner-game.tistory.com

(4) 수치해석 (Numerical Methods)

AI 모델은 이론적으로는 깔끔한 수학식으로 표현되지만, 실제 계산은 근사치 계산으로 이루어집니다.

최적화 알고리즘: 경사하강법(Gradient Descent), 확률적 경사하강법(SGD) 등은 실제 신경망 학습의 핵심 알고리즘입니다.
수치적 안정성: 컴퓨터의 유한 정밀도 때문에 발생하는 오차를 다루는 방법입니다.

추천 학습법:
Python으로 직접 Gradient Descent를 구현해보는 것이 좋은 훈련이 됩니다. 작은 예제라도 직접 손으로 코드화하면 원리를 명확히 이해할 수 있습니다.

3. 어떻게 공부를 시작해야 할까?

많은 학생들이 수학을 다시 공부하려고 하면 막막함을 느낍니다. 하지만 AI에 필요한 수학은 ‘공학적 활용을 위한 수학’이라는 점에서, 모든 이론을 깊게 파고들 필요는 없습니다. 핵심은 개념을 이해하고 실제 문제에 적용해보는 것입니다.

학습 순서 추천:

선형대수학 → 2. 미적분학 → 3. 확률과 통계 → 4. 수치해석
이 순서대로 기초를 쌓으면 AI 논문이나 교재를 읽을 때 수학적 장벽이 크게 낮아집니다.

또한, 공부할 때는 반드시 코드와 연계하는 것이 좋습니다. 예를 들어, 단순 선형 회귀를 직접 수학적으로 풀어본 뒤 Python으로 구현하면, 이론과 실제의 연결이 훨씬 잘 이해됩니다.

AI 공부 로드맵 ① 수학 기초 다지기: 왜 중요한가? 어떻게 준비할까?

4. 마무리

AI 공부에서 수학 기초는 단순히 배경 지식이 아니라, 알고리즘을 이해하고 개선할 수 있는 열쇠입니다. 처음에는 어렵게 느껴질 수 있지만, 차근차근 기초를 다지고 실습과 병행한다면 충분히 따라갈 수 있습니다. 특히 공대 학생이라면 기존 수학 지식을 ‘AI 관점에서 재해석’하는 과정이 필요합니다. 앞으로 AI 학습 로드맵의 다음 단계인 프로그래밍 언어와 데이터 처리로 넘어가기 전에, 반드시 수학 기초를 다시 정리해두는 것을 추천합니다.

다음 글

[AI 인공지능 머신러닝 딥러닝] - AI 공부 로드맵 ② 프로그래밍과 컴퓨터공학 기본기

AI 공부 로드맵 ② 프로그래밍과 컴퓨터공학 기본기

AI를 배우기 위해 수학 기초를 다졌다면, 그다음 단계는 프로그래밍과 컴퓨터공학 기본기를 탄탄히 다지는 것입니다. AI는 단순히 이론으로만 존재하는 학문이 아니라, 실제로 코드를 작성하고

inner-game.tistory.com

컴퓨터공학과 AI 공부 로드맵: 대학생을 위한 단계별 가이드

인공지능(AI)은 4차 산업혁명의 핵심 기술이자 미래 사회를 이끌어갈 필수 역량입니다. 특히 컴퓨터공학과 학생들에게 AI는 선택이 아닌 필수 과목처럼 다가오고 있습니다. 하지만 어디서부터 시

inner-game.tistory.com

Machine Learning and Visual Perception | 머신러닝 그리고 시각 지각

InnerGame — Fri, 6 Feb 2026 23:37:41 +0900

About this book
The book provides an up-to-date on machine learning and visual perception, including decision tree, Bayesian learning, support vector machine, AdaBoost, object detection, compressive sensing, deep learning, and reinforcement learning. Both classic and novel algorithms are introduced. With abundant practical examples, it is an essential reference to students, lecturers, professionals, and any interested lay readers.

A systematic presentation of machine learning and visual perception, covering both classical and recent results.
Includes extensive examples to facilitate understanding.
Presents the advanced theories in an easy-to-understand way.
Author / Editor information
Baochang Zhang, Beihang University, Beijing, China

이 책에 대하여
이 책은 의사결정 트리, 베이지안 학습, 서포트 벡터 머신, AdaBoost, 객체 탐지, 압축 센싱, 딥 러닝, 강화 학습을 포함한 머신 러닝 및 시각 인식 분야의 최신 동향을 다룹니다. 고전적인 알고리즘과 새로운 알고리즘을 모두 소개하며, 풍부한 실제 예제를 통해 학생, 강사, 전문가 및 관심 있는 일반 독자 모두에게 유용한 참고서가 될 것입니다.

기계 학습과 시각 인식에 대한 체계적인 소개로, 고전적인 연구 결과와 최근 연구 결과를 모두 다룹니다.
이해를 돕기 위해 다양한 예시를 포함하고 있습니다.
심화된 이론들을 이해하기 쉬운 방식으로 제시합니다.

Introduction

패턴 인식은 1920년대에 개발되었으며, 1940년대 컴퓨터의 발전과 1950년대 인공지능의 부상으로 1960년대 초반에 빠르게 발전한 학문 분야로 발전했습니다. 우리는 패턴과 패턴 인식에 대한 정의를 제공해야 합니다. 넓은 의미에서, 시간과 공간에서 관찰된 것들이 동일한지 유사한지 구분할 수 있다면 이를 패턴이라고 부른다. 그러나 좁은 의미에서 패턴은 여러 특정 특성을 관찰하여 얻는 시간적·공간적 분포 정보를 의미합니다. 패턴의 범주 또는 같은 클래스 내 전체 패턴 집합을 패턴 클래스(또는 간단히 클래스)라고 부릅니다. 패턴 인식은 특정 측정이나 관찰을 바탕으로 인식되지 않은 패턴을 해당 패턴 클래스로 분류하는 과정입니다.

다른 책들의 지루한 이론과 복잡한 공식과 달리, 이 책은 실용적인 측면을 강조하고 알고리즘의 구현 사례를 다수 설명하여 독자들이 이해할 수 있도록 돕습니다. 반면, 책의 각 장은 비교적 독립적이며, 전통적인 이론과 방법뿐만 아니라 최근 학회에서 발표된 새로운 알고리즘과 대중적인 딥러닝 이론을 포함하여 학생과 독자 모두가 머신러닝의 기초와 새로운 연구 방향을 이해할 수 있도록 합니다.

1. Introduction of machine learning

현재 "머신러닝"에 대한 통일된 정의는 없으며, 인정받고 정확한 정의를 제공하는 것도 어렵습니다. 머신러닝은 경험을 통해 자동으로 향상되는 컴퓨터 알고리즘을 연구하는 학문입니다. 동시에 머신러닝은 예시 데이터나 과거 경험을 활용해 성능 기준을 최적화하기 위한 컴퓨터 프로그래밍으로도 정의할 수 있습니다.

Machine learning

Statistical pattern recognition | 통계적 패턴 인식

Core theory of statistical learning | 통계 학습의 핵심 이론

2. PAC Model

계산 학습 이론에서, 아마도 근사적으로 올바른 학습(PAC learning)은 기계 학습의 수학적 분석을 위한 프레임워크입니다. 이 방법은 1984년 Leslie Valiant에 의해 제안되었습니다(Valiant, A theory of learning able, 1984)(Haussler, 1990) (Haussler, 1993). 이 틀에서 학습자는 샘플을 받고 특정 가능한 함수 클래스 중에서 일반화 함수(가설이라 불림)를 선택해야 합니다. 목표는 높은 확률('아마도' 부분)에서 선택된 함수가 일반화 오차가 낮음('대략 정확한' 부분)을 갖도록 하는 것입니다. 학습자는 임의의 근사 비율, 성공 확률, 또는 표본 분포를 고려할 때 개념을 배울 수 있어야 합니다. 이 모델은 이후 노이즈(잘못 분류된 샘플) 처리로 확장되었습니다. PAC 프레임워크의 중요한 혁신 중 하나는 계산 복잡도 이론 개념을 머신러닝에 도입한 것입니다. 특히, 학습자는 효율적인 함수(예시 크기의 다항식으로 제한된 시간 및 공간 요구사항)를 찾는 것이 기대되며, 학습자 자신도 효율적인 절차를 구현해야 합니다(개념 크기의 다항식으로 제한된 예제 수를 근사와 우도 경계에 의해 수정됨). 이 장에서는 기본 PAC 모델을 소개하고, 유한 공간과 무한 공간 모두에서 표본 복잡도 문제를 더 자세히 논의합니다. 이 글의 논의는 불리언 값 학습 개념을 제한하며, 훈련 데이터는 잡음이 없습니다(많은 결론이 더 일반적인 경우로 확장됩니다) (Valiant, Probably Approximately Correct: NatureÕs Algorithms for Learning and Prospering in a Complex World, 2013).

Basic model

Sample complexity in the PAC model | PAC 모델의 샘플 복잡도

3. Decision tree learning | 3. 의사결정 트리 학습

의사결정 트리는 각 내부 노드가 속성에 대한 "테스트"를 비교하는 흐름도 구조입니다. 동전을 던지는 예를 들어, 앞면이나 뒷면이 나올 확률을 고려한다; 결정 트리의 각 가지와 각 잎 노드는 각각 테스트 결과와 클래스 레이블을 나타내며, 이는 모든 속성의 계산을 바탕으로 결정에 따라 결정됩니다(M. W. H., 1969). 결정 트리에서 루트에서 리프 노드로 가는 경로는 의사결정 분석을 위한 분류 규칙을 나타냅니다. 의사결정 트리와 밀접하게 관련된 영향력 지도는 경쟁 대안들 사이에서 기대값이나 효용 특징을 판단하는 시각적 및 분석적 의사결정 도구로 사용됩니다. 결정 트리는 다이어그램에서 세 가지 범주의 노드로 구성됩니다: 일반적으로 정사각형으로 표현되는 결정 노드; 우연 노드 – 보통 원으로 표시됨; 그리고 끝 노드는 일반적으로 삼각형으로 정의됩니다. 의사결정 트리는 주로 운영 연구와 관리를 위해 사용됩니다. 불완전한 지식을 기억하지 않고 온라인으로 의사결정을 내리려면, 결정 트리를 최적 확률 모델 또는 온라인 선택 모델과 함께 사용해야 합니다. 결정 트리의 또 다른 적용 예는 조건부 확률을 기술적으로 계산할 때입니다. 요약하자면, 의사결정 트리, 영향 지도, 효용 특징 및 기타 의사결정 분석 도구와 방법은 경영대학, 공중보건, 보건경제학 학생들에게 관련 과학적 연구 또는 관리 방법을 이해하기 위해 다양한 운영을 가르칠 때 예시로 사용됩니다.

결정 트리는 개념 공간을 설명할 수 있는 효과적인 귀납적 추론 방법이기도 합니다. 각 결정이나 사건(즉, 자연의 상태)은 두 개 이상의 사건과 서로 다른 출력 분기로 이어질 수 있습니다. 이 결정 분기들은 나무의 가지처럼 그려지기 때문에, 이 방법은 항상 상향식으로 생성되는 결정 나무라고 불립니다(Kamiński, 2018). 의사결정 트리가 신경망에 비해 가지는 장점 중 하나는 의사결정 트리가 규칙을 생성할 수 있는 반면, 신경망은 의사결정을 할 때 적절한 이유를 제공하지 못한다는 점입니다. 다양한 분야에서 널리 사용된 의사결정 트리 기반 학습 방법은 간단하고 빠르기 때문에 독립적인 다중 개념 학습에 사용할 수 있습니다.

Overview of a decision tree

Design of decision tree | 의사결정 트리 설계

4. Bayesian learning

베이지안 의사결정 이론은 패턴 분류를 위한 통계적 추론의 기본 방법으로, 베이즈 정리를 사용하여 더 많은 증거나 정보가 제공됨에 따라 가설의 확률을 갱신합니다(Choudhuri, 2005) (Li, 2012; 앨버트, 2009). 기본 원리는 확률에 대한 서로 다른 분류 결정과 그에 따른 결정 비용 사이에서 타협점을 찾는 데 있다. 결정 문제는 확률로 설명할 수 있으며 모든 관련 확률 구조가 알려져 있다고 가정한다.

실제 관찰을 하기 전에, 다음에 제시할 범주에 대해 판단이 내려진다고 가정하며, 잘못된 결정이 같은 대가를 치르고 같은 결과를 낳을 것임을 가정합니다. 사용할 수 있는 유일한 정보는 사전 확률(ω if PðωÞ > PðωÞ, ω 그렇지 않으면 ω이다.

한 가지 결정만 필요하다면, 앞서 논의한 결정 규칙이 합리적입니다. 하지만 여러 문장에 대해서는 같은 결과가 항상 나오기 때문에 이 규칙을 다시 적용하는 것이 적절하지 않을 수 있습니다.

여러 결정이 필요한 상황에서는 판단에 사용되는 정보가 매우 적습니다. 다음에 설명한 예시는 남성과 여성의 성별을 구분하는 예시로 사용됩니다. 관찰된 키와 체중 정보는 성별별로 서로 다른 키와 체중 분포를 생성하고 이를 확률적 변수로 표현하기 때문에 분류기의 성능을 향상시키는 데 활용될 수 있습니다.

Bayesian learning | 베이지안 학습

Naive Bayesian principle and application | 순진한 베이지안 원리와 적용

Hidden Markov model and application | 숨겨진 마르코프 모델과 응용

5. Support vector machines

데이터 마이닝의 중요한 작업 중 하나로서, 분류의 목적은 분류 함수 또는 분류 모델(분류기)을 배우는 것입니다. 지지 벡터 기계(SVM)는 통계적 분류 및 회귀분석에서 널리 사용되는 지도 학습 기법입니다(Cortes, 1995)(Hsu, 2002). SVM은 1995년 Vapnik 등에 의해 처음 제안되었습니다. 이들은 소표본, 비선형, 고차원 패턴 인식 문제를 해결하는 데 많은 독특한 장점을 가지고 있으며, 얼굴 인식, 보행자 감지, 자동 텍스트 분류 및 기타 머신러닝 문제에 널리 적용되고 있습니다. SVM은 VC 차원 이론(2.2장 참조)과 통계적 학습 이론의 구조적 위험 최소화에 기반합니다. SVM은 제한된 표본 정보를 바탕으로 모델 복잡도와 학습 능력 사이에서 최적의 절충점을 찾아 최적의 일반화를 얻으려 합니다.

Support vector machines | 지지 벡터 기계

Implementation algorithm | 구현 알고리즘

SVM example | SVM 예시

Multi-class SVM | 다중 클래스 SVM 73 요약 74

요약

SVM은 통계적 학습 이론을 견고한 이론적 기초로 간주합니다. 구조적 위험 최소화, 과학습 문제 극복, 전통 방법의 국소 최소값 진입 등 많은 장점과 강한 일반화 능력을 가지고 있습니다. 커널 함수를 사용해 고차원 공간으로 매핑하면 계산 복잡도가 증가할 뿐만 아니라 차원 재앙도 효과적으로 극복할 수 있습니다. 현재의 SVM 연구에도 몇 가지 한계가 있습니다.

1) SVM의 성능은 커널 함수 선택에 크게 의존하며, 특정 문제에 맞는 커널 함수를 선택하는 데 좋은 방법은 없습니다.

2) SVM의 속도와 규모를 훈련시키는 것도 또 다른 문제이며, 특히 속도가 SVM의 주요 제약 조건인 실시간 제어 문제에서 더욱 그렇습니다. 이 문제에 대응하여 Platt과 Keerthi는 각각 순차적 최소화 최적화(SMO)와 개선된 SMO 방법을 제안했다; 그러나 이들은 더 심층적인 연구가 필요합니다.

3) 기존의 SVM 이론은 고정된 페널티 계수의 경우만 논의하지만, 실제로는 양성과 음수 표본의 두 가지 잘못된 분류가 서로 다른 손실을 초래하는 경향이 있습니다.

6. AdaBoost

머신러닝에서 의사결정 트리는 객체 속성과 객체 값 간의 매핑을 나타내는 예측 모델입니다. 분류와 훈련에 의존하는 예측 트리입니다. 이 알고리즘은 처음부터 머신러닝과 데이터 마이닝에서 고전적인 알고리즘으로 찬사를 받아왔습니다. 모델 앙상블(예: 부스팅, 배깅 등)과 의사결정 트리의 조합에는 여러 알고리즘이 있습니다; 이 알고리즘들의 목적은 N개(100개 이상)의 트리를 생성하는 것이며, 이는 단일 결정 트리의 단점을 크게 줄일 수 있습니다(R., 2009)(Wang, 2008). 이 수백 개의 결정 트리 각각은 C4.5 단일 결정 트리에는 단순하지만, 강력한 조합입니다. 최근 몇 년간, 예를 들어 ICCV 2009 논문집에서는 부스트와 랜덤 포레스트와 관련된 많은 논문들이 있습니다. 모델 앙상블과 의사결정 트리를 결합하는 두 가지 기본 알고리즘 유형이 있습니다: AdaBoost와 랜덤 포레스트입니다. AdaBoost는 부스팅의 대표 사례이고, 랜덤 포레스트는 배깅의 대표적인 대표 사례입니다. 두 알고리즘의 확장에서 파생된 비교적 새로운 알고리즘들도 있습니다. 단일 결정 트리와 모델 기반 미분 알고리즘 모두 분류와 회귀 응용 모두를 가지고 있습니다. 여기서는 주로 고전적 의사결정 트리를 기반으로 한 두 알고리즘인 AdaBoost와 랜덤 포레스트의 기본 원리, 구현 및 적용을 소개합니다.

AdaBoost and object detection | AdaBoost와 객체 탐지

Robust real-time object detection | 견고한 실시간 객체 탐지

7. Compressed sensing | 7. 압축 감지

압축 센싱은 압축 샘플링, 희소 샘플링, 압축 센싱이라고도 하며, 효율적인 신호 획득 및 재구성을 가능하게 하고 불완전 결정 선형 시스템에 대한 해를 찾는 신호 처리 방법이다(Donoho, 2006). 이는 신호의 희소성을 활용하여 Shannon–Nyquist 샘플링 정리가 요구하는 것보다 훨씬 적은 양의 샘플에서 최적화를 통해 신호를 복구할 수 있다는 원리에 기반합니다. 복구에는 두 가지 가능한 조건이 있습니다: 첫 번째는 희소성으로, 신호가 어떤 영역에서 희소화되도록 보장합니다; 두 번째는 비일관성으로, 등척성 특성을 이용해 희소 신호에 대해 충분함을 보장합니다.

신호 처리의 전반적인 목적은 일련의 샘플링 측정을 통해 신호를 재구성하는 것입니다. 이 작업은 일반적으로 불가능하다고 여겨지는데, 신호가 측정되지 않는 시점에 신호를 재구성하는 것은 불가능하기 때문입니다. 그럼에도 불구하고, 일부 가정이나 사전 지식에 따라 샘플링이라는 획득 과정을 통해 일련의 측정에서 신호를 완전히 재구성할 수 있음이 입증되었습니다. 시간이 지나면서 엔지니어들은 실용적 가정과 일반화 방법에 대한 이해를 향상시켰습니다. 신호 처리의 초기 돌파구는 나이퀴스트-섀넌 샘플링 정리에서 나왔는데, 이는 실제 복소 신호의 최대 주파수가 샘플링 속도의 절반 이하이거나 샘플링 속도보다 작을 경우, sinc 보간을 사용해 신호를 완전히 재구성할 수 있다는 내용입니다. 샘플링 정리의 주요 아이디어는 신호 주파수에 대한 제약 조건이 미리 명시되어 있으면 신호를 재구성하는 데 소수의 샘플이 필요하다는 것이다. 2004년경, Emmanuel Candès, Terence Tao, Justin Romberg, David Donoho는 신호의 희소성에 대한 사전 지식이 있을 때, 샘플링 정리가 요구하는 것보다 훨씬 적은 표본으로 신호를 재구성할 수 있음을 증명했습니다. 이 제안된 아이디어는 압축 센싱의 기초가 됩니다.

요약
저차원 공간에서 불가분의 샘플의 특징은 고차원 및 분리 가능한 공간으로 업그레이드될 수 있습니다. 이 장에서는 압축 센싱 이론 프레임워크와 기술의 세 가지 문제를 논의합니다. 압축 센싱 이론은 신호의 희소성을 이용해 원래의 나이퀴스트 샘플링을 최적화를 통해 훨씬 적은 샘플에서 신호를 복구할 수 있는 과정으로 변환하는 신호 처리 기법입니다. 복구에는 두 가지 가능한 조건이 있습니다: 첫 번째는 희소성으로, 신호가 어떤 영역에서 희소함을 보장합니다; 두 번째는 비일관성으로, 등척성 특성을 이용해 희소 신호에 대해 충분함을 보장합니다. 중복 데이터를 빠르게 샘플링하고 불필요한 데이터를 제거하는 과정을 없애어, 처리, 저장, 전송 비용을 크게 줄여줍니다. 압축 감지는 샘플링과 압축을 결합한 새로운 샘플링 이론으로 볼 수 있습니다.

Theory framework | 이론 틀

Basic theory and core issues | 기본 이론과 핵심 쟁점

Application and simulation | 적용 및 시뮬레이션

8. Subspace learning | 8. 서브스페이스 학습

현재 주성분 분석(PCA)을 기반으로 한 특징 추출 방법이 주요 연구 주제입니다. 이 방법이 나타내는 방법은 서브스페이스 학습 방법(subspace learning method)이라고 불리며, 주로 특징 추출에 사용되고 얼굴 인식 분야에서 성공적으로 적용되었습니다(Vasilescu, 2003) (I.T., 2002) (Zhang, 2018) (Linlin Yang, 2017).

패턴 인식 시스템에서 특징 추출은 중요한 역할을 합니다.

특징 추출(feature extraction)이라 불리는 이 기술은 본질적으로 입력 신호에서 유효한 특징을 추출하는 것으로, 가장 중요한 기능 중 하나는 차원 감소입니다. 특히, 얼굴 이미지에서의 특징 추출은 주어진 얼굴 이미지에서 유효한 정보를 추출합니다. 보통 사진이 64× 64이기 때문에, 특징 추출은 83점을 기준으로 합니다. 점들로부터 추출된 기하학적 정보가 식별되어 패턴 인식 시스템이 비교적 단순해집니다. 일관성이 없는 다양한 응용 특징 추출 방법이 존재합니다; 그러나 PCA 기반의 특징 추출은 다양한 응용 특징 추출 방법에서 흔히 사용되는 방법입니다.

Feature extraction based on PCA | PCA에 기반한 특징 추출

Mathematical model | 수학적 모델

Mathematical calculation of PCA | PCA의 수학적 계산

Property of PCA | PCA의 재산

Face recognition based on PCA | PCA에 기반한 얼굴 인식

9. Deep learning and neural networks | 9. 딥러닝과 신경망

이 장에서는 딥러닝의 기본 개념을 소개합니다. 딥러닝은 인공 신경망(ANN)의 개선된 버전입니다. 딥러닝은 신경망의 성능을 향상시키고 응용을 지원합니다(Huang, 1996)(LeCun, 2015). 먼저, 이 장에서는 신경망의 기본 모델, 역전파(BP), 그리고 모델 매개변수를 지도 없이(비감독) 방식으로 학습하기 위한 AutoEncoder 알고리즘을 소개합니다. 이들은 시각 문제에 대한 두 가지 일반적인 딥러닝 방법을 대표합니다.

요약

딥러닝은 딥 구조화 학습 또는 계층적 학습으로 알려져 있으며, 저수준 또는 고수준 기능을 자동으로 학습하고 분류합니다. 예를 들어, 머신 비전의 경우, 딥러닝 기법은 원본 이미지에서 가장자리 정보와 같은 저수준 표현을 학습합니다. 그 후, 이 저수준 표현들의 선형 또는 비선형 결합으로 고수준 표현을 얻습니다. 딥러닝은 여러 단계와 다양한 매개변수를 연쇄적으로 연결하는 더 나은 표현 학습 방법으로 인정받고 있습니다. 대규모 데이터를 처리할 수 있어 명확한 기능 없이도 이미지 및 음성 문제에 적합합니다

머신 비전을 위해 우수한 성능을 낼 수 있습니다. 또한, 딥러닝 방법은 특징 추출과 분류를 종단 간 프레임워크에 통합하여 데이터로부터 특징을 학습하고 수작업으로 만든 특징의 부담을 줄여줍니다. 더 나은 성능과 더 편리함으로 딥러닝은 머신러닝 분야에서 뜨거운 이슈가 되었습니다.

Neural network | 신경망

Deep learning | 딥러닝

Applications of deep learning | 딥러닝의 응용

10. Reinforcement learning | 10. 강화 학습

강화 학습은 지능형 제어 로봇, 분석, 예측 등 다양한 분야에서 다양한 응용 분야를 가진 중요한 머신러닝 기법입니다. 전통적인 기계 학습 범주에는 강화 학습에 대한 언급이 없습니다; 그러나 연결주의 학습 연구에서는 알고리즘이 비지도 학습, 지도 학습, 강화 학습의 세 가지 범주로 나뉩니다(Busoniu, 2017)(Sutton, 2018).

Overview of reinforcement learning | 강화 학습 개요

Process of reinforcement learning | 강화 학습 과정

Code implementation | 코드 구현

https://www.degruyterbrill.com/document/doi/10.1515/9783110595567/html?srsltid=AfmBOor_laIhdHmU2FnUN0WYZhz3jwT_aoNNfaO8s4zNJPsGOxBC1of0

Machine Learning Pocket Reference | 머신러닝 포켓 레퍼런스

InnerGame — Fri, 6 Feb 2026 20:12:12 +0900

Machine Learning Pocket Reference

개요

With detailed notes, tables, and examples, this handy reference will help you navigate the basics of structured machine learning. Author Matt Harrison delivers a valuable guide that you can use for additional support during training and as a convenient resource when you dive into your next machine learning project.

자세한 설명, 표, 예제를 통해 이 간편한 참고서는 구조화된 머신러닝의 기초를 익히는 데 도움을 줄 것입니다. 저자 맷 해리슨은 학습 과정에서 추가적인 지원을 제공하고, 차기 머신러닝 프로젝트를 시작할 때 편리한 자료로 활용할 수 있는 유용한 가이드를 제공합니다.

Ideal for programmers, data scientists, and AI engineers, this book includes an overview of the machine learning process and walks you through classification with structured data. You’ll also learn methods for clustering, predicting a continuous value (regression), and reducing dimensionality, among other topics.

프로그래머, 데이터 과학자, AI 엔지니어에게 이상적인 이 책은 머신러닝 프로세스 개요와 구조화된 데이터를 사용한 분류 과정을 단계별로 안내합니다. 또한 클러스터링, 연속형 값 예측(회귀), 차원 축소 등 다양한 주제를 다룹니다.

Machine Learning Pocket Reference 중고급 학습자용, 영어, 318페이지, 4시간 40분

This pocket reference includes sections that cover:

이 포켓 참고서는 다음 내용을 포함합니다.

Classification, using the Titanic dataset
Cleaning data and dealing with missing data
Exploratory data analysis
Common preprocessing steps using sample data
Selecting features useful to the model
Model selection
Metrics and classification evaluation
Regression examples using k-nearest neighbor, decision trees, boosting, and more
Metrics for regression evaluation
Clustering
Dimensionality reduction
Scikit-learn pipelines

타이타닉 데이터셋을 사용한 분류
데이터 클리닝 및 결측값 처리
탐색적 데이터 분석
샘플 데이터를 사용한 일반적인 전처리 단계
모델에 유용한 특징 선택
모델 선택
지표 및 분류 평가
k-최근접 이웃, 의사 결정 트리, 부스팅 등을 사용한 회귀 예제
회귀 평가 지표
클러스터링
차원 축소
Scikit-learn 파이프라인

1. Introduction
2. Overview of the Machine Learning Process
3. Classification Walkthrough: Titanic Dataset
4. Missing Data
5. Cleaning Data
6. Exploring
7. Preprocess Data
8. Feature Selection
9. Imbalanced Classes
10. Classification
11. Model Selection
12. Metrics and Classification Evaluation
13. Explaining Models
14. Regression
15. Metrics and Regression Evaluation
16. Explaining Regression Models
17. Dimensionality Reduction
18. Clustering
19. Pipelines

1. 소개
2. 머신러닝 프로세스 개요
3. 분류 실습: 타이타닉 데이터셋
4. 결측 데이터 처리
5. 데이터 정제
6. 탐색
7. 데이터 전처리
8. 특징 선택
9. 불균형 클래스 처리
10. 분류
11. 모델 선택
12. 지표 및 분류 평가
13. 모델 설명
14. 회귀 분석
15. 지표 및 회귀 평가
16. 회귀 모델 설명
17. 차원 축소
18. 클러스터링
19. 파이프라인

책 내용

머리말

많은 사람들이 딥러닝 기술의 부족을 아쉬워할지도 모릅니다. 딥러닝 기술만 해도 책 한 권 분량일 것입니다. 저 또한 더 간단한 기술을 선호하며, 업계 종사자들도 저와 같은 생각인 것 같습니다. 비정형 데이터(비디오, 오디오, 이미지)에는 딥러닝을, 정형 데이터에는 XGBoost와 같은 강력한 도구를 사용하는 것이 적절하다고 생각합니다.

이 책은 일반적인 정형 데이터 문제를 해결하는 심층적인 예제를 제공합니다. 다양한 라이브러리와 모델, 각각의 장단점, 튜닝 방법, 그리고 결과 해석 방법을 자세히 설명합니다.

무엇을 기대해야 할까요? | What to Expect

이 책은 일반적인 정형 데이터 문제를 해결하는 심층적인 예제를 제공합니다. 다양한 라이브러리와 모델, 각각의 장단점, 튜닝 방법, 그리고 결과 해석 방법을 자세히 설명합니다.

이 코드 조각들은 여러분이 자신의 프로젝트에서 사용하고 수정할 수 있도록 적절한 크기로 제공됩니다.

이 책은 누구를 위한 책인가요? | Who This Book Is For

머신러닝을 이제 막 배우기 시작했든, 수년간 관련 분야에서 일해 왔든, 이 책은 유용한 참고 자료가 될 것입니다. 파이썬에 대한 기본적인 지식을 전제로 하며, 구문에 대한 자세한 설명은 생략합니다. 대신 다양한 라이브러리를 활용하여 실제 문제를 해결하는 방법을 보여줍니다.

이 자료는 심도 있는 강좌를 대체할 수는 없지만, 응용 머신러닝 강좌에서 다룰 수 있는 내용을 참고하는 데 유용할 것입니다. (참고: 저자는 자신이 가르치는 데이터 분석 및 머신러닝 강좌에서 이 자료를 참고 자료로 사용합니다.)

본 책에서 사용된 표기법 | Conventions Used in This Book

코드 예제 사용 | Using Code Examples

추가 자료(코드 예제, 연습 문제 등)는 https://github.com/mattharrison/ml_pocket_reference 에서 확인할 수 있습니다 .

이 책은 여러분의 업무 수행을 돕기 위해 만들어졌습니다. 일반적으로 이 책에 예제 코드가 제공되는 경우, 여러분은 해당 코드를 프로그램 및 문서에 자유롭게 사용할 수 있습니다. 코드의 상당 부분을 복제하는 경우가 아니라면, 저희에게 허가를 요청할 필요는 없습니다.

오라일리 온라인 학습 | O’Reilly Online Learning

저희에게 연락하는 방법 | How to Contact Us

감사의 말씀 | Acknowledgments

제1장. 서론 | Chapter 1. Introduction

이 책에서는 정형 데이터를 이용한 분류 과정을 살펴봅니다. 머신러닝의 다른 일반적인 응용 분야로는 연속형 값 예측(회귀), 클러스터 생성, 차원 축소 등이 있습니다. 이 책에서는 딥러닝 기법은 다루지 않습니다. 딥러닝 기법은 비정형 데이터에는 효과적이지만, 정형 데이터에는 이 책에서 다루는 기법을 사용하는 것이 좋습니다.

사용된 라이브러리 | Libraries Used

Pip을 이용한 설치 | Installation with Pip

Conda를 이용한 설치 | Installation with Conda

제2장. 머신러닝 프로세스 개요 | Chapter 2. Overview of the Machine Learning Process

데이터 마이닝을 위한 산업 간 표준 프로세스(CRISP-DM)는 데이터 마이닝을 수행하는 프로세스입니다. 지속적인 개선을 위해 따라야 할 몇 가지 단계가 있으며, 다음과 같습니다.

그림 2-1. 머신러닝의 일반적인 워크플로우.복사

제3장. 분류 과정 살펴보기: 타이타닉 데이터셋 | Chapter 3. Classification Walkthrough: Titanic Dataset

지도 학습(예: 회귀 또는 분류)의 경우, 우리의 목표는 특징을 레이블로 변환하는 함수를 만드는 것입니다. 이를 대수 공식으로 표현하면 다음과 같습니다.

프로젝트 레이아웃 제안 | Project Layout Suggestion

수입 | Imports

질문하기 | Ask a Question

데이터 이용 약관 | Terms for Data

y = f(X)

파이썬에서는 변수 이름을 X대문자로 쓰는 것이 표준 명명 규칙(PEP 8)을 위반하는 것이지만, 샘플 데이터를 저장하는 데 변수 이름을 사용합니다. 걱정하지 마세요. 모두가 이렇게 하고 있습니다.

그림 3-1. 구조화된 데이터 레이아웃.

표 3-1. 샘플(행) 및 특징(열)

데이터 정규화 | Normalize Data

데이터를 정규화하거나 전처리하면 많은 모델의 성능이 향상됩니다. 특히 유사성을 판단하기 위해 거리 측정법에 의존하는 모델의 경우 더욱 그렇습니다. (각 특징을 개별적으로 처리하는 트리 모델은 이러한 요구 사항이 없다는 점에 유의하십시오.)
전처리를 위해 데이터를 표준화하겠습니다. 표준화란 데이터의 평균값을 0으로, 표준편차를 1로 만드는 과정입니다. 이렇게 하면 모델이 큰 값을 가진 변수를 작은 값을 가진 변수보다 더 중요하게 여기지 않게 됩니다. 표준화 결과를 (넘파이 배열 형태로) 팬더스 데이터프레임으로 변환하여 조작을 용이하게 하고 (열 이름도 유지하겠습니다).

리팩토링 | Refactor

기준 모델 | Baseline Model

아주 간단한 작업을 수행하는 기준 모델을 만들면 우리 모델과 비교할 수 있는 기준점을 얻을 수 있습니다. 기본 .score 결과를 사용하면 정확도만 얻을 수 있는데, 이는 오해의 소지가 있다는 점에 유의해야 합니다. 양성 사례가 1만 건 중 1건인 문제에서 항상 음성으로 예측하면 99% 이상의 정확도를 쉽게 얻을 수 있습니다.

다양한 가족 | Various Families

이 코드는 다양한 알고리즘 계열을 시도합니다. "공짜 점심은 없다"는 정리는 어떤 알고리즘도 모든 데이터에 대해 좋은 성능을 보이지 않는다는 것을 의미합니다. 하지만 유한한 데이터 집합에 대해서는 좋은 성능을 보이는 알고리즘이 존재할 수 있습니다. (최근 구조적 학습에 널리 사용되는 알고리즘으로는 XGBoost와 같은 트리 부스팅 알고리즘이 있습니다.)

여기서는 몇 가지 다른 패밀리를 사용하여 k-겹 교차 검증을 통해 AUC 점수와 표준 편차를 비교합니다. 평균 점수는 약간 낮지만 표준 편차가 더 작은 알고리즘이 더 나은 선택일 수 있습니다.

k-겹 교차 검증을 사용하기 때문에 모델에 와 의 모든 데이터를 입력할 것 X입니다 y.

스태킹 | Stacking

Kaggle과 같은 플랫폼을 활용하거나 (해석 가능성을 희생하더라도 최대 성능을 원한다면) 스태킹 기법을 사용할 수 있습니다. 스태킹 분류기는 다른 모델들의 출력을 사용하여 목표값이나 레이블을 예측합니다. 이전 모델들의 출력을 결합하여 스태킹 분류기가 더 나은 성능을 보이는지 확인해 보겠습니다.

모델 생성 | Create Model

랜덤 포레스트 분류기를 사용하여 모델을 만들겠습니다. 이 모델은 유연성이 뛰어나고 별도의 설정 없이도 괜찮은 결과를 제공하는 경향이 있습니다. .fit앞서 훈련 세트와 테스트 세트로 분할한 데이터를 사용하여 모델을 훈련시키는 것을 잊지 마세요(함수 호출) .

모델 평가 | Evaluate Model

이제 모델이 있으므로 테스트 데이터를 사용하여 모델이 이전에 접하지 못한 데이터에 대해 얼마나 잘 일반화되는지 확인할 수 있습니다. .score분류기의 메서드는 예측 정확도의 평균을 반환합니다. 테스트 데이터를 사용하여 이 메서드를 호출해야 합니다 .score(학습 데이터에서 더 나은 성능을 보여야 하므로).
정밀도와 같은 다른 지표도 살펴볼 수 있습니다.
트리 기반 모델의 장점 중 하나는 특징 중요도를 확인할 수 있다는 것입니다. 특징 중요도는 각 특징이 모델에 얼마나 기여하는지를 알려줍니다. 단, 특징을 제거한다고 해서 반드시 점수가 그에 따라 낮아지는 것은 아닙니다. 다른 특징들이 상관관계가 있을 수 있기 때문입니다 (이 경우 sex_male 또는 sex_female 열은 완벽한 음의 상관관계를 가지므로 둘 중 하나를 제거할 수 있습니다).
특징 중요도는 오류 증가율을 살펴봄으로써 계산됩니다. 특정 특징을 제거했을 때 모델의 오류가 증가한다면, 그 특징은 더 중요하다고 볼 수 있습니다.
저는 모델이 어떤 특징을 중요하게 여기는지 탐색하고 예측 결과를 설명하는 데 SHAP 라이브러리가 정말 마음에 듭니다. 이 라이브러리는 블랙박스 모델과 함께 작동하며, 나중에 자세히 보여드리겠습니다.

모델 최적화 | Optimize Model

모델에는 동작 방식을 제어하는 하이퍼파라미터가 있습니다 . 이러한 매개변수 값을 변경하면 모델의 성능이 달라집니다.Sklearn에는 다양한 매개변수 조합으로 모델을 평가하고 최적의 결과를 반환하는 그리드 검색 클래스가 있습니다. 이러한 매개변수를 사용하여 모델 클래스를 인스턴스화할 수 있습니다.

혼동 행렬 | Confusion Matrix

혼동 행렬을 통해 올바른 분류뿐만 아니라 오분류(false positive)와 오분류(false negative)도 확인할 수 있습니다. 오분류 또는 오분류를 줄이는 방향으로 최적화하는 것이 목표일 수 있으며, 모델이나 매개변수를 변경하여 이를 조절할 수 있습니다.텍스트 버전을 얻으려면 sklearn을 사용하고, 그래프를 얻으려면 Yellowbrick을 사용할 수 있습니다( 그림 3-4 참조 ).

ROC 곡선 | ROC Curve

수신자 조작 특성(ROC) 곡선은 분류기를 평가하는 데 사용되는 일반적인 도구입니다.곡선 아래 면적(AUC)을 측정함으로써 서로 다른 분류기를 비교하는 지표를 얻을 수 있습니다( 그림 3-5 참조 ). AUC는 참양성률과 거짓양성률을 그래프로 나타낸 것입니다. sklearn을 사용하여 AUC를 계산할 수 있습니다.

학습 곡선 | Learning Curve

학습 곡선은 훈련 데이터가 충분한지 여부를 판단하는 데 사용됩니다. 학습 곡선은 데이터의 비율을 점차 높여가며 모델을 훈련하고 점수를 측정합니다( 그림 3-6 참조 ). 교차 검증 점수가 계속 상승하면 더 많은 데이터를 수집해야 할 수도 있습니다. 다음은 Yellowbrick의 예입니다.

배포 모델 | Deploy Model

파이썬의 pickle모듈을 사용하면 모델을 저장하고 불러올 수 있습니다. 모델이 준비되면 해당 .predict메서드를 호출하여 분류 또는 회귀 결과를 얻습니다.
Flask를 사용하여 예측 웹 서비스를 배포하는 것은 매우 일반적입니다. 현재는 배포를 지원하는 다른 상용 및 오픈 소스 제품들도 출시되고 있습니다.그중에는 Clipper , Pipeline , 그리고 Google의 클라우드 머신 러닝 엔진이 있습니다 .

제4장. 결측 데이터 | 4. Missing Data

우리는 결측 데이터를 처리해야 합니다. 이전 장에서 예시를 살펴보았고, 이번 장에서는 좀 더 자세히 살펴보겠습니다. 대부분의 알고리즘은 결측 데이터가 있을 경우 제대로 작동하지 않습니다. 하지만 최근 개발된 부스팅 라이브러리인 XGBoost, CatBoost, LightGBM은 예외적으로 결측 데이터 처리가 가능합니다.

머신러닝의 많은 부분과 마찬가지로, 결측 데이터 처리 방법에 대한 명확한 정답은 없습니다.

결측 데이터를 처리하는 방법에는 여러 가지가 있습니다.

- 데이터가 누락된 행을 모두 제거하세요.
- 누락된 데이터가 있는 열을 제거하세요.
- 결측값 대체
- 데이터가 누락되었음을 나타내는 표시기 열을 생성합니다.

결측 데이터 검토 | Examining Missing Data

누락된 데이터 삭제 | Dropping Missing Data

데이터 입력 | Imputing Data

표시기 열 추가 | Adding Indicator Columns

제5장. 데이터 정리 | 5. Cleaning Data

데이터 정리를 위해 pandas와 같은 범용 도구와 pyjanitor와 같은 특수 도구를 사용할 수 있습니다.

열 이름 | Column Names

누락된 값 대체 | Replacing Missing Values

제6장 탐구하기 | 6. Exploring

한 가지를 선택하는 것이 더 쉽다고들 합니다.데이터 과학을 가르치는 것보다 전문가(SME)를 양성하는 것이 더 낫다는 의견에 100% 동의하는 것은 아니지만, 데이터에는 미묘한 차이가 존재하고 전문가가 이를 파악하는 데 도움을 줄 수 있다는 점은 일리가 있습니다. 비즈니스와 데이터를 이해함으로써 더 나은 모델을 만들고 비즈니스에 더 큰 영향을 미칠 수 있기 때문입니다.

제7장. 데이터 전처리 | 7. Preprocess Data

이 장에서는 이 데이터를 사용하여 일반적인 전처리 단계를 살펴보겠습니다.

표준화하다

SVM과 같은 일부 알고리즘은 데이터가 표준화 되었을 때 더 나은 성능을 보입니다 . 각 열의 평균값은 0이고 표준편차는 1이어야 합니다. Sklearn은 와 를 .fit_transform모두 결합하는 방법 을 제공합니다 ..fit.transform

범위로 스케일링

범위로 스케일링한다는 것은 데이터를 0과 1 사이(0과 1 포함)로 변환하는 것입니다. 데이터를 특정 범위로 제한하는 것이 유용할 수 있습니다. 하지만 이상치가 있는 경우에는, 이것을 사용할 때는 주의해야 할 것입니다.

더미 변수

pandas를 사용하면 범주형 데이터에서 더미 변수를 생성할 수 있습니다. 이를 원핫 인코딩 또는 인디케이터 인코딩이라고도 합니다. 더미 변수는 데이터가 명목형(순서가 없는)인 경우 특히 유용합니다. get_dummiespandas의 함수는 원래 범주형 열에 대해 여러 개의 열을 생성하며, 각 열에는 원래 열의 값이 1이면 해당 값이, 0이면 해당 값이 저장됩니다.

제8장. 특징점 선택 | 8. Feature Selection

우리는 모델에 유용한 특징을 선택하기 위해 특징 선택 기법을 사용합니다. 관련성이 없는 특징은 모델에 부정적인 영향을 미칠 수 있습니다. 상관관계가 있는 특징은 회귀 분석에서 계수(또는 트리 모델에서 특징 중요도)를 불안정하게 만들거나 해석하기 어렵게 만들 수 있습니다.

차원의 저주 또한 고려해야 할 문제입니다. 데이터의 차원이 증가할수록 데이터는 희소해집니다. 이로 인해 더 많은 데이터가 없으면 신호를 추출하기 어려워질 수 있습니다. 또한 차원이 추가될수록 이웃 노드 계산의 유용성이 떨어지는 경향이 있습니다.

또한, 학습 시간은 일반적으로 열의 개수에 비례하며 (때로는 선형적인 증가보다 더 오래 걸리기도 합니다). 열을 간결하고 정확하게 구성하면 더 짧은 시간에 더 나은 모델을 만들 수 있습니다. agg_df지난 장에서 다룬 데이터셋을 사용하여 몇 가지 예시를 살펴보겠습니다. 이 데이터셋은 객실 정보를 위한 추가 열이 있는 타이타닉 데이터셋입니다. 각 객실의 수치 값을 집계한 데이터셋이므로 상관관계가 많이 나타납니다. 다른 방법으로는 PCA와 .feature_importances_트리 분류기를 사용하는 것도 있습니다.

일직선상의 기둥 | Collinear Columns

이전에 정의한 correlated_columns함수를 사용하거나 다음 코드를 실행하여 상관 계수가 0.95 이상인 열을 찾을 수 있습니다.

라쏘 회귀 | Lasso Regression

라쏘 회귀를 사용하는 경우 정규화 매개변수 역할을 하는 매개변수를 설정할 수 있습니다 alpha. 이 값을 증가시키면 중요도가 낮은 특징에 대한 가중치가 줄어듭니다. 여기서는 LassoLarsCV모델을 사용하여 알파의 다양한 값에 대해 반복하고 특징 계수를 추적합니다( 그림 8-2 참조 ).

재귀적 특징 제거 | Recursive Feature Elimination

재귀적 특징 제거는 가장 약한 특징을 제거한 다음 모델을 학습시킵니다( 그림 8-3 참조 ). 이를 위해 scikit-learn 모델에 `a` .coef_ 또는 `b` .feature_importances_속성을 전달합니다.

상호 정보 | Mutual Information

Sklearn은 k-최근접 이웃 알고리즘을 사용하여 특징 변수와 목표 변수 간의 상호 정보량을 결정하는 비모수 검정을 제공합니다 . 상호 정보량은 다른 변수를 관찰함으로써 얻는 정보의 양을 정량화한 값입니다. 이 값은 0 이상입니다. 값이 0이면 두 변수 사이에 아무런 관계가 없습니다( 그림 8-4 참조). 이 값은 제한이 없으며 특징 변수와 목표 변수 간에 공유되는 비트 수를 나타냅니다 .

주성분 분석 | Principal Component Analysis

특징 선택을 위한 또 다른 방법은 주성분 분석을 실행하는 것입니다. 주요 주성분을 얻은 후, 이러한 주성분에 가장 크게 기여하는 특징들을 살펴봅니다. 이러한 특징들은 분산이 더 큰 특징들입니다. 이 방법은 비지도 학습 알고리즘이므로 상관관계를 고려하지 않는다는 y점에 유의하십시오.

기능 중요도 | Feature Importance

대부분의 트리 모델은 .feature_importances_학습 후 속성에 접근할 수 있도록 해줍니다. 중요도가 높을수록 해당 특징을 모델에서 제거했을 때 오류율이 높아지는 경향이 있습니다. 자세한 내용은 다양한 트리 모델에 대한 장을 참조하세요

제9장. 불균형한 학급 | 9. Imbalanced Classes

데이터를 분류할 때, 각 클래스의 크기가 상대적으로 균형이 맞지 않으면, 인기 있는 클래스에 대한 편향이 모델에 그대로 반영될 수 있습니다. 예를 들어, 양성 사례가 1개이고 음성 사례가 99개인 경우, 모든 사례를 음성으로 분류하면 99%의 정확도를 얻을 수 있습니다. 클래스 불균형 문제를 해결하는 방법에는 여러 가지가 있습니다 .

다른 측정 단위를 사용하세요 | Use a Different Metric

한 가지 팁은 모델 보정에 정확도(AUC가 좋은 선택입니다) 이외의 측정 지표를 사용하는 것입니다. 목표 변수의 크기가 다를 경우 정밀도와 재현율도 더 나은 선택입니다. 하지만 고려해야 할 다른 옵션들도 있습니다.

트리 기반 알고리즘 및 앙상블 | Tree-based Algorithms and Ensembles

트리 기반 모델은 작은 클래스의 분포에 따라 성능이 더 좋을 수 있습니다. 작은 클래스들이 밀집되어 있는 경향이 있다면 분류가 더 쉬워집니다.

앙상블 기법은 소수 클래스를 더욱 효과적으로 추출하는 데 도움이 될 수 있습니다. 배깅(Bagging)과 부스팅(Boosting)은 랜덤 포레스트(Random Forests)나 익스트림 그래디언트 부스팅(XGBoost)과 같은 트리 모델에서 찾아볼 수 있는 기법입니다.

모델에게 불이익을 준다 | Penalize Models

많은 scikit-learn 분류 모델은 이 class_weight매개변수를 지원합니다. 이 값을 true로 설정하면 'balanced'소수 클래스를 정규화하여 모델이 해당 클래스를 올바르게 분류하도록 유도합니다. 또는 그리드 검색을 사용하여 클래스와 가중치를 매핑하는 딕셔너리를 전달하여 가중치 옵션을 지정할 수도 있습니다(소수 클래스에 더 높은 가중치 부여).

XGBoost 라이브러리 에는 max_delta_step업데이트 단계를 더욱 보수적으로 만들기 위해 1에서 10 사이의 값으로 설정할 수 있는 매개변수가 있습니다 . scale_pos_weight또한 이진 분류의 경우 음성 샘플과 양성 샘플의 비율을 설정하는 매개변수도 있습니다. 그리고 분류를 위해서는 기본값 대신 eval_metric로 설정해야 합니다 .'auc''error'

KNN 모델에는 weights가까운 이웃에 더 많은 가중치를 부여하는 매개변수가 있습니다. 소수 클래스 샘플들이 서로 가까이 있을 경우, 이 매개변수를 설정하면 'distance'성능이 향상될 수 있습니다.

소수자 업샘플링 | Upsampling Minority

소수 클래스의 업샘플링은 여러 가지 방법으로 할 수 있습니다. 다음은 scikit-learn을 사용한 구현 예입니다.

소수자 데이터 생성 | Generate Minority Data

imbalanced-learn 라이브러리는 SMOTE(Synthetic Minority Over-sampling Technique)와 ADASYN(Adaptive Synthetic) 샘플링 기법을 모두 사용하여 소수 클래스의 새로운 샘플을 생성할 수 있습니다. SMOTE는 k개의 최근접 이웃 중 하나를 선택하고, 이 중 하나와 선을 연결한 다음, 그 선 상의 한 점을 선택하는 방식으로 작동합니다. ADASYN은 SMOTE와 유사하지만, 학습하기 어려운 클래스에서 더 많은 샘플을 생성합니다. imbalanced-learn에서 지원하는 클래스는 각각 over_sampling.SMOTE와 로 명명되어 있습니다 over_sampling.ADASYN.

다운샘플링 다수 | Downsampling Majority

클래스 균형을 맞추는 또 다른 방법은 다수 클래스의 샘플링 수를 줄이는 것입니다. 다음은 scikit-learn 예제입니다.

업샘플링 후 다운샘플링 | Upsampling Then Downsampling

imbalanced-learn 라이브러리는 업샘플링 SMOTEENN과 SMOTETomek다운샘플링을 모두 적용하여 데이터를 정리하는 기능을 구현합니다.

제10장. 분류 | 10. Classification

분류는 특징을 기반으로 샘플에 레이블을 지정하는 지도 학습 메커니즘 입니다 . 지도 학습이란 알고리즘이 학습해야 할 분류를 위한 레이블이나 회귀를 위한 숫자가 있다는 것을 의미합니다.

이 장에서는 다양한 분류 모델을 살펴보겠습니다. Sklearn은 많은 일반적이고 유용한 모델을 구현하고 있습니다. 또한 Sklearn에 포함되어 있지 않지만 Sklearn 인터페이스를 구현하는 모델들도 살펴볼 것입니다. 이러한 모델들은 동일한 인터페이스를 따르기 때문에 다양한 모델들을 쉽게 시험해보고 성능을 비교해 볼 수 있습니다.

scikit-learn에서 모델 인스턴스를 생성하고 .fit훈련 데이터와 훈련 레이블을 사용하여 해당 인스턴스의 메서드를 호출합니다. 이제 학습된 모델을 사용하여 .predict메서드(.predict_log_proba 또는 .predict_proba메서드 들)를 호출할 수 있습니다. 모델을 평가하려면 테스트 데이터와 테스트 레이블을 사용하여 .score 메서드를 호출합니다.

일반적으로 더 큰 어려움은 sklearn에서 사용할 수 있는 형태로 데이터를 구성하는 것입니다.

이 .score메서드는 평균 정확도를 반환하는데, 이것만으로는 분류기를 평가하기에 충분하지 않을 수 있습니다. 다른 평가 지표들을 살펴보겠습니다.

로지스틱 회귀 | Logistic Regression

로지스틱 회귀는 로지스틱 함수를 사용하여 확률을 추정합니다. (주의: 이름에 '회귀'가 들어가 있지만 분류에 사용됩니다.) 이는 대부분의 과학 분야에서 표준 분류 모델로 사용되어 왔습니다.

나이브 베이즈 | Naive Bayes

나이브 베이즈는 데이터의 특징들이 서로 독립적이라고 가정하는 확률 적 분류기 입니다. 스팸 탐지와 같은 텍스트 분류 응용 분야에서 널리 사용됩니다. 이 모델의 장점 중 하나는 특징 독립성을 가정하기 때문에 적은 수의 샘플로도 모델을 학습시킬 수 있다는 것입니다. (단점은 특징 간의 상호작용을 포착할 수 없다는 것입니다.) 이 간단한 모델은 특징이 많은 데이터에서도 작동할 수 있으므로 좋은 기준 모델 역할을 합니다.

sklearn에는 세 가지 클래스가 있습니다: GaussianNB, MultinomialNB, BernoulliNB. 첫 번째 클래스 는 가우시안 분포(정규 분포를 따르는 연속형 특징)를 가정하고, 두 번째 클래스는 이산적인 발생 횟수를 위한 것이며, 세 번째 클래스는 이산적인 불리언 특징을 위한 것입니다.

팁

이러한 모델은 '확률 0 문제' 에 취약합니다 . 훈련 데이터가 없는 새로운 샘플을 분류하려고 하면 확률이 0이 됩니다.한 가지 해결책은 라플라스 평활화를 사용하는 것입니다 . Sklearn은 이 기능을 alpha매개변수를 통해 제어하며, 기본값은 이고 , 이 값은 및 모델 1에 평활화를 적용합니다 .MultinomialNBBernoulliNB

서포트 벡터 머신 | Support Vector Machine

서포트 벡터 머신(SVM)은 서로 다른 클래스들을 연결하는 선(또는 평면, 초평면)을 찾는 알고리즘으로, 이 선과 각 클래스의 점들 사이의 거리를 최대화합니다. 이러한 방식으로 클래스 간의 견고한 분리를 시도합니다. 서포트 벡터는 이 분리 초평면의 모서리에 있는 점들입니다.

메모

sklearn에는 몇 가지 다른 SVM 구현체가 있습니다. 라이브러리를 SVC래핑하는 libsvm 방식과 라이브러리를 LinearSVC래핑하는 방식이 있습니다 liblinear.

linear_model.SGDClassifier또한 기본 매개변수를 사용할 때 SVM을 구현하는 도 있습니다 loss. 이 장에서는 첫 번째 구현에 대해 설명합니다.
--

SVM은 일반적으로 우수한 성능을 보이며 커널 트릭을 사용하여 선형 공간 또는 비선형 공간을 모두 지원할 수 있습니다 . 커널 트릭이란 실제로 점들을 새로운 차원으로 매핑하는 것보다 계산하기 쉬운 공식을 최소화하여 새로운 차원에서 결정 경계를 생성하는 아이디어입니다. 기본 커널은 방사 기저 함수(RBF 'rbf')이며, 이는 매개변수로 제어되어 gamma입력 공간을 고차원 공간으로 매핑할 수 있습니다.

K-최근접 이웃 | K-Nearest Neighbor

K-최근접이웃(KNN) 알고리즘은 훈련 샘플의 개수(k)에 따른 거리를 기준으로 분류합니다.이 알고리즘 계열은 학습해야 할 매개변수가 없기 때문에 인스턴스 기반 학습 이라고 불립니다 . 이 모델은 거리 정보만으로 추론이 충분하다고 가정하며, 그 외에는 기본 데이터나 데이터 분포에 대한 어떠한 가정도 하지 않습니다.

가장 어려운 부분은 적절한 k 값을 선택하는 것입니다. 또한, 차원의 저주로 인해 고차원 공간에서는 가장 가까운 이웃과 가장 먼 이웃 간의 차이가 미미해지므로 거리 측정에 어려움이 있을 수 있습니다.

메모
k가 짝수이고 이웃들이 분할된 경우, 결과는 훈련 데이터의 순서에 따라 달라집니다.

의사결정 트리 | Decision Tree

의사결정 트리는 마치 의사가 일련의 질문을 통해 증상의 원인을 파악하는 것과 같습니다. 우리는 의사결정 트리를 생성하는 과정을 통해 목표 클래스를 예측하는 일련의 질문을 만들 수 있습니다. 이 모델의 장점으로는 (일부 구현에서) 비수치 데이터 지원, 최소한의 데이터 준비(스케일링 불필요), 비선형 관계 처리 지원, 특징 중요도 파악, 그리고 설명의 용이성 등이 있습니다.

모델 생성에 기본적으로 사용되는 알고리즘은 분류 및 회귀 트리(CART)입니다. 이 알고리즘은 지니 불순도 또는 지수 측정값을 사용하여 결정을 내립니다. 이는 특징들을 순회하면서 오분류 확률이 가장 낮은 값을 찾는 방식으로 이루어집니다.

팁
기본값을 사용하면 트리가 완전히 성장(과적합)됩니다. max_depth이를 방지하려면 교차 검증과 같은 메커니즘을 사용하십시오.

랜덤 포레스트 | Random Forest

랜덤 포레스트는 의사결정 트리들의 앙상블입니다.이 방법은 배깅(bagging)을 사용하여 의사결정 트리의 과적합 경향을 교정합니다. 샘플의 무작위 부분 샘플과 데이터의 무작위 특징을 사용하여 학습된 여러 개의 트리를 생성함으로써 분산을 낮춥니다.

랜덤 포레스트는 데이터의 부분 샘플을 사용하여 학습하기 때문에 OOB(Out-of-Bottom) 오류를 평가하고 성능을 측정할 수 있습니다. 또한 모든 트리에 걸쳐 특징 중요도를 평균화하여 특징 중요도를 추적할 수도 있습니다.

배심원 선정에 대한 직관적인 이해는 1785년 마르키 드 콩도르세의 에세이에서 비롯됩니다. 핵심은 배심원을 구성할 때, 올바른 판결을 내릴 확률이 50% 이상인 사람이라면 누구든 포함시키고 그들의 판결을 평균 내린다는 것입니다. 배심원을 추가할 때마다 (선발 과정은 기존 구성원들과 독립적이어야 함) 더 나은 결과를 얻을 수 있습니다.

랜덤 포레스트는 훈련 데이터의 서로 다른 열을 사용하여 학습된 의사 결정 트리들의 "숲"을 만드는 아이디어입니다. 각 트리가 50% 이상의 정확한 분류 확률을 보인다면, 해당 트리의 예측 결과를 모델에 포함시켜야 합니다. 랜덤 포레스트는 분류와 회귀 모두에서 뛰어난 도구였지만, 최근에는 그래디언트 부스팅 트리에 비해 선호도가 다소 떨어졌습니다.

팁
랜덤 포레스트 분류기는 각 특징에 대한 불순도의 평균 감소량 (지니 중요도라고도 함)을 계산하여 특징 중요도를 산출합니다 . 분류의 불확실성을 줄이는 특징은 더 높은 점수를 받습니다.

범주형 열의 규모나 개수가 다를 경우 이러한 수치는 정확하지 않을 수 있습니다. 보다 신뢰할 수 있는 점수는 순열 중요도 입니다 (각 열의 값을 순열하고 정확도 감소를 측정하는 방식).더 안정적인 방법은 열 중요도를 낮추는 것 (각 열을 제거하고 모델을 재평가하는 방식)이지만, 아쉽게도 이 방법은 제거하는 각 열마다 새로운 모델을 생성해야 합니다. 해당 패키지 importances의 함수를 참조하세요.rfpimp:

XGBoost | XGBoost

sklearn에도 해당 기능이 있지만 GradientBoostedClassifier, 익스트림 부스팅을 사용하는 타사 구현체를 사용하는 것이 더 좋습니다. 이러한 구현체는 일반적으로 더 나은 결과를 제공합니다.

XGBoost 는 scikit-learn 외에서도 널리 사용되는 라이브러리입니다. 이 라이브러리는 약한 트리를 생성한 다음, 후속 트리들을 "강화"하여 잔여 오류를 줄입니다. 오류에서 나타나는 패턴을 포착하고 해결하여 오류가 무작위적인 것처럼 보이도록 만듭니다.

LightGBM을 사용한 그라디언트 부스트 | Gradient Boosted with LightGBM

LightGBM은 마이크로소프트에서 개발한 구현체입니다. LightGBM은 샘플링 메커니즘을 사용하여 연속적인 값을 처리합니다. 이를 통해 (XGBoost와 같은 방식보다) 트리 생성이 더 빠르고 메모리 사용량도 줄어듭니다.

LightGBM은 또한 트리를 레벨 단위가 아닌 리프 단위 로 깊이 우선적으로 성장시킵니다 . 따라서 과적합을 제어하기 위해 사용하는 대신 (이 값이 < 2 ^( )인 경우)를 사용하십시오 .max_depthnum_leavesmax_depth

티팟 | TPOT

티팟 이 알고리즘은 유전 알고리즘을 사용하여 다양한 모델과 앙상블을 시도합니다. 여러 모델과 전처리 단계, 모델의 하이퍼파라미터, 앙상블 옵션 등을 고려하기 때문에 실행하는 데 몇 시간에서 며칠이 걸릴 수 있습니다. 일반적인 컴퓨터에서 한 세대를 실행하는 데 5분 이상 소요될 수 있습니다.

제11장. 모델 선택 | 11. Model Selection

이 장에서는 하이퍼파라미터 최적화에 대해 논의합니다. 또한 모델 성능 향상을 위해 더 많은 데이터가 필요한지에 대한 문제도 살펴볼 것입니다.

검증 곡선

검증 곡선을 생성하는 것은 하이퍼파라미터에 적합한 값을 결정하는 한 가지 방법입니다. 검증 곡선은 하이퍼파라미터 값의 변화에 따른 모델 성능의 변화를 보여주는 그래프입니다( 그림 11-1 참조 ). 이 그래프에는 훈련 데이터와 검증 데이터가 모두 표시됩니다. 검증 점수를 통해 모델이 이전에 보지 못한 데이터에 어떻게 반응할지 예측할 수 있습니다. 일반적으로 검증 점수를 최대화하는 하이퍼파라미터를 선택합니다.

학습 곡선

프로젝트에 가장 적합한 모델을 선택하려면 얼마나 많은 데이터가 필요할까요? 학습 곡선을 통해 이 질문에 대한 답을 찾을 수 있습니다. 학습 곡선은 더 많은 샘플을 사용하여 모델을 구축함에 따라 학습 점수와 교차 검증 점수를 그래프로 보여줍니다. 예를 들어, 교차 검증 점수가 계속 상승한다면 더 많은 데이터가 모델 성능 향상에 도움이 될 수 있음을 나타냅니다.

검증 곡선 | Validation Curve

학습 곡선 | Learning Curve

제12장. 측정 기준 및 분류 평가 | 12. Metrics and Classification Evaluation

이 장에서는 혼동 행렬, 다양한 지표, 분류 보고서 및 몇 가지 시각화 도구를 포함한 다음과 같은 측정 기준 및 평가 도구를 다룹니다.

이는 타이타닉호 생존 여부를 예측하는 의사결정 트리 모델로 평가될 것입니다.

제13장. 모델 설명 | 13. Explaining Models

예측 모델은 각기 다른 특성을 지닙니다. 어떤 모델은 선형 데이터를 처리하도록 설계되었고, 다른 모델은 더 복잡한 입력값에 맞춰 변형될 수 있습니다. 또한, 해석이 매우 쉬운 모델도 있지만, 마치 블랙박스처럼 예측 과정에 대한 통찰력을 제공하지 않는 모델도 있습니다.

제14장. 회귀 분석 | 14. Regression

회귀지도 학습은 머신 러닝의 한 분야입니다. 분류와 유사하지만, 레이블을 예측하는 대신 연속적인 값을 예측하려고 합니다. 만약 숫자를 예측하려는 경우에는 회귀 분석을 사용해야 합니다.

알고 보니 sklearn은 분류 모델 중 상당수를 회귀 문제에도 동일하게 지원합니다. 실제로 API는 동일하며, `classification`, `classification` .fit, .score`classification` 등의 함수를 호출 .predict합니다. 이는 차세대 부스팅 라이브러리인 XGBoost와 LightGBM에도 적용됩니다.

분류 모델 및 하이퍼파라미터와 유사한 점이 있지만, 회귀 모델의 평가 지표는 다릅니다. 이 장에서는 다양한 유형의 회귀 모델을 살펴보고, 보스턴 주택 데이터셋을 사용하여 이를 분석할 것입니다.

기준 모델 | Baseline Model

기준 회귀 모델은 다른 모델들과 비교할 수 있는 기준점을 제공해 줄 것입니다.scikit-learn에서 해당 메서드의 기본 결과 는 결정계수.score (r² 또는 R²) 입니다 . 이 값은 예측이 입력 데이터의 변동을 얼마나 잘 설명하는지를 나타냅니다. 일반적으로 값은 0에서 1 사이이지만, 특히 성능이 떨어지는 모델의 경우 음수가 될 수도 있습니다.

이 모델의 기본 전략은 DummyRegressor훈련 세트의 평균값을 예측하는 것입니다. 하지만 이 모델은 성능이 그다지 좋지 않다는 것을 알 수 있습니다.

선형 회귀 | Linear Regression

단순 선형 회귀는 수학 및 기초 통계학 과정에서 가르칩니다. 이는 오차 제곱을 최소화하면서 y = mx + b 형태의 방정식을 찾는 것을 목표로 합니다. 회귀 분석을 통해 절편과 계수를 얻을 수 있습니다. 절편은 예측값의 기준이 되며, 여기에 계수와 입력값의 곱을 더하여 예측값을 보정합니다.

이 형태는 더 높은 차원으로 일반화될 수 있습니다. 이 경우 각 특징에는 계수가 부여됩니다. 계수의 절댓값이 클수록 해당 특징이 목표에 미치는 영향이 더 큽니다.

이 모델은 예측값이 입력값들의 선형 조합이라고 가정합니다. 하지만 일부 데이터셋의 경우 이러한 가정이 충분히 유연하지 않을 수 있습니다. 특징들을 변환하여 복잡성을 높일 수 있습니다 (sklearn의 preprocessing.PolynomialFeatures트랜스포머를 사용하면 특징들의 다항식 조합을 생성할 수 있습니다). 만약 이로 인해 과적합이 발생한다면, 릿지 회귀나 라쏘 회귀를 사용하여 예측값을 정규화할 수 있습니다.

이 모델은 이분산성 에도 취약합니다 . 이분산성이란 입력값의 크기가 변함에 따라 예측 오차(또는 잔차)도 종종 변한다는 것을 의미합니다. 입력값과 잔차를 그래프로 나타내면 부채꼴이나 원뿔 모양을 볼 수 있습니다. 이에 대한 예시는 나중에 살펴보겠습니다.

또 하나 주의해야 할 점은 다중공선성 입니다 . 열들 간의 상관관계가 높으면 계수 해석에 어려움이 생길 수 있습니다. 이는 일반적으로 모델 자체에는 영향을 미치지 않고 계수의 의미에만 영향을 줍니다.

SVM | SVMs

서포트 벡터 머신은 회귀 분석도 수행할 수 있습니다.

K-최근접 이웃 | K-Nearest Neighbor

KNN 모델은 예측하고자 하는 샘플에 대해 k개의 이웃 대상을 찾아 회귀 분석도 지원합니다. 회귀 분석의 경우, 이 모델은 대상들을 평균하여 예측값을 결정합니다.

의사결정 트리 | Decision Tree

의사결정 트리는 분류와 회귀를 지원합니다. 트리의 각 레벨에서 특징에 대한 다양한 분할이 평가됩니다. 가장 낮은 오류(불순도)를 생성하는 분할이 선택됩니다. 매개 criterion변수를 조정하여 불순도 측정 기준을 결정할 수 있습니다.

랜덤 포레스트 | Random Forest

의사결정 트리는 설명력이 뛰어나다는 장점이 있지만, 과적합되는 경향이 있습니다. 랜덤 포레스트는 설명력을 다소 희생하는 대신 일반화 성능이 더 우수한 모델을 제공합니다. 이 모델은 회귀 분석에도 사용할 수 있습니다.

XGBoost 회귀 | XGBoost Regression

XGBoost 라이브러리는 회귀 분석도 지원합니다. 간단한 의사결정 트리를 구축한 후, 후속 트리를 추가하여 성능을 향상시킵니다. 각 트리는 이전 트리의 잔차를 수정하려고 시도합니다. 실제로 이 방식은 정형화된 데이터에서 상당히 효과적입니다.

LightGBM 회귀 | LightGBM Regression

그래디언트 부스팅 트리 라이브러리인 LightGBM은 회귀 분석도 지원합니다. 분류 장에서 언급했듯이, 노드 분할을 결정하는 데 사용되는 샘플링 메커니즘 덕분에 XGBoost보다 트리 생성 속도가 더 빠를 수 있습니다.

또한, 트리는 깊이 우선 방식으로 성장하므로 깊이를 제한하면 모델에 악영향을 미칠 수 있다는 점을 기억하세요. 이 모델은 다음과 같은 속성을 가지고 있습니다.

제15장. 지표 및 회귀 분석 평가 | 15. Metrics and Regression Evaluation

이 장에서는 보스턴 주택 데이터를 사용하여 학습된 랜덤 포레스트 회귀 모델의 결과를 평가합니다.

측정 기준 | Metrics

잔차 플롯 | Residuals Plot

이분산성 | Heteroscedasticity

정상 잔차 | Normal Residuals

예측 오차 그래프 | Prediction Error Plot

제16장. 회귀 모델 설명 | 16. Explaining Regression Models

분류 모델을 설명하는 데 사용되는 대부분의 기법은 회귀 모델에도 적용됩니다. 이 장에서는 SHAP 라이브러리를 사용하여 회귀 모델을 해석하는 방법을 보여드리겠습니다.

셰플리 | Shapley

제17장. 차원 축소 | 17. Dimensionality Reduction

특징을 더 작은 부분집합으로 분해하는 데에는 여러 가지 기법이 있습니다. 이는 탐색적 데이터 분석, 시각화, 예측 모델 구축 또는 클러스터링에 유용할 수 있습니다.

이 장에서는 다양한 기법을 사용하여 타이타닉 데이터셋을 분석해 보겠습니다. PCA, UMAP, t-SNE, PHATE를 살펴볼 것입니다.

PCA | PCA

UMAP | UMAP

t-SNE | t-SNE

페이트 | PHATE

제18장. 클러스터링 | 18. Clustering

클러스터링은 그룹을 여러 코호트로 나누는 데 사용되는 비지도 머신러닝 기법입니다. 모델에 레이블을 제공하지 않기 때문에 비지도 학습이라고 합니다. 모델은 특징들을 분석하여 어떤 샘플들이 유사하고 어떤 클러스터에 속하는지 스스로 판단합니다. 이 장에서는 K-평균 클러스터링과 계층적 클러스터링 방법을 살펴보고, 다양한 기법을 사용하여 타이타닉 데이터셋을 다시 분석해 보겠습니다.

K-평균 | K-Means

응집형(계층형) 클러스터링 | Agglomerative (Hierarchical) Clustering

클러스터 이해하기 | Understanding Clusters

제19장. 파이프라인 | 19. Pipelines

Scikit-learn은 파이프라인이라는 개념을 사용합니다. 해당 Pipeline클래스를 사용하면 트랜스포머와 모델을 연결하고 전체 프로세스를 Scikit-learn 모델처럼 다룰 수 있습니다. 사용자 정의 로직을 삽입하는 것도 가능합니다.

분류 파이프라인 | Classification Pipeline

회귀 파이프라인 | Regression Pipeline

PCA 파이프라인 | PCA Pipeline

저자소개

맷 해리슨은 파이썬 및 데이터 과학 교육 및 컨설팅 회사인 메타스네이크(MetaSnake)를 운영하고 있습니다. 그는 2000년부터 데이터 과학, BI, 스토리지, 테스트 및 자동화, 오픈 소스 스택 관리, 금융, 검색 등 다양한 분야에서 파이썬을 사용해 왔습니다.

출처

도서 공식 사이트

https://www.oreilly.com/library/view/machine-learning-pocket/9781492047537/

저자 깃헙

https://github.com/mattharrison/ml_pocket_reference

딥러닝 101 - 25강. ResNet 잔차신경망이란? (feat.기울기소실문제) | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:50:35 +0900

이 영상은 기울기 소실(vanishing gradient) 문제를 간단한 3층 신경망 손계산으로 직접 보여 준 뒤, 같은 구조에 스킵 커넥션을 추가했을 때 기울기가 어떻게 달라지는지 비교하며 ResNet의 핵심 아이디어를 설명하는 강의입니다. “ResNet이 좋다더라” 수준의 직관을, 실제 숫자로 확인해 보는 데 초점이 맞춰져 있습니다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 재생목록은 CNN부터 트랜스포머, VAE, ResNet까지 현대 딥러닝의 핵심 개념을 한 번에 훑을 수 있는 입문·중급용 강의 시리즈입니다. 실습 위주의 설명과 직관적인 비유가 많아서, 수식에

inner-game.tistory.com

깊은 신경망과 기울기 소실 문제

· 영상은 먼저 시그모이드/하이퍼볼릭 탄젠트 활성함수를 사용하는 심층 신경망에서, 층이 깊어질수록 역전파 과정에서 기울기가 체인 룰에 의해 계속 곱해지며 0에 가까워지는 현상이 발생함을 설명합니다.

· 실제로 3층짜리 단순 신경망을 가정하고 모든 가중치를 0.1, 활성함수를 시그모이드로 둔 뒤, 출력층에서 입력층 방향으로 ∂ L / ∂ w 3 , ∂ L / ∂ w 2 , ∂ L / ∂ w 1 ∂L/∂w 3 ,∂L/∂w 2 ,∂L/∂w 1 을 계산하면, 초기층으로 갈수록 기울기가 급격히 작아지는 것을 수치로 보여 줍니다.

스킵 커넥션 없는 경우: 급격히 줄어드는 기울기

· 시나리오 1(일반 신경망)에서는 입력 0.5, 모든 가중치 0.1로 설정하고 순전파를 통해 각 은닉층과 출력값을 구한 뒤, MSE 손실을 기준으로 역전파를 수행합니다.

· 이때 출력층 가중치 w 3 w 3 의 기울기는 비교적 크지만, ∂ L / ∂ w 2 ∂L/∂w 2 , ∂ L / ∂ w 1 ∂L/∂w 1 로 갈수록 값이 0에 근접해 가며, “입력에 가까운 가중치일수록 거의 업데이트되지 않는” 전형적인 기울기 소실 패턴이 나타난다는 점을 계산 과정으로 확인합니다.

스킵 커넥션 추가: 잔차 신경망 구조

· 시나리오 2에서는 동일한 구조에 스킵 커넥션(skip connection) 을 하나 추가해, 은닉층을 통과한 출력에 입력을 그대로 더한 형태(잔차 연결)를 갖도록 수정합니다.

· 순전파에서는 출력이 두 경로(기존 경로 + 스킵 경로)를 통해 결정되며, 손실은 여전히 MSE로 계산됩니다.

· 역전파에서는 출력이 입력까지 직접 연결되는 경로가 생기면서, ∂ L / ∂ w 1 ∂L/∂w 1 에 도달하는 기울기가 “기존 경로만 있을 때보다 덜 희미해지는” 결과가 나타나고, 실제 수치로 비교했을 때 초기층 기울기가 일반 신경망 대비 확연히 크다는 점을 보여 줍니다.

ResNet의 아이디어: 잔차 학습과 안정된 기울기 흐름

· 영상은 이러한 스킵 커넥션을 통해 각 블록이 H ( x ) H(x) 를 직접 학습하는 대신 F ( x ) = H ( x ) − x F(x)=H(x)−x, 즉 입력 대비 잔차(residual)를 학습하도록 바꾼 것이 ResNet의 핵심이라고 설명합니다.

· 이 방식은

· · 입력 x x를 그대로 다음 층으로 전달하는 대체 경로(gradient shortcut) 를 만들어, 기울기가 여러 비선형 층을 거치지 않고도 초깊은 층까지 도달할 수 있게 하고

· · 결과적으로 네트워크 깊이가 20층→50층→100층 이상으로 깊어져도 학습 성능이 떨어지지 않고 오히려 향상되는 기반을 마련했다고 정리합니다.

정리: 간단한 더하기가 만든 차이

· 영상의 마지막에서는 “가중치가 없는 단순한 더하기 연결” 하나가, 깊은 네트워크에서 기울기 소실 문제를 획기적으로 완화하고 최적화 경로를 부드럽게 만들어 준다는 점을 강조합니다.

· ResNet이 이후 대부분의 비전 모델과 다양한 변형 아키텍처(ResNeXt, DenseNet 등)에 큰 영향을 끼친 만큼, 이 손계산 예제는 스킵 커넥션의 역할을 감으로 이해하는 데 좋은 출발점이 된다고 결론짓습니다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

딥러닝 101 - 23강. Variational Autoencoder, 변분오토인코더 VAEs를 알아보자 | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:50:06 +0900

이 영상은 오토인코더에서 한 단계 더 나아가, 잠재공간을 확률분포(정규분포) 로 모델링해 새로운 데이터를 생성할 수 있게 해 주는 변분 오토인코더(VAE)의 구조와 동작을 직관적 비유와 수치 예제로 설명한다. 특히 평균·분산, 재파라미터라이제이션 트릭, 재구성 손실+KL 발산으로 이루어진 손실까지 한 번에 개념을 잡을 수 있다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

오토인코더 vs VAE: 잠재공간의 차이

· 일반 오토인코더는 입력을 잠재 벡터 z z 하나로 압축했다가 다시 복원하며, 이 z z는 “블랙박스” 같은 고정 벡터라서 사용자가 의미 있게 조절하거나 새로운 샘플을 만들기는 어렵다.

· VAE는 잠재공간을 “평균 μ μ와 분산 σ 2 σ 2 ”로 표현되는 정규분포로 모델링해, 각 데이터가 잠재공간의 분포로 매핑되도록 강제하고, 이 분포에서 샘플링한 z z로 새로운 데이터를 생성할 수 있도록 설계된다.

치킨 소스 비유로 보는 잠재공간

· 영상은 치킨 프랜차이즈 비유를 사용한다. 오토인코더의 잠재공간은 “본사가 준 비법 소스”처럼 레시피를 알 수 없고 그대로 재현만 가능한 상태로, 사람이 조절해 새로운 맛을 만들기 어렵다.

· VAE의 잠재공간은 “특제 소스의 재료 비율(평균·분산)을 공개한 상태”에 비유되어, 레시피를 이해하고 비율을 조절해 새로운 양념치킨(새 샘플)을 만들어 볼 수 있는 구조라고 설명한다.

인코더: μ μ, log ⁡ σ 2 logσ 2 와 재파라미터라이제이션 트릭

· 인코더는 입력 벡터를 받아 은닉층을 거친 뒤, 두 개의 선형층을 통해 잠재공간의 평균 μ μ와 로그 분산 log ⁡ σ 2 logσ 2 를 출력한다.

· 여기서 분산 대신 log ⁡ σ 2 logσ 2 를 쓰는 이유는 분산을 항상 양수로 유지하기 쉽고, 수치 안정성이 좋기 때문이다.

· 샘플링 단계에서는 재파라미터라이제이션 트릭을 사용해

σ = exp ⁡ ( log ⁡ σ 2 ) , z = μ + σ ⊙ ϵ , ϵ ∼ N ( 0 , I ) σ= exp(logσ 2 ) ,z=μ+σ⊙ϵ,ϵ∼N(0,I)

꼴로 z z를 만든다. 이 방식 덕분에 샘플링 연산을 통해서도 μ , σ μ,σ에 대한 그래디언트를 역전파할 수 있다.

디코더와 손실: 재구성 + KL 발산

· 디코더는 샘플링된 z z를 입력으로 받아, 일반 오토인코더처럼 복원 벡터 x ^ x ^ 를 출력한다.

· 손실은 두 부분으로 구성된다.

· · 재구성 손실: 원본 x x와 복원 x ^ x ^ 사이의 차이(MSE나 BCE 등)를 측정해, 데이터 정보를 잘 보존하도록 유도한다.

· · KL Divergence: 인코더가 만든 잠재분포 q ( z ∣ x ) = N ( μ , σ 2 ) q(z∣x)=N(μ,σ 2 )가 표준 정규분포 N ( 0 , I ) N(0,I)에 가까워지도록,

D K L ( q ( z ∣ x ) ∥ N ( 0 , I ) ) = 1 2 ∑ i ( μ i 2 + σ i 2 − log ⁡ σ i 2 − 1 ) D KL (q(z∣x)∥N(0,I))= 2 1 i ∑ (μ i 2 +σ i 2 −logσ i 2 −1)

형태의 항을 더한다.

· 최종 손실은 “재구성 손실 + KL 발산”으로, 인코더·디코더 전체에 역전파를 통해 가중치를 업데이트한다. 이렇게 학습하면 잠재공간이 자연스럽게 표준 정규분포 근처에서 잘 구조화된 형태로 정리된다.

VAE의 의의와 활용 방향

· VAE는 “데이터를 잘 복원하면서도 잠재공간이 정규분포를 따르도록” 학습하기 때문에, 학습 후에는 그저 N ( 0 , I ) N(0,I)에서 z z를 샘플링해 디코더에 넣는 것만으로도 학습 데이터와 유사한 새로운 샘플을 쉽게 생성할 수 있다.

· 영상에서는 이러한 잠재공간 제어 아이디어가 이후 언어 모델·이미지 생성 모델과 결합되어, 스테이블 디퓨전과 같은 현대적 생성 모델의 기반이 되었다는 점을 짚으며, VAE를 “잠재공간을 사람 손에 쥐여 준 첫 주요 생성 모델”로서의 의의를 강조한다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 25강. ResNet 잔차신경망이란? (feat.기울기소실문제) | Deep Learning 101

딥러닝 101 - 25강. ResNet 잔차신경망이란? (feat.기울기소실문제) | Deep Learning 101

이 영상은 기울기 소실(vanishing gradient) 문제를 간단한 3층 신경망 손계산으로 직접 보여 준 뒤, 같은 구조에 스킵 커넥션을 추가했을 때 기울기가 어떻게 달라지는지 비교하며 ResNet의 핵심 아이

inner-game.tistory.com

딥러닝 101 - 21강. 트랜스포머, 스텝 바이 스텝 | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:49:30 +0900

이 영상은 트랜스포머의 인코더–디코더 구조, 위치 인코딩, 멀티헤드 셀프 어텐션, 잔차 연결·정규화, 피드포워드 네트워크, 마스크드 디코더까지를 작은 장난감 예제로 “끝까지 손으로 따라갈 수 있게” 보여주는 스텝바이스텝 강의입니다. 특히 Q·K·V 계산과 어텐션 행렬, 마스크드 어텐션의 동작이 수치 수준에서 펼쳐지는 것이 장점입니다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

전체 구조와 임베딩·위치 인코딩

· 트랜스포머는 크게 인코더 스택과 디코더 스택으로 구성되며, 각 블록 안에는 멀티헤드 어텐션, Add & Norm, 피드포워드, 다시 Add & Norm이 반복되는 모듈형 구조를 갖습니다.

· 입력 문장은 먼저 단어 인덱스로 토크나이즈되고, 단어 임베딩 레이어를 거쳐 고정 길이 벡터(영상에선 6차원)로 변환됩니다.

· 여기에 사인·코사인 기반 위치 인코딩(positional encoding) 을 더해, 동일한 단어라도 위치에 따라 다른 벡터가 되도록 만들어 어순 정보를 반영합니다.

인코더: 멀티헤드 셀프 어텐션과 피드포워드

· 인코더 블록에서는 “입력 + 위치 인코딩”을 복사해 Q, K, V 세 행렬을 만들고, 각각 다른 가중치 행렬과 곱해 선형 변환된 Q , K , V Q,K,V를 얻습니다.

· 셀프 어텐션은 Q K ⊤ QK ⊤ 을 계산해 토큰 간 유사도 스코어를 만들고, 차원 수의 제곱근으로 나누어(scale) softmax를 취함으로써 각 토큰이 다른 토큰에 얼마나 주의를 줄지 나타내는 확률 행렬을 만듭니다.

· 이 어텐션 행렬에 V V를 곱해 “입력 문맥을 반영한 새로운 표현”을 얻고, 여러 헤드에서 얻은 결과를 concat 후 선형층을 통과시키면 멀티헤드 어텐션의 출력이 됩니다.

· 이후 원래 입력(임베딩+포지션)을 더하는 잔차 연결(skip connection) 과 레이어 정규화(Add & Norm)를 거쳐, 두 층짜리 ReLU 피드포워드 네트워크를 통과시킨 뒤 다시 잔차+정규화를 적용하면 인코더 출력이 완성됩니다.

디코더: 마스크드 셀프 어텐션과 인코더–디코더 어텐션

· 디코더 입력도 마찬가지로 단어 임베딩+위치 인코딩으로 시작합니다.

· 첫 번째 멀티헤드 어텐션은 마스크드 셀프 어텐션 으로, Q K ⊤ QK ⊤ 행렬의 미래 위치(아직 생성되지 않은 토큰 위치)에 − ∞ −∞를 더해 softmax 후 해당 위치의 가중치가 0이 되게 하여, 디코더가 미래 단어를 미리 보지 않도록 합니다.

· 두 번째 멀티헤드 어텐션은 인코더–디코더 어텐션으로, 디코더의 은닉 상태에서 나온 Q Q와 인코더 출력에서 온 K , V K,V를 사용해 “출력 각 시점이 입력 문장의 어떤 위치에 주목할지”를 학습합니다.

· 이 뒤에도 인코더와 같은 구조의 피드포워드·잔차·정규화를 거치며, 최종적으로 선형층을 통해 단어장 크기(예: 11)로 차원을 펼친 뒤 softmax로 다음 토큰 확률을 출력합니다.

마스크와 자기어텐션의 의미

· 인코더의 셀프 어텐션은 “하나의 시퀀스 안에서 단어들끼리 서로 얼마나 관련 있는지”를 병렬적으로 계산하기 때문에, 긴 문장에서도 모든 단어쌍 의존성을 한 번에 포착할 수 있습니다.

· 디코더의 마스크드 셀프 어텐션은 오토레그레시브(autoregressive) 생성 조건을 만족시키기 위해, 현재까지 생성된 단어들만 보고 다음 단어를 예측하도록 제한합니다.

· 이런 설계 덕분에 트랜스포머는 RNN 계열과 달리 시퀀스를 순차적으로 처리하지 않고 완전히 병렬화된 어텐션 연산으로 긴 문맥을 다루면서도 높은 효율을 유지하는 모델이 되었고, 이후 다양한 대형 언어모델과 멀티모달 모델의 기반이 되었다고 영상은 강조합니다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 23강. Variational Autoencoder, 변분오토인코더 VAEs를 알아보자 | Deep Learning 101

딥러닝 101 - 23강. Variational Autoencoder, 변분오토인코더 VAEs를 알아보자 | Deep Learning 101

이 영상은 오토인코더에서 한 단계 더 나아가, 잠재공간을 확률분포(정규분포) 로 모델링해 새로운 데이터를 생성할 수 있게 해 주는 변분 오토인코더(VAE)의 구조와 동작을 직관적 비유와 수치

inner-game.tistory.com

딥러닝 101 - 19강. Seq2seq+Attention 모델을 소개합니다 | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:49:14 +0900

이 영상은 기존 seq2seq에 어텐션 메커니즘을 더해, 긴 입력 문장에서 디코더가 “어떤 단어를 얼마나 참고해야 하는지”를 동적으로 계산하는 과정을 직관적으로 보여 주는 강의다. 인코더–컨텍스트–디코더 구조 위에 dot-product 기반 어텐션을 얹는 기본 형태를 이해하기에 적합하다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

Seq2seq 한계와 어텐션의 필요성

· 기본 seq2seq는 인코더가 입력 전체를 고정 길이 컨텍스트 벡터 하나로 압축하기 때문에, 입력 시퀀스가 길어질수록 모든 정보를 이 한 벡터에 담기 어렵다는 문제가 있다.

· 어텐션은 디코더가 출력 각 시점마다 “인코더의 어떤 시점(hidden state)에 더 집중할지”를 학습해, 긴 문장이나 복잡한 구조에서도 번역 품질과 장기 의존성 처리를 개선한다.

인코더 출력 보존과 어텐션 스코어 계산

· 어텐션을 쓰는 seq2seq에서는 인코더의 마지막 상태만 쓰지 않고, 각 시점의 은닉 상태 h 1 e n c , h 2 e n c , … h 1 enc ,h 2 enc ,…를 모두 저장해 둔다.

· 디코더에서 어떤 시점 t t의 은닉 상태 h t d e c h t dec 가 있을 때, 이 벡터를 기준으로 인코더의 각 은닉 상태와의 유사도를 attention score로 계산한다.

· 영상에서는 가장 단순한 dot-product 방식을 사용해, 예를 들어 인코더 상태 ( 0.8 , 0.2 ) (0.8,0.2), 디코더 상태 ( 0.7 , 0.3 ) (0.7,0.3)이면 내적 0.8 ⋅ 0.7 + 0.2 ⋅ 0.3 = 0.62 0.8⋅0.7+0.2⋅0.3=0.62와 같은 식으로 점수를 구한다.

소프트맥스 정규화와 가중합 컨텍스트 벡터

· 이렇게 얻은 attention score들을 softmax에 통과시켜 확률 분포(어텐션 가중치)로 만든다.

· 각 인코더 은닉 상태에 이 가중치를 곱해 “중요한 입력일수록 값이 증폭되도록” 만들고, 이 가중치가 적용된 은닉 상태들을 모두 더해 새로운 컨텍스트 벡터를 구성한다.

· 이 컨텍스트 벡터는 기존 seq2seq의 고정 컨텍스트 벡터보다 훨씬 “현재 디코더 시점에 맞춰진 요약정보”이므로, 디코더의 다음 LSTM 입력이나 출력층에 함께 사용되어 더 정확한 예측을 돕는다.

디코더에서의 반복 적용과 효과

· 디코더는 각 시점마다 자신의 은닉 상태를 기준으로 새로운 attention score를 계산하고, 그에 따라 매번 다른 컨텍스트 벡터를 만들어 사용한다.

· 출력 토큰이 EOS가 나올 때까지 이 과정을 반복하며, 매번 “현재 생성하려는 단어와 가장 관련이 높은 입력 위치”에 더 많은 주의를 기울이게 된다.

· 이 메커니즘 덕분에 모델은 단순 seq2seq보다 긴 문장에 강하고, 어느 입력 단어를 참조해 어떤 출력 단어를 만들었는지 attention 분포를 통해 해석 가능하다는 장점도 얻는다.

영상은 수식을 최소화하고, dot-product·softmax·가중합이라는 세 단계만으로 “어텐션이 seq2seq에 어떻게 붙고, 무엇이 달라지는지”를 감각적으로 파악하게 해 주는 입문용 설명이라고 볼 수 있다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 21강. 트랜스포머, 스텝 바이 스텝 | Deep Learning 101

딥러닝 101 - 21강. 트랜스포머, 스텝 바이 스텝 | Deep Learning 101

이 영상은 트랜스포머의 인코더–디코더 구조, 위치 인코딩, 멀티헤드 셀프 어텐션, 잔차 연결·정규화, 피드포워드 네트워크, 마스크드 디코더까지를 작은 장난감 예제로 “끝까지 손으로 따라

inner-game.tistory.com

딥러닝 101 - 17강. 시퀀스-투-시퀀스, Seq2seq 모델을 소개합니다 | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:48:32 +0900

이 영상은 시퀀스-투-시퀀스(seq2seq) 모델의 구조와 작동 원리를 LSTM·Word2Vec과 연결해 설명하면서, 기계번역을 중심으로 인코더–컨텍스트 벡터–디코더 흐름을 잡아 주는 입문 강의이다. 특히 “길이가 다른 입력·출력 시퀀스를 어떻게 다루는가”를 직관적으로 이해하는 데 초점을 두고 있다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

Seq2seq가 필요한 이유

· 영상은 먼저 기계번역에서 단어 수, 어순이 언어마다 일대일로 대응하지 않는다는 점을 지적하며, 단순 RNN/LSTM만으로는 이 문제를 풀기 어렵다는 맥락을 제시한다.

· LSTM이 장기 의존성 문제를 완화해 주긴 하지만, “문장 전체를 하나의 의미 벡터로 압축하고 다시 새로운 문장으로 풀어내는 구조”가 필요해 등장한 것이 seq2seq 모델이라고 설명한다.

인코더: 입력 문장을 컨텍스트 벡터로

· 예시 문장 “thank you”를 영어→한국어 번역하는 상황을 두고, 우선 각 단어를 Word2Vec 임베딩으로 변환한 뒤 LSTM 인코더에 순차적으로 넣는 과정을 그려 보인다.

· LSTM은 각 시점마다 셀 상태 C t C t 와 히든 상태 h t h t 를 업데이트하며, 마지막 단어(EOS 포함)를 처리한 뒤 얻어지는 ( C T , h T ) (C T ,h T )가 입력 전체를 요약한 벡터가 된다.

· seq2seq에서는 이 ( C T , h T ) (C T ,h T )를 합쳐 컨텍스트 벡터(context vector) 라 부르고, 인코더의 출력이자 디코더의 입력으로 사용한다.

디코더: 컨텍스트에서 출력 시퀀스 생성

· 디코더 역시 별도의 LSTM으로 구성되며, 인코더와 가중치를 공유하지 않고 독립된 파라미터를 가진다.

· 디코더의 첫 시점에서는 인코더가 만든 컨텍스트 벡터를 초기 상태로 주고, 동시에 문장 시작 토큰(EOS/SOS)을 입력하여 첫 한국어 단어(예: “고마워”)를 예측한다.

· 이때 디코더의 히든 상태는 다시 Word2Vec(한국어 임베딩)과 출력층, softmax를 거쳐 다음 단어의 확률 분포를 생성하고, 선택된 단어를 다음 시점의 입력으로 반복적으로 사용하여 “고마워요”, “고마워요 EOS”처럼 문장을 완성한다.

학습과 역전파의 흐름

· 학습 시에는 디코더에서 예측한 각 단어의 분포와 실제 정답 문장을 원-핫 벡터로 비교하여, 크로스엔트로피 손실을 시퀀스 길이만큼 누적한다.

· 역전파는 디코더의 마지막 시점부터 시작해 softmax–크로스엔트로피 층을 거쳐 LSTM 가중치까지 전달되고, 이후 BPTT를 통해 컨텍스트 벡터를 경유하여 인코더 쪽 LSTM의 가중치까지 거슬러 올라간다.

· 이렇게 인코더·디코더 두 LSTM이 함께 업데이트되면서, 인코더는 “잘 압축된 의미 벡터”를, 디코더는 “그 벡터에서 자연스러운 번역을 펼치는 규칙”을 점점 더 잘 학습하게 된다.

Seq2seq의 의의와 확장

· 영상은 seq2seq가 인코더–컨텍스트–디코더 구조 덕분에 “입·출력 길이가 달라도 되는” 번역·요약·챗봇 등 다양한 시퀀스 변환 문제에 적용된다는 점을 강조한다.

· 이어 이 구조 위에 어텐션 메커니즘이 추가되면 긴 문장에서도 더 안정적인 성능을 내게 되고, 더 나아가 트랜스포머로 발전했다는 계보를 언급하며, 딥러닝·NLP 공부에서 반드시 짚고 넘어가야 할 기본 모델로 정리한다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 19강. Seq2seq+Attention 모델을 소개합니다 | Deep Learning 101

딥러닝 101 - 19강. Seq2seq+Attention 모델을 소개합니다 | Deep Learning 101

이 영상은 기존 seq2seq에 어텐션 메커니즘을 더해, 긴 입력 문장에서 디코더가 “어떤 단어를 얼마나 참고해야 하는지”를 동적으로 계산하는 과정을 직관적으로 보여 주는 강의다. 인코더–컨

inner-game.tistory.com

딥러닝 101 - 16강. KL Divergence | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:48:00 +0900

이 영상은 KL Divergence를 “크로스엔트로피에서 엔트로피를 뺀 값”이라는 정보이론 관점과, 치킨집·맛집 비유를 활용한 직관적 설명으로 풀어내는 짧은 입문 강의다. VAEs 등 생성 모델에서 KL 항이 왜 등장하는지 이해할 때 기초가 되는 내용에 초점을 맞추고 있다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

KL Divergence의 정의와 직관

· KL Divergence는 두 확률분포 P P와 Q Q 사이의 정보량 차이를 재는 척도로, 공식은 D K L ( P ∥ Q ) = ∑ x P ( x ) log ⁡ P ( x ) Q ( x ) D KL (P∥Q)=∑ x P(x)log Q(x) P(x) 꼴로 정의된다.

· 식을 전개하면 D K L ( P ∥ Q ) = H ( P , Q ) − H ( P ) D KL (P∥Q)=H(P,Q)−H(P), 즉 “크로스엔트로피(타 분포로 측정했을 때의 평균 놀람)에서 원래 분포의 엔트로피(자체 불확실성)를 뺀 값”이 되어, 기준 분포 자체의 난이도를 제거한 순수한 분포 차이로 해석할 수 있다.

맛집 비유로 보는 의미

· 강의에서는 치킨집 리뷰 예시를 활용해, P ( x ) P(x)를 많은 사람의 평가가 만든 실제 맛 분포, Q ( x ) Q(x)를 본인의 체감 맛 분포로 비유한다.

· 크로스엔트로피가 “맛집 리뷰를 믿고 갔다가 크게 실망했을 때의 평균 놀람”이라면, KL Divergence는 여기서 해당 음식(예: 엄마손맛 치킨)이 원래 가진 조리·맛의 불확실성(엔트로피)을 뺀 값이어서, **가게의 솜씨/평가와 실제 경험 사이의 ‘순수한 괴리’**를 측정한다고 설명한다.

계산 예제와 값의 해석

· 영상에서는 단순한 이산 분포 두 개를 가정해 KL Divergence를 직접 계산해 보며, 두 분포가 더 비슷해질수록 값이 0에 가까워짐을 확인해 준다.

· 반대로 분포가 많이 다르면 KL 값이 커지며, 값의 범위가 0 0에서 ∞ ∞까지 뻗어 있다는 점, 두 분포가 같으면 0이 된다는 성질을 짚어 준다.

비대칭성과 Jensen-Shannon Divergence

· KL Divergence는 일반적인 ‘거리’가 아니라 비대칭 척도라서, D K L ( P ∥ Q ) D KL (P∥Q)와 D K L ( Q ∥ P ) D KL (Q∥P)가 서로 다르며, 어느 쪽을 기준 분포로 둘지에 따라 값과 의미가 달라진다는 점을 강조한다.

· 이 비대칭성과 값의 스케일(0~무한대) 때문에, 두 분포 차이를 보다 대칭적이고 부드럽게 보고 싶을 때는 Jensen–Shannon Divergence(JSD)를 사용한다고 소개한다.

· JSD는 두 분포의 중간 분포 M = 1 2 ( P + Q ) M= 2 1 (P+Q)를 둔 뒤, 1 2 ( D K L ( P ∥ M ) + D K L ( Q ∥ M ) ) 2 1 (D KL (P∥M)+D KL (Q∥M))으로 정의하며, 0~1 사이로 정규화되고 대칭인 점 때문에 GAN 등에서 자주 활용된다고 덧붙인다.

이 영상을 통해 KL Divergence가 “엔트로피·크로스엔트로피와 연결된, 두 분포 간 평균 정보량 차이”라는 점과, 비대칭성과 JSD로의 확장이 어떤 의미를 갖는지 직관적으로 정리할 수 있다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 17강. 시퀀스-투-시퀀스, Seq2seq 모델을 소개합니다 | Deep Learning 101

딥러닝 101 - 17강. 시퀀스-투-시퀀스, Seq2seq 모델을 소개합니다 | Deep Learning 101

이 영상은 시퀀스-투-시퀀스(seq2seq) 모델의 구조와 작동 원리를 LSTM·Word2Vec과 연결해 설명하면서, 기계번역을 중심으로 인코더–컨텍스트 벡터–디코더 흐름을 잡아 주는 입문 강의이다. 특히

inner-game.tistory.com

딥러닝 101 - 15강. Word2Vec 쉬운 예제로 개념잡기 | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:47:32 +0900

이 영상은 Word2Vec의 기본 아이디어, CBOW·Skip-gram 구조, 그리고 “단어 의미를 벡터 공간에 어떻게 새기는지”를 작은 숫자 예제로 보여주는 입문 강의다. 원-핫 인코딩에서 시작해 임베딩과 학습 메커니즘까지 자연스럽게 이어져, NLP 초입을 다지기에 좋다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

원-핫 인코딩과 임베딩의 필요성

· 강의는 “I love 피자” 같은 예로 각 단어를 원-핫 벡터로 표현할 때,

· · 단어 간 의미 관계를 전혀 반영하지 못하고

· · 단어 수가 늘수록 차원이 폭증하는 문제가 있다고 짚는다.

· 이를 해결하는 기법이 단어 임베딩(word embedding) 이며, 단어를 더 낮은 차원의 실수 벡터로 매핑해

· · 의미가 비슷한 단어는 가까이, 다른 단어는 멀어지게 하고

· · 계산 효율성도 높이는 것을 목표로 한다고 설명한다.

Word2Vec 구조: 작은 신경망으로 임베딩 학습

· Word2Vec은 “단어 의미를 잘 보존하는 임베딩 벡터를 학습하는 매우 얇은 신경망”으로 소개된다.

· 예제에서는 단어 4개짜리 작은 어휘를 가정해

· · 입력층: 원-핫(차원 4)

· · 은닉층: 2차원 (임베딩 차원)

· · 출력층: 다시 4차원 구조를 두고, 실제 Word2Vec에서는 단어 수 수만, 임베딩 차원 300 정도로 확장된다고 덧붙인다.

· 은닉층에는 활성화 함수를 쓰지 않는 선형 층만 두는데, 이는

· · 방대한 데이터에서 계산 효율을 높이고

· · 단어들 간 관계를 비선형으로 “찌그러뜨리지 않고” 공평하게 표현하려는 의도일 수 있다고 해석한다.

CBOW(Continuous Bag of Words)의 학습 방식

· CBOW는 “주변 단어들(문맥, context)로 중앙 단어를 맞추는 빈칸 추론 문제”로 설명된다.

· 예를 들어 “I love 피자”에서 중앙 단어 love를 맞추기 위해, 양옆 단어 I, 피자를 입력으로 쓰는 식이다.

· 작은 예제에서는 I와 피자의 원-핫 벡터를 더해 평균을 내어(합이 1이 되도록) 은닉층으로 보낸 뒤,

· · 은닉층에서 선형변환을 거쳐 출력층 로짓을 만들고

· · softmax로 확률을 얻은 다음

· · 크로스엔트로피로 손실을 계산한다.

· 역전파와 경사하강법으로 두 가중치 행렬을 반복해서 업데이트하는데, 여기서는 수식만 간단히 제시하고 세부 계산은 생략한다.

학습이 만드는 의미 공간: 벡터 위치의 변화

· 은닉층 차원이 2라서, 각 단어의 은닉층 출력(=임베딩)을 2D 평면에 점으로 찍어 볼 수 있다고 설명한다.

· 초기에는 가중치가 랜덤이므로 “I, love, like, 피자” 같은 단어들이 아무렇게나 흩어져 있다.

· 그러나 CBOW/Skip-gram 학습을 반복하면,

· · 문맥이 비슷한 love, like는 같은 문장 패턴에서 자주 중앙 단어로 등장해 비슷한 업데이트를 받으므로 점점 가까워지고

· · 문맥 역할이 다른 I, 피자는 다른 위치로 멀어지는 경향을 보이게 된다.

· 이 과정을 수십·수백만 문장에 대해 수행하면 “동일 문맥에 자주 등장하는 단어일수록 벡터 공간에서도 가까워진다”는 Word2Vec의 핵심이 자연스럽게 성립한다.

Skip-gram: 중심 단어로 주변 단어 예측

· 영상 후반부에서는 Word2Vec의 두 학습 방식, CBOW와 Skip-gram을 짝으로 정리한다.

· Skip-gram은 CBOW의 반대로,

· · 중앙 단어를 입력으로 주고

· · 그 주변(윈도우 내)의 단어들을 맞추도록 학습하는 구조다.

· “I love 피자”에서 window=1이라면

· · love의 주변: I, 피자

· · I의 주변: love

· · 피자의 주변: love

식으로 (중앙, 주변) 쌍들을 많이 만들고, 중앙 단어 임베딩이 그 주변 단어들을 잘 예측하도록 학습한다.

· CBOW/Skip-gram 모두, 결국 같은 문장에서 자주 함께 등장하는 단어쌍으로부터 임베딩을 업데이트하기 때문에, 의미적으로 유사한 단어는 결국 벡터 공간에서 서로 가까이 위치하게 된다.

이 강의는 원-핫 인코딩의 한계에서 출발해, Word2Vec이 어떻게 저차원 임베딩 공간 안에 단어 의미와 문맥을 녹여 넣는지, 그리고 CBOW·Skip-gram의 학습 과정을 직관 위주로 이해하는 데 특히 도움이 되는 콘텐츠다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 16강. KL Divergence | Deep Learning 101

딥러닝 101 - 16강. KL Divergence | Deep Learning 101

이 영상은 KL Divergence를 “크로스엔트로피에서 엔트로피를 뺀 값”이라는 정보이론 관점과, 치킨집·맛집 비유를 활용한 직관적 설명으로 풀어내는 짧은 입문 강의다. VAEs 등 생성 모델에서 KL 항

inner-game.tistory.com

딥러닝 101 - 14강. L1, L2 Regularization | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:47:05 +0900

이 영상은 L1, L2 정규화(regularization)가 왜 과적합을 줄이는지, 손실 함수에 어떤 형태로 들어가고 경사하강법에서 가중치가 어떻게 업데이트되는지까지 수식으로 보여주는 입문 강의다. 특히 “가중치에 페널티를 더해 학습을 일부러 방해하지만, 오히려 일반화 성능이 좋아진다”는 역설적인 아이디어를 직관과 미분 계산으로 함께 설명해 준다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

Regularization과 과적합 직관

· 강의는 먼저 모의고사 유형만 과도하게 외운 학생이 실제 시험에서 새로운 유형을 잘 못 푸는 비유로 과적합(overfitting)을 설명한다.

· 영화 추천 시스템 예시에서, 장르·감독처럼 중요한 특성과 개봉연도·상영시간처럼 덜 중요한 특성이 모두 모델에 들어가면 학습 데이터에는 잘 맞지만 새로운 데이터에서는 성능이 떨어질 수 있음을 보여 준다.

· 이런 상황에서 regularization은 “불필요한 가중치의 영향을 줄이거나 없애” 모델이 더 단순한 해를 택하도록 유도하는 방법이라고 정의한다.

L1 정규화: 절댓값 페널티와 희소성

· L1 정규화는 손실 함수에 λ ∑ i ∣ w i ∣ λ∑ i ∣w i ∣를 더하는 형태로, 모든 가중치의 절댓값 합을 페널티로 추가한다.

· 단순 1차 회귀 y = w x + b y=wx+b에 MSE 손실과 L1 항을 합친 뒤 ∂ L / ∂ w ∂L/∂w를 미분하면, 절댓값의 도함수 때문에 기울기에 부호(sgn)가 등장하고, 업데이트식이 “가중치의 부호 방향으로 일정량을 밀어 0에 더 가깝게 만드는” 꼴로 정리된다.

· 이 때문에 작은 가중치들은 반복 업데이트 과정에서 실제로 0까지 떨어지기 쉬워지고, 중요하지 않은 특성이 자동으로 제거된 희소(sparse) 모델이 되는 경향이 있다.

L2 정규화: 제곱 페널티와 weight decay

· L2 정규화는 손실 함수에 λ ∑ i w i 2 λ∑ i w i 2 를 더하며, 가중치 제곱 합을 페널티로 추가한다.

· 같은 설정에서 미분하면, ∂ L / ∂ w ∂L/∂w에 2 λ w 2λw 항이 추가되어, 업데이트식이 “기존 경사하강 업데이트 + 가중치를 비율로 줄이는 weight decay” 형태가 됨을 보여 준다.

· L1이 가중치의 크기와 상관없이 ‘일정량’을 깎는 데 비해, L2는 가중치가 클수록 더 큰 페널티를 주고, 작을수록 작은 페널티를 주기 때문에 전체 가중치를 부드럽게 줄이며 보다 안정적인 정규화 효과를 낸다고 설명한다.

L1 vs L2: 특징과 활용 차이

· L1: 절댓값 페널티로 인해 작은 가중치들을 0으로 만드는 경향이 강해, 특성 선택·차원 축소가 필요한 상황이나 희소한 표현을 선호할 때 유리하다.

· L2: 가중치의 제곱에 비례하는 페널티로, 특정 가중치만 0으로 만들기보다는 전체를 작게 유지해 모델 복잡도를 줄이고, 과적합을 완화하는 데 널리 사용된다.

· 강의는 마지막에 “카페의 적당한 소음이 오히려 공부에 도움될 때도 있다”는 비유를 들며, regularization이 학습을 방해하는 것처럼 보이지만 실제로는 더 일반화 잘 되는 모델을 만드는 ‘좋은 방해’가 될 수 있다고 정리한다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 15강. Word2Vec 쉬운 예제로 개념잡기 | Deep Learning 101

딥러닝 101 - 15강. Word2Vec 쉬운 예제로 개념잡기 | Deep Learning 101

이 영상은 Word2Vec의 기본 아이디어, CBOW·Skip-gram 구조, 그리고 “단어 의미를 벡터 공간에 어떻게 새기는지”를 작은 숫자 예제로 보여주는 입문 강의다. 원-핫 인코딩에서 시작해 임베딩과 학습

inner-game.tistory.com

딥러닝 101 - 13강. Softmax와 Cross-Entropy의 미분 | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:46:39 +0900

이 영상은 소프트맥스–크로스엔트로피 조합의 역전파에서 늘 등장하는 “기울기가 y ^ − y y ^ −y로 단순화된다”는 결과를 처음부터 끝까지 미분으로 직접 도출해 주는 이론 중심 강의이다. RNN·LSTM·다중 분류 신경망에서 반복해서 쓰이는 핵심 공식의 유도 과정을 한 번은 꼼꼼히 보고 싶을 때 참고하기 좋다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

소프트맥스의 편미분 정리

· 영상은 먼저 소프트맥스 출력을 y i = e o i ∑ k e o k y i = ∑ k e o k e o i 로 두고, 세 개의 출력 노드를 예로 들어 ∂ y i ∂ o j ∂o j ∂y i 를 구하는 것부터 시작한다.

· i = j i=j인 경우에는 ∂ y i ∂ o i = y i ( 1 − y i ) ∂o i ∂y i =y i (1−y i ), i ≠ j i  =j인 경우에는 ∂ y i ∂ o j = − y i y j ∂o j ∂y i =−y i y j 로 정리되며, 이를 통해 소프트맥스의 야코비안 구조를 직관적으로 이해할 수 있게 한다.

크로스엔트로피와 체인 룰 결합

· 이어 다중 클래스 크로스엔트로피 손실 L = − ∑ k y k log ⁡ y ^ k L=−∑ k y k log y ^ k 를 두고, ∂ L ∂ o j ∂o j ∂L 를 체인 룰로 전개한다.

· 먼저 ∂ L ∂ y ^ k = − y k y ^ k ∂ y ^ k ∂L =− y ^ k y k , 그리고 앞에서 구한 ∂ y ^ k ∂ o j ∂o j ∂ y ^ k 를 곱해 모두 더한 뒤, k = j k=j인 항과 k ≠ j k  =j인 항을 나누어 정리한다.

원-핫 인코딩과 y ^ − y y ^ −y의 도출

· 원-핫 인코딩된 레이블을 가정하면, 한 클래스만 y j = 1 y j =1, 나머지는 0 0이므로 합 안의 많은 항들이 자연스럽게 사라진다.

· 정리 과정을 거치면 결국 ∂ L ∂ o j = y ^ j − y j ∂o j ∂L = y ^ j −y j 로 깔끔하게 수렴하며, 이것이 딥러닝 라이브러리들이 내부에서 사용하는 대표적인 그래디언트 형태임을 보여 준다.

실전에서 이 조합이 중요한 이유

· 소프트맥스–크로스엔트로피 조합은 RNN·LSTM·CNN·MLP 등 거의 모든 다중 분류 모델에서 출력층의 표준 조합으로 쓰이며, 기울기가 단순한 덕분에 역전파 구현이 쉬워지고 수치적으로도 안정적이다.

· 영상은 수식 전개 자체는 다소 길지만, 최종 결과가 “예측 확률 벡터에서 원-핫 레이블 벡터를 빼면 된다”로 끝나기 때문에, 이 조합이 현대 딥러닝에서 가장 널리 사랑받는 이유를 이해하는 데 큰 도움이 된다고 강조한다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 14강. L1, L2 Regularization | Deep Learning 101

딥러닝 101 - 14강. L1, L2 Regularization | Deep Learning 101

이 영상은 L1, L2 정규화(regularization)가 왜 과적합을 줄이는지, 손실 함수에 어떤 형태로 들어가고 경사하강법에서 가중치가 어떻게 업데이트되는지까지 수식으로 보여주는 입문 강의다. 특히 “

inner-game.tistory.com

딥러닝 101 - 11강. GAN 생성적 적대 신경망 Generative Adversarial Network | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:44:28 +0900

이 영상은 생성적 적대 신경망(GAN)의 아이디어와 구조, 그리고 제너레이터·디스크리미네이터가 이진 크로스엔트로피 손실을 두고 서로 경쟁하며 학습하는 과정을 직관적 비유와 간단한 수식 예제로 설명하는 입문 강의이다. 특히 “위조 화가 vs 감별사” 비유와 실제 숫자를 이용한 손실·기울기 계산으로, 적대적 학습의 흐름을 감각적으로 이해하기 좋다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

생성 모델로서의 GAN 개념

· 강의는 먼저 딥러닝 모델을 판별 모델(분류·회귀)과 생성 모델로 나누고, 인간이 “개념을 분류도 하지만 새로운 이미지를 그려 내기도 한다”는 점에서 생성 모델의 중요성을 짚는다.

· StyleGAN 얼굴 생성, 스타일 변환(말↔얼룩말, 모네↔사진), 초해상도(SRGAN)처럼 실제 애플리케이션 사례들을 보여 주며, GAN이 생성 모델 붐의 출발점이 된 역사적 의미를 간략히 소개한다.

제너레이터와 디스크리미네이터 구조

· GAN은 “위조 화가” 역할의 제너레이터(Generator)와 “감별사” 역할의 디스크리미네이터(Discriminator), 두 개의 신경망으로 이루어진다.

· 제너레이터는 랜덤 잠재 벡터 z z를 입력으로 받아, 실제 데이터(예: 사람 얼굴, RGB 벡터 등)와 구분하기 어려운 샘플을 생성하는 것이 목표다.

· 디스크리미네이터는 입력이 진짜(real)인지 가짜(fake)인지 구분하는 이진 분류기이며, 출력은 0~1 사이의 스칼라(“진짜일 확률”)로 시그모이드를 사용해 표현한다.

제너레이터와 디스크리미네이터 구조

손실 함수와 학습 목표

· 디스크리미네이터는 진짜 샘플에 대해서는 1, 제너레이터가 만든 가짜 샘플에 대해서는 0을 출력하도록 학습되며, 이 때 이진 크로스엔트로피(Binary Cross Entropy) 손실을 사용한다.

· 영상에서 제시하는 손실은

· · 진짜 데이터에 대한 손실: − log ⁡ D ( x ) −logD(x)

· · 가짜 데이터에 대한 손실: − log ⁡ ( 1 − D ( G ( z ) ) ) −log(1−D(G(z)))

를 합한 형태로, 디스크리미네이터는 이 합을 최소화(또는 로그 항을 최대화)하도록 학습된다.

· 반대로 제너레이터는 G ( z ) G(z)가 디스크리미네이터에게 “진짜처럼” 보이도록, − log ⁡ D ( G ( z ) ) −logD(G(z))를 최소화(혹은 log ⁡ D ( G ( z ) ) logD(G(z))를 최대화)하는 방향으로 학습된다고 설명한다.

이제부터는 손실함수부터 시작된 오류가 어떻게 역전파 되는지 알아볼 차례입니다
GAN모델의 손실함수는 이진 크로스 엔트로피 binary cross-entropy (BCE)함수를 기반으로 하고 있습니다
사실상 GAN모델은 주어진 이미지가 진짜 데이터(1)냐 가짜 (0)냐 둘 중 하나만 판별해야 하기 때문에 이진binary 형태의 손실함수가 합당하고,
또 지난 영상에서 본 바 처럼, 크로스 엔트로피 손실함수가 MSE에 비해 빨리 정답쪽으로 수렴하는 경향이 크기 때문에,
이진 크로스 엔트로피가 GAN모델의 손실함수로 적당해 보입니다.

우선 discriminator의 손실함수부터 살펴보도록 하겠습니다.
먼저 진짜 데이터가 들어올 경우를 가정해보면,
진짜 데이터의 경우는 discriminator의 출력값이 1이어야 하기 때문에,
손실함수는 이렇게 바꾸어 쓸수가 있습니다

이 부분은 0이 되어 사라지고,
그리고 진짜 데이터의 경우는 generator와 아무 관련이 없기 때문에,
진짜 데이터를 받은 discriminator의 출력값 (확률)을 이렇게 다시 쓸 수 있습니다
그래서 GAN모델을 학습시킬 때, 만약 입력이 진짜 데이터라면,
log( )를 최대화 하는 것이 앞의-와 만나서 손실을 최소로 만들 수 있음을 알 수 있습니다.

숫자로 따라가는 순전파·역전파 예제

· 강의에서는 입력·가중치 차원을 극단적으로 줄인 장난감 GAN을 설정해,

· · 제너레이터가 단순한 RGB 벡터를 출력하고

· · 진짜 빨간색 RGB를 타깃으로 학습하는 상황을 가정한다.

· 이때 진짜·가짜 각각에 대해 디스크리미네이터의 출력과 손실 값을 직접 계산하고, 이진 크로스엔트로피의 미분과 시그모이드의 도함수 σ ′ ( x ) = σ ( x ) ( 1 − σ ( x ) ) σ ′ (x)=σ(x)(1−σ(x))를 이용해 디스크리미네이터 가중치의 기울기를 체인 룰로 전개해 나간다.

· 이어 제너레이터 쪽에서는 손실이 디스크리미네이터 출력 D ( G ( z ) ) D(G(z))를 거쳐 G G의 가중치까지 어떻게 역전파되는지, 중간 항들을 하나씩 계산해 실제 수치로 보여 줌으로써 “제너레이터는 디스크리미네이터를 속이는 방향으로 업데이트된다”는 흐름을 명확히 드러낸다.

적대적 학습의 직관과 의의

· 위조 화가와 감별사가 서로의 실력을 끌어올리는 비유를 GAN 학습에 대응시키면서, 디스크리미네이터가 정교해질수록 제너레이터도 더 현실적인 샘플을 만들도록 압박받는, 상호 경쟁 구조를 강조한다.

· 이런 적대적 학습 덕분에 GAN은 명시적으로 확률밀도함수 p ( x ) p(x)를 모델링하지 않으면서도, 실제 데이터 분포와 매우 비슷한 샘플을 생성해 내는 강력한 생성 모델로 자리 잡았다는 점을 간단히 언급한다.

결국 이 영상은 “GAN이 무엇을, 왜, 어떻게 학습하는지”를 직관적 비유–구조도–이진 크로스엔트로피 수식–간단한 수치 예제까지 한 흐름으로 연결해 주는, 생성 모델 입문자용 GAN 개념 정리 강의라고 정리할 수 있다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 13강. Softmax와 Cross-Entropy의 미분 | Deep Learning 101

딥러닝 101 - 13강. Softmax와 Cross-Entropy의 미분 | Deep Learning 101

이 영상은 소프트맥스–크로스엔트로피 조합의 역전파에서 늘 등장하는 “기울기가 y ^ − y y ^ −y로 단순화된다”는 결과를 처음부터 끝까지 미분으로 직접 도출해 주는 이론 중심 강의이다. R

inner-game.tistory.com

딥러닝 101 - 9강. 오토인코더 Autoencoder를 소개합니다 | Deep Learning 101

InnerGame — Fri, 9 Jan 2026 01:44:15 +0900

이 영상은 오토인코더의 개념·학습 방식·수식 수준의 학습 알고리즘·대표 활용까지를 짧고 간결하게 정리해 주는 입문 강의이다. 인코더–디코더 구조와 “입력과 거의 같은 출력을 내는데도 왜 쓸모가 있는지”를 잠재공간과 차원 축소 관점에서 설명해 주는 점이 특징이다.

딥러닝 101

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

딥러닝 101 - 무료 강의 전체 소개 | Deep Learning 101

inner-game.tistory.com

오토인코더의 기본 아이디어

· 오토인코더는 입력 데이터를 더 작은 차원의 잠재공간(latent space, 코딩)으로 압축한 뒤, 다시 원본과 최대한 비슷하게 복원하도록 학습하는 신경망이다.

· 구조는 크게 인코더(압축)와 디코더(복원) 두 부분으로 나뉘며, 인코더가 “핵심 특징만 뽑아 요약본을 만드는 역할”, 디코더가 “요약본으로부터 원문을 재구성하는 역할”을 한다는 비유로 이해를 돕는다.

셀프지도·비지도 학습으로서의 오토인코더

· 개·고양이 분류처럼 입력–정답 라벨 쌍을 사용하는 지도 학습과 달리, 오토인코더는 “입력 = 정답”으로 두고 원본과 복원본의 차이(재구성 손실)를 최소화하는 방식으로 학습한다.

· 즉 별도의 라벨이 없는 데이터만으로도, 데이터 분포와 구조를 반영한 압축 표현을 배우는 비지도/셀프지도 학습 모델이라는 점을 강조한다.

잠재공간과 차원 축소의 의미

· 강의에서는 200페이지 책을 3페이지 요약본으로 줄이는 비유를 통해, 차원 축소가 불필요한 세부를 버리고 중요한 정보만 남기는 과정이라는 점을 직관적으로 설명한다.

· 입력보다 훨씬 작은 잠재공간으로 정보를 통과시키면, 네트워크는 “복원에 꼭 필요한 핵심 특징”만 통과시키도록 압박받게 되고, 이 과정에서 자연스럽게 데이터의 유용한 표현을 학습하게 된다고 설명한다.

순전파·역전파와 학습 알고리즘

· 예제에서는 작은 차원의 인코더–디코더 가중치 행렬을 설정하고, 단일 입력에 대해 순전파로

· · 1. 인코더 출력 z z 계산

· · 2. 디코더 출력 x ^ x ^ 계산

· · 3. 원본 x x와 출력 x ^ x ^ 의 차이를 MSE로 정의해 손실을 구하는 과정을 실제 숫자로 보여준다.

· 이어 체인 룰을 사용해 디코더 가중치, 인코더 가중치에 대한 손실의 기울기 ∂ L / ∂ W decoder , ∂ L / ∂ W encoder ∂L/∂W decoder ,∂L/∂W encoder 를 단계별로 전개하고, 시그모이드 미분까지 포함해 직접 값을 계산한다.

· 마지막에는 경사하강법 업데이트 W ← W − α ∇ W L W←W−α∇ W L를 적용해 가중치가 아주 조금씩 변하는 모습을 보여 주면서, 이런 과정을 반복하면 잠재공간이 점차 입력의 핵심 특성을 잘 표현하게 된다고 정리한다.

오토인코더의 대표 활용

· 영상 마지막 부분에서는 오토인코더의 특성을 “차원 축소 + 복원 능력”으로 요약하며, 이를 활용할 수 있는 대표 응용으로 차원 축소·특징 추출·노이즈 제거·복원·생성 등을 소개한다.

· 특히 스캔 문서나 디지털 이미지에서 노이즈를 제거하거나(Denoising Autoencoder), 흑백 이미지를 컬러로 복원하는 작업, 데이터의 압축·이상 탐지 등에 널리 응용된다는 점을 간략히 언급한다.

결국 이 강의는 “입력을 그대로 따라 그리게 만드는 모델이 어떻게 유용한지”를, 잠재공간과 재구성 손실, 수식 흐름, 그리고 실제 활용 예까지 연결해 한 번에 정리해 주는 오토인코더 입문용 콘텐츠라고 정리할 수 있다.

[AI 인공지능 머신러닝 딥러닝/딥러닝] - 딥러닝 101 - 11강. GAN 생성적 적대 신경망 Generative Adversarial Network | Deep Learning 101

딥러닝 101 - 11강. GAN 생성적 적대 신경망 Generative Adversarial Network | Deep Learning 101

이 영상은 생성적 적대 신경망(GAN)의 아이디어와 구조, 그리고 제너레이터·디스크리미네이터가 이진 크로스엔트로피 손실을 두고 서로 경쟁하며 학습하는 과정을 직관적 비유와 간단한 수식

inner-game.tistory.com