「Machine Learning Study 혼자 해보기」

1. 문서의 목적과 구성

• 이 글은 머신러닝·딥러닝을 독학하려는 사람들을 위해 강의, 블로그, GitHub, 논문, 데이터셋 등을 체계적으로 모은 학습 자료집이다.
• 단순한 링크 목록이 아니라, 입문자가 어떤 순서로 공부하면 좋은지 학습 난이도와 활용 목적을 함께 제시한다.
• Python부터 수학·통계, 머신러닝, 딥러닝, LLM, 캐글 실습까지 폭넓게 다룬다.
• 여러 기여자가 자료를 추가하는 공개 GitHub 프로젝트로 운영된다.

2. 권장 학습 순서

• 먼저 Python 문법을 익힌 뒤 NumPy·Pandas로 데이터를 처리하고, Matplotlib 등의 도구로 시각화하는 흐름을 권장한다.
• 이후 선형대수, 미분, 확률·통계를 학습하여 머신러닝 알고리즘의 원리를 이해한다.
• 다음 단계에서 Scikit-learn을 활용한 전통적 머신러닝과 TensorFlow·PyTorch 기반 딥러닝을 공부한다.
• 마지막에는 캐글 프로젝트, 논문 구현, 실제 데이터 분석을 통해 실무 능력을 높이는 구조다.

3. 수학과 통계 기초

• AI 학습에 필요한 벡터, 행렬, 미분, 편미분, 자연로그, 유사도 등의 수학 개념을 설명하는 강의가 정리되어 있다.
• 통계 분야에서는 확률분포, 정규분포, 가설검정, p-value, 신뢰구간, 베이즈 이론을 다룬다.
• 시계열 분석에 필요한 AR·MA·ARIMA와 신호처리의 푸리에 변환, 경험적 모드 분해 자료도 포함한다.
• 복잡한 수식을 그림과 손글씨 강의로 쉽게 이해할 수 있는 입문 자료를 우선 추천한다.

4. 전통적 머신러닝

• 경사하강법, 오차 역전파, 손실함수처럼 모델이 학습되는 기본 원리를 먼저 설명한다.
• 선형회귀, 로지스틱 회귀, 의사결정나무, KNN, SVM, PCA, 군집분석 등 대표 알고리즘을 다룬다.
• L1·L2 정규화와 Lasso·Ridge·ElasticNet처럼 과적합을 줄이는 방법도 포함한다.
• 각 주제는 개념 강의와 Python 구현 자료를 함께 제공해 이론과 실습을 연결한다.

5. 딥러닝 주요 분야

• 신경망의 구조를 시작으로 CNN, RNN, LSTM, GAN, 강화학습 등 주요 딥러닝 모델을 정리한다.
• 컴퓨터 비전에서는 객체 탐지, 이미지 분할, 자율주행, OpenCV 활용 사례를 소개한다.
• 자연어 처리에서는 Word2Vec, BERT, GPT, Transformer, Attention, Seq2Seq 등을 다룬다.
• 단순 모델 사용뿐 아니라 논문 이해, 코드 구현, 하이퍼파라미터 조정까지 학습할 수 있다.

6. 최신 AI 기술과 학습 방식

• AutoML과 베이지안 최적화, Hyperband, NAS 등 모델 구조와 파라미터를 자동으로 찾는 기술을 소개한다.
• 메타러닝은 새로운 문제를 빠르게 학습하는 방법, 액티브러닝은 필요한 데이터만 선택해 학습하는 방법이다.
• 연합학습은 데이터를 중앙 서버에 모으지 않고 여러 장치에서 공동으로 모델을 학습한다.
• 증분·지속학습은 기존 지식을 유지하면서 새로운 데이터를 계속 학습하는 방법을 다룬다.

7. LLM·LangChain·ChatGPT

• AutoGPT처럼 사용자가 제시한 목표를 여러 단계로 나누어 자동 수행하는 AI 에이전트를 소개한다.
• KoChatGPT, KoAlpaca 등의 사례를 통해 한국어 LLM 파인튜닝과 RLHF·LoRA 기술을 학습할 수 있다.
• LangChain 자료에서는 LLM과 PDF, 웹사이트, CSV·Excel, Hugging Face 모델을 연결하는 방법을 다룬다.
• OpenAI API 문서와 Cookbook을 활용해 질의응답, 문서 요약, 데이터 분석 서비스를 개발할 수 있다.

8. 캐글·데이콘 실전 학습

• 캐글 입문 방법부터 데이터셋 사용, API, 대회 참가 절차와 우승 솔루션까지 단계별 자료를 제공한다.
• Titanic, 주택가격, 신용위험, 자전거 수요처럼 분류·회귀 문제를 연습할 수 있다.
• 이미지 탐지, 자연어 처리, 시계열, 음성 등 분야별 대회와 튜토리얼도 구분되어 있다.
• 실무와 유사한 문제에서 데이터 전처리, 모델 검증, 성능 개선 경험을 쌓는 것이 핵심이다.

9. 학습 자료의 다양한 형태

• 강의는 Coursera, Stanford, T아카데미, YouTube 등 무료 또는 공개된 콘텐츠를 중심으로 구성된다.
• 블로그에서는 수학·통계·논문·자연어 처리 같은 주제를 더 깊이 설명한다.
• GitHub 저장소에는 실행 가능한 Jupyter Notebook, 예제 코드, 사전학습 모델과 데이터셋이 포함된다.
• 위키독스와 전자책은 Python, 딥러닝, 알고리즘 트레이딩 등을 책처럼 순서대로 공부하는 데 적합하다.

10. 오픈데이터와 개발 도구

• AI Hub, 공공데이터포털, 서울 열린데이터 광장, Papers with Code 등 다양한 데이터 출처를 소개한다.
• TensorFlow, PyTorch, Scikit-learn을 중심으로 목적별 라이브러리를 정리한다.
• 공공 데이터를 DataFrame으로 조회하는 PublicDataReader와 의료·비전·한국어 데이터셋도 포함한다.
• Docker 기반 개발환경과 GPU 서버 구축 자료도 있어 실제 프로젝트 환경을 구성하는 데 도움이 된다.

11. 커뮤니티와 진로 정보

• TensorFlow Korea, PyTorch KR, Kaggle Korea 등 기술별 커뮤니티를 통해 질문과 정보를 교환할 수 있다.
• 현직 데이터 과학자와 머신러닝 엔지니어의 인터뷰를 통해 업무, 취업, 연봉, 대학원 진학 경험을 소개한다.
• 비전공자의 진입 가능성이나 데이터 사이언티스트와 ML 엔지니어의 역할 차이도 살펴볼 수 있다.
• 기술 학습뿐 아니라 포트폴리오·경진대회·커뮤니티 활동이 진로 준비에 중요하다는 점을 보여준다.

핵심 평가