뜻: Matplotlib에서 전체 그래프 그림 하나를 감싸는 큰 캔버스 또는 그림 영역입니다. 여러 개의 작은 그래프 칸을 품을 수 있는 바깥 컨테이너라고 생각하면 됩니다. 보고서 한 페이지를 Figure라고 보면, 그 안에 들어가는 개별 그래프 칸들이 Axes에 해당합니다.
왜 중요한가: 여러 그래프를 한 화면에 배치하거나 저장할 때, 개별 그래프 칸과 전체 그림을 구분해야 subplots, savefig 같은 흐름을 자연스럽게 읽을 수 있기 때문입니다. Figure를 알아야 무엇을 그리고 있는가와 어디에 그리고 있는가를 나누어 해석할 수 있고, 제목·여백·파일 저장처럼 전체 그림 수준의 설정과 개별 Axes 수준의 설정을 혼동하지 않게 됩니다. 이 구분이 있어야 savefig가 한 선만 저장하는 것이 아니라 현재 Figure 전체를 파일로 저장한다는 점도 자연스럽게 이해됩니다.
뜻: Python 패키지를 설치하고 관리할 때 자주 쓰는 도구입니다. Python 언어 자체의 일부라기보다, 바깥에서 필요한 라이브러리를 내려받고 현재 환경에 연결해 주는 패키지 관리자에 가깝습니다. 즉 코드를 실행하는 도구라기보다 실행에 필요한 부품을 환경에 붙이는 도구라고 이해하는 편이 정확합니다.
왜 중요한가: 패키지 설치가 Python 코드 안이 아니라 터미널 명령과 실행 환경 관리의 문제라는 점을 보여 줍니다. 이 개념이 있어야 문법 문제, 패키지 미설치 문제, 가상환경이 다른 문제를 분리해서 읽을 수 있습니다. 또한 pip를 이해해야 설치는 성공했는데 다른 환경에 설치된 경우를 해석하게 되고, 어느 인터프리터의 pip인가를 함께 확인해야 하는 이유도 자연스럽게 이어집니다. 초심자에게는 코드가 틀렸다와 환경이 비어 있다를 구분하는 첫 관문이기도 합니다.
함께 볼 개념: 패키지(package), 가상환경(virtual environment), 리콰이어먼트 파일(requirements.txt)
뜻: Python 코드를 읽고 실행하는 프로그램입니다. 사용자가 적은 Python 문장을 실제 실행 단계로 넘기는 구체적인 실행 주체이며, 같은 Python 문법을 쓰더라도 어떤 인터프리터를 쓰는지에 따라 설치된 패키지와 실행 결과가 달라질 수 있습니다. 즉 .py 파일을 이해하는 개념적 언어와, 그 언어를 실제로 돌리는 실행 프로그램을 구분하게 만드는 개념입니다.
왜 중요한가: python, python file.py, 노트북 셀 실행이 모두 무엇을 통해 동작하는지 설명하는 중심 축이기 때문입니다. Python 언어와 Python 실행기 자체를 분리해 읽어야 버전 차이와 환경 차이도 설명할 수 있고, 코드는 맞는데 왜 여기서는 안 돌아가는가 같은 문제도 인터프리터와 가상환경 관점에서 풀 수 있습니다. 또한 인터프리터를 이해해야 노트북, 터미널, IDE가 겉모습은 달라도 결국 어떤 Python 실행기를 붙잡고 있느냐가 중요하다는 점도 읽게 됩니다.
함께 볼 개념: 인터프리터(interpreter), 스크립트(script), 대화형 모드(interactive mode)
뜻: 모델이 학습 과정에서 파라미터 안에 압축해 둔 내부 지식입니다. 문장을 그대로 저장한 데이터베이스라기보다, 학습 과정에서 가중치 속에 스며든 경향성과 패턴 지식에 가깝습니다. 즉 필요할 때 원문을 꺼내 읽는 저장소라기보다, 모델의 반응 습관과 연결 강도로 흡수된 기억에 더 가깝습니다.
왜 중요한가: RAG를 이해할 때 모델이 원래 알고 있는 것과, 외부 문서에서 새로 가져오는 자료를 구분하는 기준이 됩니다. 이 개념이 있어야 모델 파라미터 안에 든 지식과 검색으로 붙여 주는 최신 근거를 섞지 않고 설명할 수 있고, 둘을 왜 다른 갱신 방식으로 다뤄야 하는지도 이해하게 됩니다. 또한 파라메트릭 메모리를 이해해야 미세조정으로 바꾸기 쉬운 것과, 문서 교체만으로 빠르게 갱신할 수 있는 것이 다르다는 점도 더 선명하게 읽게 됩니다. 결국 파라메트릭 메모리는 모델이 원래 품고 있는 지식을 말할 때 쓰는 내부 기억 이름입니다.
함께 볼 개념: 비파라메트릭 메모리(non-parametric memory), 검색 증강 생성(retrieval-augmented generation, RAG), 파라미터(parameter)
뜻: 학습 과정에서 조정되는 모델 내부 값입니다. 가중치와 편향처럼 모델 안에 저장되어, 같은 입력이 들어왔을 때 어떤 계산 경로와 출력을 만들지 결정하는 값이며, 함수의 매개변수(parameter)와는 다른 층위의 용법입니다. 즉 파라미터는 모델이 안쪽에 기억하고 있는 조정값에 더 가깝습니다.
왜 중요한가: 같은 입력에 대한 출력이 어떻게 달라지는지를 결정하는 내부 기준이기 때문입니다. 이 구분이 있어야 파라미터 수, 미세조정, 파라메트릭 메모리 같은 표현을 입력 인자 개념과 섞지 않게 됩니다. 예를 들어 temperature는 사용자가 바깥에서 조절하는 설정값이지만, 가중치(weight)와 편향(bias)은 학습으로 모델 안에 저장된 파라미터입니다. 결국 파라미터를 이해해야 무엇이 모델 안에 학습되어 남는가와 무엇이 바깥에서 설정되는가를 더 정확히 나누어 읽게 됩니다.
함께 볼 개념: 모델(model), 학습(training), 표현(representation), 매개변수(parameter), 하이퍼파라미터(hyperparameter)
뜻: 한 명령의 출력을 다음 명령의 입력으로 넘기는 연결 표기입니다. 즉 명령을 나란히 쓰는 것이 아니라, 앞 단계 결과를 뒤 단계 재료로 흘려보내는 셸 연결입니다. 결과를 화면에만 보여 주고 끝내는가가 아니라 다음 명령이 바로 이어 받아 처리하는가를 결정하는 흐름 표기라고 볼 수 있습니다.
왜 중요한가: 긴 출력 처리와 여러 단계 명령 연결을 문서에서 읽을 때 결과가 어떻게 흘러가는지 이해하게 해 줍니다. 파이프를 읽을 수 있어야 여러 작은 명령이 하나의 처리 흐름으로 묶이는 이유가 보이고, 파일에 저장하는 일과 출력을 바로 다음 단계로 넘기는 일도 구분해 이해할 수 있습니다. 또한 파이프를 이해해야 복잡한 셸 명령을 앞 단계가 무엇을 만들고 뒤 단계가 무엇을 소비하는가의 연쇄로 읽게 되어, 명령어 문법을 외우는 것보다 처리 흐름을 파악하는 데 더 도움이 됩니다.
함께 볼 개념: 리다이렉션(redirection), 셸 스크립트(shell script), 터미널(terminal)
뜻: 터미널이 명령 이름만 보고 실행 파일을 찾을 때 참고하는 위치 목록입니다. 즉 python, pip, git처럼 짧은 이름만 쳐도 셸이 어느 폴더를 먼저 뒤져 실행 파일을 찾을지 정해 둔 검색 경로라고 볼 수 있습니다.
왜 중요한가: Python이 설치되어 있어도 python 명령이 잡히지 않는 문제를 설치 실패와 명령 연결 문제로 구분하게 해 주기 때문입니다. 이 개념이 있어야 프로그램이 없다와 프로그램은 있는데 셸이 찾지 못한다를 분리해 읽게 되고, 가상환경이나 여러 버전의 실행기가 왜 서로 다른 경로 우선순위를 가질 수 있는지도 이해하게 됩니다. 또한 PATH를 이해해야 같은 이름의 명령이 왜 환경마다 다른 프로그램을 실행하는가를 해석하게 되고, 실행 문제를 코드 오류가 아니라 경로 우선순위 문제로 진단하는 감각도 생깁니다.
함께 볼 개념: 환경 변수(environment variable), Python 인터프리터(interpreter), 터미널(terminal)
뜻: Python에서 import해 가져다 쓸 수 있도록 배포된 코드 묶음입니다. 언어 자체에 기본 포함된 것이 아니라, 필요에 따라 설치하고 불러와 쓰는 기능 단위에 가깝습니다. 즉 Python은 바탕 언어이고, 패키지는 그 위에 필요한 기능을 덧붙이는 부품 묶음이라고 이해하면 됩니다.
왜 중요한가: NumPy, Pandas 같은 실습 도구를 Python 언어 자체와 구분해 이해해야 설치와 사용 단계를 올바르게 나눌 수 있기 때문입니다. 패키지 개념이 있어야 문법 오류와 설치되지 않은 도구 오류를 따로 읽을 수 있습니다. 또한 패키지를 이해해야 코드는 맞는데 import가 안 된다는 상황을 언어 문제보다 환경 문제로 해석하게 되고, 프로젝트마다 필요한 의존성 목록을 관리해야 하는 이유도 자연스럽게 이어집니다. 초심자에게는 Python을 설치했다와 필요한 패키지까지 준비됐다가 다른 말이라는 점을 이해하는 기준이기도 합니다.
함께 볼 개념: 가상환경(virtual environment), pip, 의존성(dependency)
뜻: 여러 위치 번호를 목록처럼 지정해 값을 따로 모아 새 배열처럼 선택하는 방식입니다. 연속된 구간을 자르는 것이 아니라, 이 위치와 저 위치만 골라 새 묶음을 만든다는 선택 방식이라고 이해하면 됩니다. 즉 팬시 인덱싱은 원본 순서를 그대로 따라가기보다, 필요한 위치를 골라 새 집합으로 재조립하는 접근입니다.
왜 중요한가: 구간을 그대로 보는 슬라이싱과 달리, 특정 위치만 모으는 선택은 원본 공유 방식과 결과 해석이 달라져 전처리 코드에서 의도를 더 정확히 읽게 해 주기 때문입니다. 이 개념이 있어야 원본의 한 조각을 본다와 필요한 원소를 다시 모은다를 구분하게 되고, 복사 여부와 후속 수정 영향도 더 정확히 예상하게 됩니다. 또 표본 추출, 후보 재배열, 조건 통과 항목 재선택처럼 실제 전처리 장면에서 왜 팬시 인덱싱이 자주 등장하는지도 자연스럽게 연결됩니다.
함께 볼 개념: 불리언 마스크(boolean mask), 인덱싱(indexing), 복사(copy)
뜻: 여러 입력에 가중치를 곱해 더한 뒤, 편향을 더하고, 그 결과를 기준으로 출력을 만드는 가장 단순한 신경망 판단 단위입니다. 즉 입력들을 한 번 섞어 점수를 만들고, 그 점수로 반응을 정하는 계산의 출발점이라고 볼 수 있습니다. 복잡한 딥러닝 모델도 이 작은 계산 단위가 층층이 겹친 형태로 이해할 수 있습니다.
왜 중요한가: 신경망이 무엇을 계산하는지 처음 보여 주는 출발점입니다. 가중치, 편향, 선형 결합, 활성화가 이후 다층 구조로 이어지는 기본 문법이 모두 여기서 드러나므로, 퍼셉트론을 이해하면 복잡한 신경망도 작은 판단 단위가 겹겹이 쌓인 구조로 읽기 쉬워집니다. 또한 퍼셉트론을 이해해야 신경망의 힘이 마법적 지능에서 오기보다, 단순 계산 단위를 많이 조합해 복잡한 경계를 만들 수 있다는 점에서 나온다는 감각도 생깁니다. 결국 퍼셉트론은 신경망이 실제로 무슨 계산을 하는가를 가장 작게 보여 주는 기본 블록입니다.
함께 볼 개념: 가중치(weight), 편향(bias), 선형 결합(linear combination), 활성화 함수(activation function)
뜻: 입력이 여러 개일 때 그중 하나만 바꿨다고 보고 계산한 변화율입니다. 나머지 변수는 잠시 고정해 둔 채, 특정 방향으로만 얼마나 민감하게 값이 바뀌는지를 읽는 도구라고 볼 수 있습니다. 즉 여러 변수가 얽힌 문제를 지금은 이 변수 하나의 영향만 본다는 방식으로 나누어 보는 셈입니다. 한꺼번에 모든 변화를 보지 않고, 변수별 책임을 따로 읽는 미분 방식이라고 이해하면 됩니다.
왜 중요한가: 여러 파라미터가 있는 손실 함수에서 각 방향의 민감도를 따로 읽어야 그래디언트를 이해할 수 있습니다. 이 개념이 있어야 전체 변화와 특정 파라미터 하나의 영향을 구분하고, 역전파가 왜 파라미터별 업데이트 신호를 줄 수 있는지 이해하게 됩니다. 또한 다변수 문제에서도 변화율을 포기하는 것이 아니라, 방향별 기여를 쪼개어 보고 다시 모아 학습 방향을 정한다는 점이 더 분명해집니다. 결국 편미분은 어느 파라미터를 조금 바꾸면 손실이 어느 쪽으로 얼마나 달라지는가를 읽는 기본 문법이 됩니다.
함께 볼 개념: 미분(derivative), 그래디언트(gradient), 파라미터(parameter)
뜻: 입력 단서가 약하거나 없을 때도 출력 계산의 기본 위치를 조정하는 모델 파라미터입니다. 직선 식의 절편처럼, 입력이 0이거나 영향이 작아도 출력이 어디쯤에서 시작할지를 정하는 값이라고 생각할 수 있습니다. 즉 가중치가 입력별 기울기를 조정한다면, 편향 항은 전체 출력의 출발 위치를 밀어 올리거나 내리는 역할에 가깝습니다.
왜 중요한가: 가중치만으로는 설명되지 않는 출력의 기본 위치를 이해하게 해 주며, 학습이 조정하는 내부 값의 범위를 더 정확히 보게 해 줍니다. 이 개념이 있어야 모델이 입력의 영향만 배우는 것이 아니라 기본 출발점도 함께 조정한다는 점을 읽을 수 있습니다. 또한 편향 항을 이해해야 입력이 모두 0일 때도 왜 출력이 꼭 0일 필요는 없는지, 선형 모델과 신경망 계산을 더 정확히 해석하게 됩니다. 결국 편향 항은 기울기 조정과 별도로 출발 위치 조정이 필요하다는 점을 보여 주는 파라미터입니다.
함께 볼 개념: 가중치(weight), 파라미터(parameter), 학습(training)
뜻: AI 시스템이 특정 사람, 집단, 상황에 반복적으로 더 불리하거나 왜곡된 결과를 내는 문제입니다. 단발성 실수라기보다, 어떤 조건에서 비슷한 방향의 불균형이 계속 나타나는 구조적 문제에 더 가깝습니다. 따라서 편향은 단순히 틀린 예측이 있다는 말이 아니라, 실패가 누구에게 어떤 방향으로 더 자주 몰리는가를 묻는 질문입니다.
왜 중요한가: 편향은 나쁜 의도만의 문제가 아니라 데이터 수집, 라벨 기준, 특징 선택, 평가 방식, 사용 맥락에서 함께 생길 수 있어, 모델 성능이 높아 보여도 실제 피해를 만들 수 있기 때문입니다. 이 개념이 있어야 전체 평균 성능이 좋다는 사실만으로 시스템을 안전하다고 보지 않게 되고, 누구에게 어떤 실패가 더 집중되는지 따로 살펴봐야 한다는 점도 분명해집니다. 또한 편향을 이해해야 오류율 비교, 집단별 사례 검토, 운영 맥락 점검 없이 모두에게 비슷하게 잘 작동한다고 단정하는 위험도 더 분명히 읽게 됩니다.
함께 볼 개념: 안전성(safety), 책임(accountability), 인간 감독(human oversight)
뜻: 모델이나 시스템을 평가할 때 남긴 점수, 실패 샘플, 기준 설정, 메모, 후속 조치를 묶어 둔 기록입니다. 점수 한 줄만 적는 것이 아니라, 어떤 기준으로 재었고, 어디서 흔들렸고, 다음에 무엇을 더 봐야 하는가까지 다시 읽을 수 있게 남긴 평가용 원장이라고 볼 수 있습니다. 즉 평가 기록은 채점 결과 보관함이 아니라, 비교와 회고를 다시 열기 위한 실행 문서입니다.
왜 중요한가: 같은 정확도 숫자라도 어떤 데이터와 어떤 설정과 어떤 실패 샘플에서 나온 것인지 흐리면 다음 수정 방향을 잘못 잡기 쉽기 때문입니다. 이 개념이 있어야 평가를 점수 하나로 끝내지 않고, 비교 결과와 틀린 사례 목록과 검토 요약을 함께 남기게 됩니다. 또한 평가 기록을 이해해야 Part 7의 구조 선택, 검색 품질 점검, 실패 회고가 서로 다른 프로젝트처럼 보여도 실제로는 모두 무엇을 재었고 무엇이 남았는가라는 공통 기록 구조 위에서 다시 연결된다는 점도 더 선명하게 읽게 됩니다.
함께 볼 개념: 평가(evaluation), 실행 요약(execution summary), 틀린 사례 목록(wrong-case list), 검토 요약(review summary), 회고(retrospective)
뜻: 현재 모델을 흔들림 적게 측정하거나 실제 서비스에 사용하기 위해, 평가용 계산 규칙을 적용하고 있는 상태입니다. 학습 때와 달리 dropout 같은 무작위 요소를 끄고, 축적된 통계를 기준으로 더 안정된 출력을 내게 하는 실행 상태라고 볼 수 있습니다. 즉 파라미터는 그대로 두되, 지금은 배우는 중인가 아니면 재는 중인가에 따라 계산 태도를 바꾸는 모드입니다.
왜 중요한가: 검증, 테스트, 배포에서는 학습 중의 무작위 흔들림과 배치 의존성을 줄여야 현재 모델의 성능과 서비스 출력 안정성을 더 공정하게 확인할 수 있기 때문입니다. 이 개념이 있어야 같은 모델인데 왜 학습 중과 평가 때 결과가 다를 수 있는가를 설명할 수 있습니다. 또한 평가 모드를 이해해야 성능 저하가 모델 자체 문제인지, 학습 모드로 잘못 둔 실행 절차 문제인지 분리해서 진단하게 됩니다.
함께 볼 개념: 학습(training), 학습 모드(training mode), 테스트(test)
뜻: 모델이 얼마나 잘했는지, 또는 어떤 종류의 오류를 얼마나 냈는지 숫자로 요약해 보여 주는 기준입니다. 정확도처럼 한 숫자일 수도 있고, 정밀도와 재현율처럼 서로 다른 오류 성격을 따로 보여 주는 여러 숫자 묶음일 수도 있습니다. 즉 평가 지표는 성능이 좋다를 막연히 말하는 대신, 어떤 기준에서 얼마나 좋거나 나쁜지를 수치로 드러내는 언어입니다.
왜 중요한가: 같은 점수라도 무엇을 잘했다고 보는지 먼저 정하지 않으면 모델 비교와 업무 판단이 함께 흔들리기 때문입니다. 이 개념이 있어야 높은 점수 자체보다 그 점수가 무엇을 반영하고 무엇을 놓치는지를 함께 읽게 됩니다. 또한 하나의 지표가 좋아졌더라도 다른 실패 유형이 가려질 수 있어, 문제 성격에 따라 여러 지표를 함께 보는 이유도 더 자연스럽게 이해하게 됩니다. 특히 평가 지표를 이해해야 모델 훈련 목표, 사용자 경험, 업무 비용이 항상 같은 숫자로 요약되지는 않는다는 점도 읽게 됩니다.
함께 볼 개념: 평가(evaluation), 정확도(accuracy), 재현율(recall)
중심 Section: P4-6.1
등장 Section: P4-6.2, P4-6.3, P4-6.4, P4-8.2, P4-10.2, P4-15.3
뜻: 모델 출력이 정답이나 기준에 얼마나 맞는지, 또는 여러 모델 가운데 무엇이 더 나은지 점검하는 과정입니다. 점수 하나를 읽는 일에 그치지 않고, 무엇을 비교하고 어떤 기준으로 채점할지를 먼저 정하는 판단 절차까지 포함합니다. 즉 평가는 결과를 나중에 재는 부속 단계가 아니라, 무엇을 잘한 것으로 볼 것인가를 먼저 정하는 설계 행위이기도 합니다.
왜 중요한가: 같은 모델이라도 무엇을 잘했다고 볼지 먼저 정하지 않으면 성능 비교가 흔들리고, 모델 점수와 실제 업무 성과를 구분하기 어려워지기 때문입니다. 그래서 평가는 모델 성능 확인이면서 동시에 문제 정의 점검이기도 합니다. 이 개념이 있어야 숫자가 올랐다는 사실만으로 충분하지 않고, 그 숫자가 실제 사용 목표를 얼마나 제대로 대변하는지도 함께 따져야 함을 이해하게 됩니다. 또한 평가를 이해해야 좋은 모델을 찾는 일과 좋은 평가 절차를 짜는 일이 따로 존재한다는 점도 자연스럽게 받아들이게 됩니다. 특히 Part 7에서는 평가를 정확도 숫자를 적는 일로만 보지 않고, 기준 모델과의 비교, 틀린 사례 목록, 다음 질문까지 함께 남기는 프로젝트 기록으로 읽어야 한다는 점도 더 선명하게 보게 됩니다.
함께 볼 개념: 출력(output), 평가 지표(metric), 문제 정의(task definition), 검증(validation), 사람 평가(human evaluation)
뜻: 실제값과 예측값의 차이를 제곱한 뒤 여러 샘플에 대해 평균낸 값입니다. 예측이 얼마나 틀렸는지를 하나의 숫자로 요약하되, 큰 오차에는 더 큰 벌점을 주는 방식이라고 볼 수 있습니다. 즉 작은 여러 실수보다 드문 큰 실수를 더 무겁게 보는 오차 요약 방식입니다.
왜 중요한가: 여러 예측의 오차를 하나의 숫자로 요약해 손실 함수와 평가 지표가 어떻게 연결되는지 보여 줍니다. 특히 제곱을 쓰기 때문에 큰 실수를 더 민감하게 반영한다는 점을 이해해야, 같은 평균 오차처럼 보여도 왜 MSE가 다른 판단을 줄 수 있는지 읽을 수 있습니다. 또한 MSE를 이해해야 큰 실패를 특히 피하고 싶은 문제와 전반적으로 고르게 맞히고 싶은 문제에서 왜 같은 회귀라도 다른 오차 기준을 택할 수 있는지 구분하게 됩니다. 결국 MSE는 얼마나 자주 틀리는가보다 얼마나 크게 틀리는가에 더 민감한 기준이라는 점이 핵심입니다.
함께 볼 개념: 오차(error), 손실 함수(loss function), 평균(mean)
뜻: 여러 값을 더한 뒤 개수로 나눈 대표 중심값입니다. 개별 값이 제각각일 때도 전체가 대략 어느 수준에 모여 있는지 한 숫자로 압축해 보여 주는 가장 기본적인 요약치라고 볼 수 있습니다. 즉 평균은 여러 결과를 하나의 대표값으로 접어 비교하기 쉽게 만드는 가장 익숙한 중심 요약 방식입니다.
왜 중요한가: 데이터 묶음과 손실 값을 하나의 대표 숫자로 요약할 때 가장 자주 쓰이기 때문입니다. 이 개념이 있어야 배치 손실, 평균 제곱 오차, 평균 정확도처럼 여러 사례 결과를 왜 하나의 비교 가능한 숫자로 바꾸는지 자연스럽게 읽을 수 있습니다. 또한 평균은 중심을 보여 주지만 퍼짐과 이상치를 숨길 수도 있어, 대표값 하나만 보고 분포 전체를 다 안다고 착각하지 않게 만드는 출발점이기도 합니다. 결국 평균을 이해해야 대표 숫자 하나가 유용하면서도 불완전하다는 점을 함께 읽게 됩니다.
함께 볼 개념: 분포(distribution), 분산(variance), 중위값(median)
뜻: 모집단 가운데 실제로 관측하고 손에 넣은 일부 데이터입니다. 즉 현실 전체를 다 보지 못할 때, 그 전체를 대신해 현재 손에 쥔 관측 묶음이라고 볼 수 있습니다. 말하자면 표본은 현실 전체의 일부 조각이지만, 분석에서는 종종 그 전체를 대신해 해석되는 자료입니다.
왜 중요한가: 실제 분석과 모델 학습은 보통 현실 전체가 아니라 손에 들어온 일부 표본 위에서 이루어지므로, 지금 본 데이터가 전체를 얼마나 잘 대표하는지 항상 함께 따져야 하기 때문입니다. 이 개념이 있어야 데이터셋 점수와 실제 환경 성능을 같은 것으로 보지 않게 되고, 표본이 치우치면 추정과 일반화도 함께 흔들릴 수 있다는 점을 더 자연스럽게 이해하게 됩니다. 또한 표본을 이해해야 현재 가진 데이터에서 잘 된다와 현실 전체에서도 잘 된다 사이에 항상 대표성 점검이 하나 더 필요하다는 점도 분명해집니다.
함께 볼 개념: 모집단(population), 추정(estimation), 표본 편향(sampling bias)
뜻: 가능한 모든 결과를 모아 둔 전체 집합입니다. 동전 던지기라면 앞면과 뒷면 전체가 되고, 시험 점수 문제라면 나올 수 있는 모든 점수 범위가 이 틀에 해당합니다. 즉 표본공간은 무엇이 가능한 경우 전체인가를 정해 두는 확률 문제의 바깥 테두리입니다.
왜 중요한가: 사건과 결과를 어떤 전체 틀 안에서 볼지 먼저 정해야 확률 계산이 흔들리지 않기 때문입니다. 무엇을 가능한 전체 경우로 둘지 정하지 않으면, 어떤 일이 얼마나 자주 일어나는가도 일관되게 정의할 수 없습니다. 이 개념이 있어야 사건은 표본공간의 일부이고, 확률은 그 일부가 전체에서 차지하는 비중을 읽는 일이라는 구조가 더 선명해지고, 문제 정의를 바꾸면 표본공간도 함께 달라질 수 있다는 점도 자연스럽게 이해하게 됩니다. 결국 표본공간을 이해해야 확률은 낱개 결과만이 아니라 어떤 전체를 기준으로 보느냐에 따라 달라진다는 점을 읽게 됩니다.
뜻: 표본 평균 같은 추정값이 표본을 바꾸면 얼마나 흔들릴 수 있는지 보여 주는 값입니다. 데이터 자체가 얼마나 퍼져 있는가보다, 지금 계산한 추정값이 얼마나 불안정할 수 있는가를 나타내는 지표에 가깝습니다. 즉 데이터의 흩어짐보다 평균을 다시 뽑아도 비슷하게 나올까를 묻는 수치라고 볼 수 있습니다.
왜 중요한가: 데이터 자체의 퍼짐과 추정값의 불안정성을 구분해 읽게 해 줍니다. 같은 데이터라도 표본 수가 커지면 표준오차는 줄어들 수 있으므로, 데이터가 제각각인 정도와 평균 추정이 얼마나 믿을 만한가를 다른 개념으로 이해하게 해 주는 역할을 합니다. 이 구분이 있어야 표준편차와 표준오차를 같은 퍼짐 수치로 오해하지 않고, 추정의 신뢰 가능성을 따로 읽게 됩니다. 또한 표준오차를 이해해야 표본 수가 늘어날수록 추정이 왜 더 안정적으로 보일 수 있는지 자연스럽게 연결됩니다.
함께 볼 개념: 표준편차(standard deviation), 추정(estimation), 신뢰구간(confidence interval)
뜻: 분산의 제곱근으로, 데이터가 평균 주변에서 얼마나 퍼져 있는지를 원래 데이터 단위에 더 가깝게 읽게 해 주는 값입니다. 키 데이터라면 cm, 점수 데이터라면 점수 단위 감각으로 다시 퍼짐을 해석하게 만드는 지표라고 볼 수 있습니다. 즉 평균에서 보통 얼마나 떨어져 있는가를 직관적으로 읽게 해 주는 퍼짐 요약값입니다.
왜 중요한가: 분산만으로는 제곱 단위가 되어 직관이 약해질 수 있습니다. 표준편차는 퍼짐을 원래 단위 감각으로 다시 보여 주기 때문에, 평균은 비슷한데 데이터 흩어짐은 다른 경우를 읽고 비교하는 데 더 직접적인 손잡이가 됩니다. 이 개념이 있어야 평균 하나만으로는 보이지 않는 변동성 차이를 함께 읽게 되고, 안정적인 집합과 불안정한 집합을 더 분명히 구분할 수 있습니다. 또한 표준편차를 이해해야 값이 큰가와 흔들림이 큰가를 अलग개념으로 읽게 되어, 평균 비교만으로는 놓치는 데이터 성격을 더 잘 붙잡게 됩니다.
함께 볼 개념: 분산(variance), 분포(distribution), 표준오차(standard error)
뜻: 모델이 입력을 더 유용한 내부 표현으로 바꾸는 방식을 데이터에서 함께 학습하는 접근입니다. 사람이 규칙과 특징을 미리 다 설계하기보다, 학습 과정에서 어떤 표현이 현재 과제에 도움이 되는지 모델이 스스로 찾아가게 하는 관점입니다. 즉 좋은 특징을 사람이 골라 준다보다 좋은 내부 좌표계를 모델이 데이터에서 배운다는 쪽에 더 가깝습니다. 다시 말해 표현 학습은 답만 맞히는 것이 아니라, 답을 더 쉽게 맞히게 하는 내부 표현까지 함께 만드는 학습입니다.
왜 중요한가: 사람이 특징을 직접 설계하는 흐름과 딥러닝의 차이를 이해하게 해 줍니다. 이 개념이 있어야 딥러닝의 강점이 단순히 층이 많다가 아니라, 과제에 맞는 내부 표현을 함께 만들어 간다는 데 있다는 점을 더 정확히 읽을 수 있습니다. 또한 같은 원본 데이터라도 어떤 표현이 학습되었는지에 따라 이후 분류기나 생성기가 다루는 문제 자체가 쉬워지거나 어려워질 수 있어, 성능 차이를 마지막 출력층만의 차이로 보지 않게 됩니다. 결국 표현 학습은 딥러닝이 왜 입력 전처리 도구가 아니라, 문제를 다시 보이게 만드는 표현 기계로 읽히는지 설명하는 핵심 관점입니다. 또한 표현 학습을 이해해야 좋은 모델이란 출력층이 강한 모델만이 아니라 중간 표현을 잘 만드는 모델일 수도 있다는 점을 함께 보게 됩니다.
함께 볼 개념: 딥러닝(deep learning), 특징(feature), 표현(representation)
뜻: 입력을 모델이 다룰 수 있게 바꾼 내부 형태입니다. 원본 데이터 그 자체라기보다, 현재 문제에 유용한 차이와 관계가 더 잘 드러나도록 재구성된 계산용 모습이라고 볼 수 있습니다. 즉 표현은 세상을 그대로 복사한 모습보다 현재 과제를 위해 다시 정리된 내부 좌표계에 가깝습니다. 다시 말해 표현은 입력의 외형보다, 모델이 실제로 계산에 쓰기 좋게 바꾼 내부 버전입니다.
왜 중요한가: 딥러닝과 표현 학습을 이해하려면 사람이 읽는 입력과 모델이 계산하는 내부 형태를 구분해야 합니다. 특징이 입력 단서라는 말이라면 표현은 그 단서가 모델 안에서 어떤 구조로 다시 조직되었는가를 보여 주는 쪽에 더 가깝습니다. 또한 표현을 이해해야 같은 이미지, 같은 문장도 모델 안에서는 전혀 다른 계산 가능 형태로 바뀌어 다뤄진다는 점, 그리고 좋은 표현이 있으면 이후 분류나 생성 문제가 더 쉬워질 수 있다는 점도 함께 읽게 됩니다. 결국 표현을 이해해야 입력 자체가 중요하다와 입력을 어떤 내부 구조로 바꾸었는가가 중요하다를 분리해 보게 됩니다.
함께 볼 개념: 특징(feature), 벡터(vector), 활성값(activation), 임베딩(embedding), 표현 학습(representation learning)
중심 Section: P1-3.3
등장 Section: P1-2.3, P1-4.3, P1-8.2, P3-6.1, P3-6.2, P5-10.1, P5-10.2
뜻: feature map에서 지역적으로 강한 반응을 요약해 더 작고 압축된 형태로 넘기는 연산입니다. 예를 들어 작은 구역 안에서 가장 큰 값만 남기거나 평균을 내어, 세부 위치 정보를 일부 줄이는 대신 핵심 반응을 요약하는 단계라고 볼 수 있습니다.
왜 중요한가: 공간 크기를 줄이면서도 중요한 지역 반응을 남겨, CNN이 더 큰 시각 단서를 단계적으로 읽게 해 주기 때문입니다. 이 개념이 있어야 합성곱 뒤에 왜 바로 다음 층으로 넘기지 않고 일부 요약 단계를 두는지 이해하게 되고, 해상도 축소와 중요한 패턴 보존 사이의 절충도 함께 읽게 됩니다. 또한 풀링을 이해해야 어디에 있었는가보다 있었는가가 더 중요해지는 장면이 있다는 점, 반대로 위치 정보가 중요하면 과한 풀링이 손해가 될 수 있다는 점도 함께 해석하게 됩니다. 결국 풀링은 정보 손실이 아니라 어떤 정보를 남기고 어떤 세부는 버릴지를 정하는 요약 선택입니다.
함께 볼 개념: 합성곱(convolution), feature map, 합성곱 신경망(CNN, convolutional neural network)
뜻: 결과가 요청에 맞고 읽을 수 있으며 실제 사용에 도움이 되는 정도입니다. 단순히 문장이 자연스러운가를 넘어서, 현재 목적에 비춰 받아들일 만한 결과인가를 넓게 묻는 판단 기준이며, 여러 세부 기준을 묶는 상위 평가 축에 가깝습니다. 즉 품질은 예쁘게 보이는지보다, 지금 이 작업 맥락에서 실제로 쓸 만한가를 묻는 판단에 더 가깝습니다.
왜 중요한가: 생성형 AI 결과를 평가할 때 자연스러움만 볼 것이 아니라, 사실성·근거·안전성과 구분된 첫 번째 점검 축으로 읽어야 하기 때문입니다. 이 개념이 있어야 좋아 보이는 답과 실제로 써도 되는 답을 구분하는 출발점을 잡을 수 있고, 품질이 높아 보여도 왜 여전히 검토와 근거 확인이 필요한지도 함께 설명할 수 있습니다. 결국 품질은 하나의 숫자보다, 어떤 목적에서 어떤 실패를 허용하지 않을 것인가를 정하는 운영 판단과도 맞닿아 있습니다. 또한 품질을 이해해야 동일한 결과라도 학습용 초안, 내부 참고, 외부 공개 문서에서 요구 수준이 달라질 수 있다는 점도 더 분명해집니다.
함께 볼 개념: 환각(hallucination), 근거(evidence), 검토(review), 일관성(consistency), 평가 지표(metric)
뜻: 현재 프롬프트 안에 몇 개의 입력-출력 예시를 함께 넣어 원하는 패턴을 보여 주는 방식입니다. 규칙을 길게 설명하기보다, 이런 입력에는 이런 식으로 답하라는 사례를 바로 보여 주는 접근이라고 볼 수 있습니다. 즉 모델 파라미터를 바꾸지 않은 채, 현재 문맥 안의 예시만으로 작업 패턴을 유도하는 방법입니다.
왜 중요한가: 모델을 다시 학습시키지 않고도 형식과 판단 기준을 유도하는 대표 방법이며, 예시가 현재 입력 안에서 어떻게 작동하는지 이해하게 해 줍니다. 이 개념이 있어야 설명만 주는 프롬프트와 패턴 예시까지 주는 프롬프트의 차이를 구분해 읽을 수 있습니다. 또한 퓨샷 프롬프팅을 이해해야 예시가 많아질수록 도움이 될 수도 있지만, 문맥 길이를 더 쓰고 원치 않는 패턴까지 따라 하게 만들 수 있다는 절충도 함께 보게 됩니다. 결국 퓨샷 프롬프팅은 모델을 바꾸지 않고도 작업 습관을 문맥 안에서 잠시 빌려 쓰는 방법으로 읽을 수 있습니다.
함께 볼 개념: 예시(example), 문맥 내 학습(in-context learning), 프롬프트(prompt)
뜻: 프롬프트 안에서 작업, 맥락, 예시, 제약, 출력 형식 같은 역할을 구분해 나눠 쓰는 방식입니다. 한 덩어리 문장으로 모두 밀어 넣기보다, 각 정보가 어떤 역할을 하는지 드러나게 배치하는 입력 설계라고 볼 수 있습니다. 즉 프롬프트 구조화는 문장을 예쁘게 다듬는 일보다, 입력 내부의 역할 경계를 보이게 만드는 설계에 더 가깝습니다.
왜 중요한가: 긴 요청에서 무엇이 지시이고 무엇이 참고 정보인지 분리해야 재현성과 검토성이 올라가고, 모델도 입력 역할을 더 안정적으로 해석할 가능성이 커집니다. 이 개념이 있어야 프롬프트 품질이 좋은 표현 한 줄의 문제가 아니라 역할이 보이게 구조를 나누는 문제라는 점을 이해할 수 있습니다. 또한 프롬프트 구조화를 이해해야 같은 내용을 담더라도 배치 순서와 역할 분리가 달라지면 결과 안정성이 달라질 수 있다는 점도 읽게 됩니다.
함께 볼 개념: 프롬프트(prompt), 지시(instruction), 맥락(context)
뜻: 입력 지시, 맥락, 예시, 형식을 설계해 현재 모델 반응을 관찰하고 원하는 방향으로 더 안정적으로 조정하려는 실천적 작업입니다. 단순히 문장을 예쁘게 쓰는 일이 아니라, 실패 유형을 보고 입력 구조를 다시 설계하는 반복 실험에 가깝습니다. 즉 프롬프트 엔지니어링은 좋은 문장 감각보다 실패 원인을 보고 입력 조건을 체계적으로 바꾸는 실험 과정으로 보는 편이 더 정확합니다.
왜 중요한가: 모델 내부를 다시 학습시키지 않고도 가장 빠르게 실험하고 수정할 수 있는 첫 번째 실무 손잡이입니다. 동시에 이 개념이 있어야 프롬프트만으로 줄일 수 있는 문제와 검색, 도구 사용, 모델 교체가 필요한 문제를 구분하는 출발점을 잡을 수 있습니다. 또한 프롬프트 엔지니어링을 이해해야 결과가 좋아졌을 때 그것이 표현 수정 덕분인지, 예시 추가 덕분인지, 맥락 정리 덕분인지 분리해서 관찰하게 되고, 같은 실수를 반복하지 않는 입력 설계 지식도 축적하게 됩니다.
함께 볼 개념: 프롬프트(prompt), 지시(instruction), 지시 튜닝(instruction tuning)
뜻: 사용자 입력이나 외부 문서 안에 숨은 지시가 원래 시스템 지시를 흔들거나 우회해, 모델이나 에이전트가 의도하지 않은 행동을 하게 만드는 공격입니다. 핵심은 문서 내용처럼 보이는 텍스트가 사실은 행동 규칙을 바꾸는 입력으로 작동할 수 있다는 점입니다. 즉 프롬프트 인젝션은 단순 장난 문구가 아니라, 명령과 자료의 경계를 무너뜨려 시스템 행동을 바꾸려는 입력 공격으로 읽어야 합니다.
왜 중요한가: 검색, 브라우징, 파일 읽기, 도구 사용이 붙은 AI 시스템에서는 외부 문서가 단순 참고자료가 아니라 실제 행동 결정 입력이 되기 쉬워, 숨은 지시 하나가 권한 남용과 정보 유출로 이어질 수 있기 때문입니다. 이 개념이 있어야 모델이 문서를 읽었다와 문서가 모델 행동을 바꿨다를 구분하게 되고, 보안 문제를 단순 품질 저하와 다른 층위의 위험으로 읽게 됩니다. 또한 프롬프트 인젝션을 이해해야 왜 최소 권한, 승인, 실행 범위 제한, 추적 기록이 함께 필요해지는지, 그리고 모델이 더 똑똑해지는 것만으로는 보안 문제가 자동으로 닫히지 않는다는 점도 더 분명하게 보게 됩니다.
함께 볼 개념: 보안(security), 최소 권한(least privilege), 권한(permission), 검색 증강 생성(retrieval-augmented generation, RAG), 도구 사용(tool use)
뜻: 현재 응답을 만들기 위해 모델에 주는 입력 전체입니다. 한 줄 질문만이 아니라, 지시, 맥락, 예시, 제약, 출력 형식까지 포함한 현재 작업 조건 묶음으로 보는 편이 더 정확합니다. 즉 프롬프트는 질문 문장 하나보다, 이번 계산에서 모델이 어떤 역할과 자료와 형식을 참고해야 하는지 정해 주는 입력 설계물에 가깝습니다.
왜 중요한가: 사용자가 모델을 직접 다시 학습시키지 않고도, 지시와 맥락, 예시, 제약, 출력 형식을 입력으로 배치해 현재 출력 조건을 조정하는 기본 수단입니다. 이 개념이 있어야 모델 자체를 바꾸는 일과 현재 응답 조건을 바꾸는 일을 구분해 이해할 수 있습니다. 또한 프롬프트를 이해해야 같은 모델이라도 어떤 자료를 함께 넣고 어떤 형식을 요구하느냐에 따라 응답 방향이 크게 달라질 수 있다는 점, 그리고 그 변화가 곧 모델 내부 지식 갱신을 뜻하는 것은 아니라는 점도 분명해집니다.
함께 볼 개념: 지시(instruction), 맥락(context), 문맥 내 학습(in-context learning)
뜻: 입력을 더 명확히 써도 사실성, 최신성, 안전성, 긴 문서 전체 일관성처럼 자동으로 해결되지 않는 문제 영역입니다. 즉 표현을 다듬는 것만으로는 넘어설 수 없는 구조적 한계가 있으며, 문제에 따라서는 모델 밖의 근거나 절차가 추가로 필요하다는 뜻입니다.
왜 중요한가: 프롬프트 개선과 모델 능력, 외부 자료 확인, 도구 사용, 사람 검토를 구분해야 다음 단계 구조가 왜 필요한지 이해할 수 있기 때문입니다. 이 개념이 있어야 프롬프트를 더 잘 쓰면 다 해결된다는 오해를 줄이고, 검색·평가·승인 절차가 왜 별도로 필요한지도 이해하게 됩니다. 또한 프롬프트의 한계를 이해해야 실패 원인을 무조건 입력 문장 탓으로 돌리지 않고, 최신 정보 접근 부재나 작업 구조 부족 같은 더 근본적인 원인을 찾게 됩니다. 즉 이 개념은 말을 잘 거는 문제와 시스템을 잘 설계하는 문제를 분리해 읽게 합니다.
함께 볼 개념: 프롬프트(prompt), 평가(evaluation), 환각(hallucination)
뜻: 입력이 앞에서 뒤로만 흐르며 각 층을 차례대로 통과하는 신경망 구조, 또는 트랜스포머 안에서 attention 뒤에 붙어 각 위치 표현을 다시 비선형적으로 가공하는 작은 신경망 블록을 가리키는 말입니다. 공통점은 되돌아가는 순환 없이 현재 입력을 다음 층으로 밀어 보내며 변환한다는 점입니다.
왜 중요한가: Transformer가 토큰 관계를 읽는 단계와 각 위치 표현을 다시 다듬는 단계를 분리해, 문맥 반영 뒤의 표현 재가공을 반복 가능하게 만듭니다. 동시에 더 넓게는 신경망의 기본 계산 흐름이 앞으로만 전달되는 층 구조라는 점을 보여 주기 때문에, 순환 신경망과의 차이도 함께 이해하게 해 줍니다. 결국 피드포워드 네트워크를 이해해야 관계를 읽는 단계와 표현을 다시 가공하는 단계가 트랜스포머 안에서 어떻게 나뉘는지도 읽게 됩니다. 다시 말해 피드포워드 네트워크는 문맥을 섞는 일과 각 위치 표현을 다시 변환하는 일을 나누어 보게 하는 블록입니다.
함께 볼 개념: 트랜스포머(Transformer), 셀프 어텐션(self-attention), 레이어 정규화(layer normalization)
뜻: 표나 배열에서 조건에 맞는 일부 행이나 값만 남기는 선택 과정입니다. 데이터를 바꾸는 일이라기보다, 현재 질문에 필요한 부분만 먼저 드러내는 읽기 단계에 가깝습니다. 예를 들어 특정 기간, 특정 클래스, 결측치가 없는 행만 남기는 일이 여기에 해당합니다. 즉 필터링은 데이터를 고친다보다 지금 볼 대상을 추린다에 가까운 작업입니다.
왜 중요한가: 전체 데이터를 한 번에 보는 대신 현재 질문과 관련된 부분만 남겨야 다음 집계나 그래프 해석이 더 명확해지기 때문입니다. 필터링을 먼저 하느냐 나중에 하느냐에 따라 집계 결과와 해석도 달라질 수 있습니다. 또한 필터링을 이해해야 무엇을 제외했는가가 결과 해석의 일부라는 점을 보게 되고, 조건 하나가 데이터 분포와 결론을 얼마나 바꿀 수 있는지도 더 조심해서 읽게 됩니다. 결국 필터링을 이해해야 데이터 분석은 무엇을 포함했는가만이 아니라 무엇을 남기고 무엇을 뺐는가까지 함께 읽게 됩니다.