목차¶

Section ID: BOOK-toc Version: v2026.07.23

이 문서는 AiBook의 독자용 목차입니다. 단순히 파일 목록을 나열하기보다, AI 개론과 지형도 -> 기초 복구 -> 데이터 모델링 -> 머신러닝 -> 딥러닝 -> LLM과 생성형 AI -> 프로젝트로 이어지는 재학습 순서를 한눈에 볼 수 있게 정리합니다.

확정은 이 순서를 책의 기준 구조로 채택했다는 뜻입니다. 각 장의 내용이 모두 작성되었거나 최종 검증되었다는 뜻은 아닙니다. 실제 본문은 계속 보강될 수 있지만, Part와 Chapter의 학습 의존 관계는 이 문서를 기준으로 추적합니다.

빠른 시작¶

처음 읽는다면 소개 페이지에서 책의 목적과 읽는 방법을 확인한 뒤 Part 1부터 순서대로 들어가는 편이 좋습니다. 특정 용어가 헷갈릴 때는 개념사전에서 대표 설명 위치를 다시 찾을 수 있습니다.

전체 흐름¶

flowchart LR
  A[AI 개론과 지형도]
  B[기초 복구]
  C[데이터 모델링]
  D[머신러닝]
  E[딥러닝]
  F[LLM과 생성형 AI]
  G[프로젝트]

  A --> B --> C --> D --> E --> F --> G

이 도식은 앞 Part가 뒤 Part의 전제가 되는 학습 의존 관계를 보여 줍니다.

목차 표기¶

이 책은 공개 설명에서는 Part > Module > Chapter > Section 구조로 읽습니다. 실제 소스트리는 Part > Chapter > Section 디렉터리 구조를 사용하고, Module은 여러 Chapter를 읽기 흐름으로 묶는 편집 단위입니다.

이 문서에서는 트리 구조가 눈에 보이도록 다음 서식을 사용합니다.

• ## Part: 책의 큰 학습 구간입니다.
• ### Module: Part 안에서 주제 묶음을 나눕니다.
• #### Chapter 또는 #### Project: Module 안에서 독립 학습 단위를 나눕니다. Part 7도 프로젝트 성격을 강조해 Project라고 부를 수 있지만, 디렉터리 이름은 chapter-XX 형식을 유지합니다.
• Section 항목: 실제 작성될 문서 단위입니다.

같은 주요 개념이 여러 Section에서 다시 등장하더라도, 목차에서 처음 나타나는 Section이 그 Part 안의 대표 상세 설명 위치가 되는 경우가 많습니다. 뒤쪽 Section는 그 개념을 다른 문제 장면이나 다른 계산 맥락에서 다시 연결하는 역할을 맡습니다.

Part 1. AI 개론과 지형도¶

세부 기술을 깊게 들어가기 전에 AI의 큰 지도를 다시 잡습니다.

Module 1. AI의 범위와 역사¶

Chapter 1. AI란 무엇인가 개념 정의¶

• P1-1.1 AI라는 말의 범위: AI가 너무 넓게 쓰일 때 생기는 혼동을 줄입니다.
• P1-1.2 AI가 다루는 문제: 인식, 탐색, 예측, 생성처럼 AI가 다루는 문제 유형을 봅니다.
• P1-1.3 AI, 머신러닝, 딥러닝, 생성형 AI의 관계: 이후 파트에서 반복될 용어의 위치를 잡습니다.

Chapter 2. AI의 역사와 패러다임 변화 역사와 패러다임¶

• P1-2.1 기호 기반 AI와 규칙 기반 접근: 초기 AI의 핵심 사고방식과 한계를 봅니다.
• P1-2.2 탐색, 지식 표현, 확률 추론: 문제 해결과 불확실성을 다루던 흐름을 연결합니다.
• P1-2.3 머신러닝, 딥러닝, 생성형 AI로의 흐름: 데이터 기반 접근이 중심이 된 이유를 봅니다.

Module 2. 규칙, 모델, 학습¶

Chapter 3. 규칙에서 학습으로 역사와 패러다임¶

• P1-3.1 규칙 기반 시스템의 강점과 한계: 사람이 규칙을 직접 쓰는 방식의 장단점을 정리합니다.
• P1-3.2 데이터에서 패턴을 배운다는 것: 학습 기반 AI의 핵심 전환을 설명합니다.
• P1-3.3 규칙 기반 접근(rule-based approach)과 표현 학습(representation learning): 규칙, 패턴, 표현을 구분합니다.

Chapter 4. 문제를 모델로 바꾼다는 것 모델링 관점¶

• P1-4.1 모델(model, 모형)이라는 말에 익숙해지기: 모델을 모형으로 풀어 이해하고, 현실 문제와 모델의 차이를 잡습니다.
• P1-4.2 입력(input), 출력(output), 데이터(data): 현실 문제를 계산 가능한 형태로 바꾸는 출발점을 잡습니다.
• P1-4.3 특징(feature), 표현(representation), 파라미터(parameter): 데이터가 모델 내부에서 어떤 형태로 다뤄지는지 봅니다.
• P1-4.4 문제 정의가 모델을 결정하는 방식: 좋은 모델 이전에 좋은 문제 정의가 필요함을 다룹니다.

Chapter 5. 학습(learning)과 모델 실행(inference) 학습 원리¶

• P1-5.1 학습(learning)은 무엇을 바꾸는가: 학습 과정에서 파라미터와 표현이 바뀌는 의미를 봅니다.
• P1-5.2 모델 실행(inference)은 무엇을 실행하는가: 학습된 모델을 사용하는 과정을 분리해서 봅니다.
• P1-5.3 한국어 추론 표현의 혼동: inference와 reasoning을 구분합니다.

Module 3. 불확실성과 문제 해결¶

Chapter 6. 불확실성과 확률적 판단 수학 기초¶

• P1-6.1 불완전한 정보와 예외가 많은 문제: 규칙만으로 처리하기 어려운 정보 부족, 잡음, 예외를 다룹니다.
• P1-6.2 확률(probability), 불확실성(uncertainty), 확률적 과정(stochastic process) 구분: 비슷하게 쓰이는 표현의 차이를 정리합니다.
• P1-6.3 AI에서 확률적 판단이 쓰이는 곳: 분류, 예측, 생성에서 확률적 관점이 쓰이는 방식을 봅니다.

Chapter 7. 탐색과 휴리스틱 실무 휴리스틱¶

• P1-7.1 탐색 공간(search space)과 계산 한계(computational limit): 가능한 해를 모두 살펴볼 수 없는 이유를 설명합니다.
• P1-7.2 휴리스틱(heuristic)은 무엇을 줄이는가: 시간, 계산량, 후보 선택을 줄이는 판단 기준을 봅니다.
• P1-7.3 휴리스틱(heuristic)과 확률 모델(probabilistic model)의 차이: 경험 규칙과 확률 모델을 같은 것으로 섞지 않도록 구분합니다.
• P1-7.4 보충학습: 길찾기에서 자율주행 경로 계획으로 이어지는 흐름: 탐색과 휴리스틱이 실제 경로 계획 문제로 이어지는 방식을 보충합니다.

Chapter 8. 학습 유형의 기본 구분 학습 원리¶

• P1-8.1 지도학습(supervised learning): 입력(input)과 라벨(label): 라벨이 있는 데이터로 관계를 배우는 방식을 봅니다.
• P1-8.2 비지도학습(unsupervised learning): 구조(structure)와 표현(representation): 라벨 없이 데이터의 구조를 찾는 방식을 봅니다.
• P1-8.3 강화학습(reinforcement learning): 행동(action)과 보상(reward): 행동 이후의 보상 신호를 통해 정책을 배우는 방식을 봅니다.

Module 4. 딥러닝과 생성형 AI로의 전환¶

Chapter 9. 딥러닝 패러다임의 확산 역사와 패러다임¶

• P1-9.1 이미지 인식(image recognition)과 표현 학습(representation learning): 딥러닝이 특징을 직접 학습하게 된 흐름을 봅니다.
• P1-9.2 객체 검출(object detection)과 음성 생성(speech generation) 사례: YOLO와 WaveNet 중심으로 딥러닝 확산 사례를 주변 근거로 다룹니다.
• P1-9.3 LLM(large language model)의 직접 계보(direct lineage)와 주변 근거(surrounding evidence) 구분: 딥러닝 확산 사례와 LLM의 직접 발전사를 구분합니다.

Chapter 10. 생성형 AI 개론 개념 정의¶

• P1-10.1 분류(classification), 예측(prediction), 생성(generation)의 차이: 생성형 AI가 기존 모델과 무엇이 다른지 봅니다.
• P1-10.2 다음 출력 생성(next-output generation)의 직관: 텍스트, 이미지, 음성 생성의 공통 직관을 잡습니다.
• P1-10.3 생성 결과(output)의 품질(quality)과 위험(risk): 환각, 근거 누락, 저작권, 안전 문제로 연결합니다.

Chapter 11. LLM은 어디에서 왔는가 역사와 패러다임¶

이 Chapter는 LLM의 직접 계보를 짧게 훑는 미리보기입니다. 세부 발전사는 Part 5와 Part 6의 해당 Chapter에서 다시 다룹니다.

• P1-11.1 통계적 언어 모델(statistical language model)과 임베딩(embedding): LLM 이전 언어 모델링의 배경을 훑습니다.
• P1-11.2 RNN, Seq2Seq, Attention: 순차 데이터와 번역 연구가 만든 전환점을 먼저 잡습니다.
• P1-11.3 Transformer와 사전학습 LLM(pretrained LLM): 현재 LLM으로 이어지는 직접 계보의 윤곽을 잡습니다.

Module 5. LLM 사용 경험의 핵심 요소¶

이 Module은 LLM 사용 경험에 필요한 기본 어휘와 큰 흐름을 먼저 잡습니다. 개별 주제의 본격 설명은 Part 6의 해당 Chapter에서 이어집니다.

Chapter 12. 프롬프트 입문과 LLM 사용 감각 LLM 핵심¶

• P1-12.1 프롬프트(prompt)는 무엇을 지정하는가: 지시, 조건, 맥락을 입력으로 주는 기본 감각을 잡습니다.
• P1-12.2 지시(instruction), 맥락(context), 예시(example): 프롬프트를 구성하는 기본 요소를 정리합니다.
• P1-12.3 프롬프트(prompt)의 한계(limit)와 첫 검증 기준: 프롬프트가 보장하지 못하는 것과 초반 점검 기준을 잡습니다.

Chapter 13. 임베딩과 벡터 검색 LLM 핵심¶

• P1-13.1 텍스트(text)를 벡터(vector)로 표현한다는 것: 의미를 수치 공간에 놓는 직관을 잡습니다.
• P1-13.2 유사도 검색(similarity search)의 직관: 가까운 벡터를 찾는 방식과 한계를 먼저 봅니다.
• P1-13.3 RAG(retrieval-augmented generation)로 이어지는 문제의식: 왜 검색 결과를 LLM 입력에 연결해야 하는지 큰 흐름을 잡습니다.
• P1-13.4 벡터 검색(vector search) 구현의 직관: 벡터 데이터베이스, 인덱스, 그래프 기반 근사 검색을 깊지 않게 연결합니다.

Chapter 14. AI 서비스 아키텍처와 실행 환경 서비스 구조¶

• P1-14.1 모델(model), 앱(application), 데이터(data), 도구(tool): AI 서비스의 주요 구성요소를 나눕니다.
• P1-14.2 RAG(retrieval-augmented generation)와 도구 사용(tool use)의 위치: 외부 자료와 도구 호출이 왜 필요한지 큰 그림으로 봅니다.
• P1-14.3 에이전트(agent)라는 말의 위치: 모델이 여러 단계 작업과 도구 호출을 이어 가는 구조를 큰 그림으로 봅니다.
• P1-14.4 MCP(Model Context Protocol)의 개념적 위치: 에이전트가 외부 도구와 데이터에 연결되는 인터페이스 흐름을 먼저 잡습니다.
• P1-14.5 하네스(harness)와 평가 실행 환경: 실행을 감싸고 로그, 테스트, 평가, 재현성을 관리하는 장치를 미리 봅니다.
• P1-14.6 AI 서비스 제약의 개요: 비용, 지연 시간, 사용량 제한, 실패 대응처럼 실제 서비스에서 필요한 조건을 개괄합니다.

Module 6. 사회적 쟁점과 적용¶

Chapter 15. AI 윤리, 저작권, 보안 법과 정책¶

• P1-15.1 편향(bias), 안전성(safety), 책임(accountability): AI 결과의 사회적 책임을 봅니다.
• P1-15.2 저작권(copyright)과 학습 데이터(training data): 한국 출판물과 학습 데이터 논쟁의 검토 지점을 둡니다.
• P1-15.3 보안(security)과 개인정보(privacy): 입력 데이터, 출력 결과, 서비스 운영의 위험을 봅니다.

Chapter 16. 실무 적용 사례 프로젝트 실습¶

• P1-16.1 개인 학습(personal learning)과 문서화(documentation): 이 책 자체를 실무 적용 사례로 봅니다.
• P1-16.2 업무 자동화(work automation)와 검색(search): 반복 업무, 문서 검색, 요약 적용 사례를 봅니다.
• P1-16.3 프로젝트(project)로 검증하는 방법: 작은 산출물로 이해를 확인하는 방식을 정리합니다.

Chapter 17. 앞으로의 AI 전망¶

• P1-17.1 전망(forecast)은 어떤 근거로 다룰 것인가: 예측성 내용을 다룰 때 필요한 근거 기준을 둡니다.
• P1-17.2 언론(news), 칼럼(column), 보고서(report) 읽기: 날짜가 있는 외부 자료를 비교하는 방법을 봅니다.
• P1-17.3 예측(prediction)과 작업 가설(working hypothesis) 구분: 개인 해석을 사실처럼 쓰지 않도록 구분합니다.

Part 2. 기초 복구¶

수학을 깊게 증명하기보다, AI 모델 계산을 읽고 작은 코드로 재현하기 위한 최소 기반을 복구합니다. 수학 표기, Python 실행 환경, 데이터 도구, 시각화, Git을 따로 외우는 대신 Part 3 데이터 모델링과 Part 4 머신러닝으로 넘어가기 위한 공통 기반으로 연결합니다.

Module 1. 수학을 계산 언어로 다시 읽기¶

Chapter 1. AI에서 수학은 왜 필요한가 수학 기초¶

• P2-1.1 AI 계산에서 수학이 하는 일: 수학을 증명 대상이 아니라 모델 계산을 읽는 언어로 소개합니다.
• P2-1.2 수식, 코드, 데이터가 만나는 자리: 수식을 깊게 이해하기보다 코드와 데이터에서 다시 확인하는 관점을 잡습니다.

Chapter 2. 수식 표기 다시 읽기 수학 기초¶

• P2-2.1 변수(variable), 함수(function), 식(expression) 다시 읽기: 오래전에 배운 기본 표기를 AI 문서 독해용으로 복구합니다.
• P2-2.2 시그마(sigma)와 반복 계산: 합산 기호가 데이터 묶음, 평균, 손실 계산에서 어떻게 쓰이는지 봅니다.
• P2-2.3 극한(limit)과 변화의 직관: 극한을 정밀 증명보다 변화, 근사, 미분으로 이어지는 직관으로 복구합니다.
• P2-2.4 로그(log)와 지수(exp)는 왜 반복해서 등장하는가: 로그 손실, sigmoid, softmax를 읽기 전에 로그와 지수를 계산 언어로 다시 붙잡습니다.

Module 2. 모델 계산을 읽기 위한 핵심 수학¶

Chapter 3. 선형대수는 무엇을 모델링하는가 수학 기초¶

• P2-3.1 스칼라(scalar), 벡터(vector), 행렬(matrix): 데이터가 숫자, 목록, 표 형태로 바뀌는 기본 표현을 잡습니다.
• P2-3.2 벡터 공간(vector space)과 위치의 직관: 임베딩과 특징 표현을 이해하기 위한 최소 직관을 만듭니다.
• P2-3.3 행렬 곱(matrix multiplication)은 무엇을 재사용하는가: 선형 변환과 일괄 계산의 의미를 코드 관점에서 봅니다.
• P2-3.4 내적(dot product), 길이(norm), 거리(distance), 유사도(similarity): k-NN, 임베딩, 벡터 검색으로 넘어가기 전에 벡터 비교 기준을 먼저 복구합니다.
• P2-3.5 파이썬 실행 환경: Colab과 로컬 PC: 브라우저 기반 Colab과 개인 PC 터미널 실행을 구분합니다.
• P2-3.6 선형대수를 NumPy로 확인하기: 벡터, 행렬, 행렬 곱을 작은 코드로 재현합니다.

Chapter 4. 미분은 무엇을 찾기 위한 도구인가 수학 기초¶

• P2-4.1 미분을 어떻게 배웠는지 다시 보기: 접선, 순간 변화율, 속도, 누적처럼 오래된 기억을 다시 꺼내 현재 학습 질문으로 바꿉니다.
• P2-4.2 변화율(rate of change)과 기울기(slope): 미분을 함수가 어떻게 변하는지 읽는 도구로 소개합니다.
• P2-4.3 미분(derivative)과 그래디언트(gradient): 손실을 줄이는 방향을 찾기 위한 최소 개념을 봅니다.
• P2-4.4 학습에서 미분이 필요한 이유: 최적화와 역전파로 넘어가기 전 필요한 연결만 남깁니다.
• P2-4.5 그래디언트 보충학습: 고등학교 미분에서 다변수 미분으로: 한국 수학 학습 경험에서 그래디언트가 왜 생소할 수 있는지 확인하고, AI 학습에 필요한 최소 다변수 미분 감각을 보강합니다.
• P2-4.6 합성함수(composite function)와 연쇄 법칙(chain rule): 역전파를 읽기 전에 함수가 여러 단계를 거쳐 연결될 때 변화율이 어떻게 전달되는지 복구합니다.

Chapter 5. 확률과 통계는 왜 필요한가 수학 기초¶

• P2-5.1 확률(probability)은 불확실성을 어떻게 숫자로 표현하는가: 확률을 모르는 상태를 다루는 숫자 언어로 복구합니다.
• P2-5.2 분포(distribution), 평균(mean), 분산(variance): 데이터 묶음의 모양을 요약하는 기본 도구를 봅니다.
• P2-5.3 표본(sample), 추정(estimation), 오차(error): 통계가 데이터에서 무엇을 추정하는지 봅니다.
• P2-5.4 확률과 통계를 작은 데이터로 확인하기: 평균, 분산, 분포를 코드와 차트로 확인합니다.
• P2-5.5 보충학습: 표준편차, 상관, 신뢰구간을 처음 읽는 법: 통계 용어를 처음 다시 만날 때 필요한 최소 해석 기준을 보충합니다.

Chapter 6. 최적화는 어떤 문제를 푸는가 학습 원리¶

• P2-6.1 최적화(optimization)는 무엇을 찾는가: 좋은 답을 직접 쓰기보다 더 나은 값을 찾는 문제로 이해합니다.
• P2-6.2 손실 함수(loss function)와 목적 함수(objective function): 모델이 무엇을 줄이거나 키우는지 표현하는 기준을 봅니다.
• P2-6.3 경사하강법(gradient descent)의 직관: 복잡한 증명 없이 반복적으로 값을 조정하는 흐름을 잡습니다.

Module 3. 실행 환경과 Python 기초¶

Chapter 7. 학습 환경 세팅 SW 도구¶

• P2-7.1 로컬 환경(local environment)과 실행 환경(runtime): 코드가 어디에서 실행되는지, 로컬 PC와 외부 런타임의 차이를 먼저 잡습니다.
• P2-7.2 터미널(terminal), 셸(shell), 작업 폴더(working directory): 명령을 어디에 입력하고, 현재 위치가 왜 중요한지 설명합니다.
• P2-7.3 Python 인터프리터(interpreter)와 스크립트(script): Python 코드가 어떻게 실행되고, 파일 실행과 대화형 실행이 어떻게 다른지 봅니다.
• P2-7.4 가상환경(virtual environment)과 패키지(package): 프로젝트별 실행 공간과 NumPy, Pandas 같은 패키지가 연결되는 방식을 봅니다.
• P2-7.5 의존성(dependency)과 재현성(reproducibility): 다른 컴퓨터에서도 같은 실습을 다시 실행하기 위한 조건을 정리합니다.
• P2-7.6 보충학습: 운영체제별 터미널 진입: 운영체제별 터미널을 여는 방법, 기본 명령 차이, 실습 전 확인 절차를 따로 정리합니다.
• P2-7.7 보충학습: Python 설치는 언제 필요한가: Colab으로 먼저 실습한 뒤, 로컬 PC에 Python을 설치해야 하는 시점과 확인 기준을 다룹니다.
• P2-7.8 보충학습: 셸 실행 흐름 읽기: 터미널 실습에서 자주 만나는 문법을 보충합니다.
• P2-7.9 보충학습: 로컬 Python 환경 문제 점검: 설치와 실행이 어긋날 때 무엇부터 확인해야 하는지 점검 순서로 정리합니다.

Chapter 8. Python 핵심 문법 복습 SW 도구¶

• P2-8.1 값(value), 변수(variable), 타입(type): Python 문법을 수학 계산과 데이터 처리에 필요한 만큼 복구합니다.
• P2-8.2 리스트(list): 순서가 있는 값 묶음: 순서가 있는 데이터 묶음과 리스트 초기화 패턴을 확인합니다.
• P2-8.3 딕셔너리(dictionary): 키(key)로 값을 찾는 구조: 키와 값의 매핑 구조와 실습에서 자주 쓰는 맵 패턴을 봅니다.
• P2-8.4 반복(loop): 이터러블(iterable)을 하나씩 처리하기: 항목 반복, 인덱스 반복, 키-값 반복, 필터링 반복을 구분합니다.
• P2-8.5 함수(function)와 작은 재사용: 수식의 함수와 Python 함수가 어떻게 닮고 다른지 봅니다.
• P2-8.6 보충학습: 클래스(class)와 객체(object)를 처음 만날 때: 객체, 클래스, 메서드, self, 라이브러리의 model.fit() 같은 호출을 천천히 읽습니다.
• P2-8.7 보충학습: 참조와 복사 구분: 값이 함께 바뀌는 혼동을 줄이기 위한 최소 기준을 보충합니다.

Chapter 9. 자료구조와 그래프(graph) 직관 SW 도구¶

• P2-9.1 자료구조(data structure)는 왜 필요한가: 데이터를 어떤 모양으로 담느냐가 계산 방식에 영향을 준다는 점을 봅니다.
• P2-9.2 배열(array), 표(table), 트리(tree), 그래프(graph) 직관: AI와 검색에서 자주 만나는 구조를 깊지 않게 구분합니다.
• P2-9.3 그래프(graph)는 관계를 어떻게 표현하는가: 노드(node)와 엣지(edge)로 관계를 표현하는 최소 직관을 만듭니다.
• P2-9.4 보충학습: 전통적인 자료구조를 처음 읽는 법: 배열, 연결 리스트, 스택, 큐, 트리, 그래프, 해시 테이블을 구현보다 사고 흐름 중심으로 훑어봅니다.

Chapter 10. Jupyter와 Colab 노트북 SW 도구¶

• P2-10.1 노트북(notebook)은 왜 학습에 유용한가: 코드, 결과, 설명을 함께 남기는 방식의 장단점을 봅니다.
• P2-10.2 Jupyter, Colab, 로컬 실행의 차이: 실행 위치, 파일 접근, 실습 기록 방식의 차이를 정리합니다.
• P2-10.3 노트북을 재실행 가능한 기록으로 정리하기: 실행 순서, 의존성, 데이터 준비, 공유 주의점을 정리합니다.

Module 4. 데이터 계산과 시각화 도구¶

Chapter 11. NumPy로 벡터와 행렬 재사용 SW 도구¶

• P2-11.1 NumPy 배열(array)로 벡터와 행렬 만들기: 선형대수 표기를 실제 배열 계산으로 재현합니다.
• P2-11.2 인덱싱(indexing), 슬라이싱(slicing), 축(axis): 배열의 위치와 방향을 읽는 기본 감각을 만듭니다.
• P2-11.3 브로드캐스팅(broadcasting)과 벡터화(vectorization): 반복문 대신 배열 단위로 계산하는 방식을 봅니다.
• P2-11.4 보충학습: NumPy에서 모양(shape)과 원본 공유를 함께 읽는 법: view/copy, shape, newaxis가 왜 함께 헷갈리는지 보충합니다.

Chapter 12. Pandas로 데이터 구조 다루기 SW 도구¶

• P2-12.1 Pandas DataFrame은 무엇을 표현하는가: 표 형식 데이터가 행(row), 열(column), 인덱스(index)로 구성됨을 봅니다.
• P2-12.2 선택, 필터링, 집계: 데이터 분석에서 반복적으로 쓰는 조작을 복구합니다.
• P2-12.3 학습용 데이터셋(dataset) 준비의 직관: 모델 학습 전 데이터 정리와 분리의 필요성을 봅니다.

Chapter 13. Matplotlib으로 개념 시각화 SW 도구¶

• P2-13.1 그래프(plot)는 무엇을 드러내는가: 숫자 표에서 보이지 않는 패턴을 시각적으로 확인합니다.
• P2-13.2 기본 차트와 수식의 모양 확인: 선 그래프, 산점도, 히스토그램으로 함수, 분포, 손실 변화를 확인합니다.
• P2-13.3 여러 그래프를 비교하고 저장하기: 여러 Axes를 배치해 관련 그래프를 비교하고, 결과를 파일로 저장하는 흐름을 봅니다.

Module 5. 재현성과 통합 복습¶

Chapter 14. Git과 문서 관리 SW 도구¶

• P2-14.1 Git은 변경 이력을 관리하는 도구: 학습 문서와 코드 변경을 되돌아볼 수 있게 하는 기본 개념을 잡습니다.
• P2-14.2 브랜치(branch), 커밋(commit), 문서 재현성: 이 책의 dev/main 운영 흐름과 원고·근거 자료 관리 기준을 연결합니다.

Chapter 15. SW로 수학 다시 보기 프로젝트 실습¶

• P2-15.1 수식을 코드로 옮기는 작은 절차: 수학 표기 하나를 Python 계산으로 옮기는 순서를 정리합니다.
• P2-15.2 Part 3로 넘어가기 전 점검: 데이터 모델링으로 들어가기 전에 필요한 수학과 SW 감각을 체크합니다.

Part 3. 데이터 모델링¶

원천데이터를 바로 모델에 넣기보다, 문제를 표현 가능한 샘플과 표 구조로 다시 만드는 과정을 다룹니다. 이때 데이터 모델링의 앞단에는 DSS/BI/DW/OLAP처럼 데이터를 모아 의사결정에 연결하던 데이터 기반 시스템 흐름이 있다는 점도 함께 짚습니다. Part 2와 Part 3은 함께 기본기 점검 구간을 이루며, Part 3은 Part 4·5·6을 위한 데이터과학 기본기 보완 Part로서 저장 구조, 샘플 단위, 사건 데이터와 시간기록, 기준선 비교, 특징 설계, 해석 경계를 먼저 세우고, 뒤 Part 연결에 필요한 전제도 Chapter 5·8·9 안에서 함께 닫습니다.

Module 1. 역할과 문제 장면¶

Chapter 1. 데이터 모델링은 무엇을 달성하고 어떻게 진행하는가 모델링 관점¶

• P3-1.1 데이터 모델링은 무엇을 달성하려는가: 원천데이터를 어떤 샘플, 특징, 비교, 출력 구조로 다시 설계해야 하는지 먼저 잡습니다.
• P3-1.2 데이터 모델링은 어떤 순서로 진행하는가: 질문, 샘플, 표, 특징, 기준선, 출력 구조를 세우는 기본 순서를 먼저 봅니다.
• P3-1.3 데이터 질문은 어떻게 써야 모델보다 먼저 문제 구조가 보이는가: 모델 이름보다 먼저 샘플 단위, 비교 기준, 결과 형식이 드러나는 질문 문장을 쓰는 법을 정리합니다.

Chapter 2. 저장 구조와 설계 축을 먼저 읽기 모델링 관점¶

• P3-2.1 저장된 기록은 왜 곧바로 데이터셋이 아닌가: 저장 구조만으로는 아직 비교 가능한 데이터셋이 아니라는 점을 봅니다.
• P3-2.2 데이터셋 후보 안에는 어떤 구조가 들어가는가: 샘플, 특징, 기준선, 출력 구조가 어떻게 함께 묶이는지 봅니다.
• P3-2.3 새 표를 처음 받으면 무엇부터 적어야 하는가: 행 의미, 식별자, 시간/순서 열, 비교 가능성을 먼저 확인하는 표 읽기 메모를 정리합니다.

Chapter 3. 데이터셋은 처음부터 주어지지 않는다 모델링 관점¶

• P3-3.1 원천데이터를 왜 곧바로 학습 문제로 읽으면 안 되는가: 기록 구조를 학습 구조로 착각할 때 어떤 질문이 빠지는지 먼저 정리합니다.
• P3-3.2 질문에 맞는 데이터셋은 어떻게 다시 설계하는가: 데이터셋이 질문에 맞게 다시 만든 구조라는 점을 봅니다.
• P3-3.3 질문을 첫 표 초안으로 옮기려면 어떤 열부터 스케치해야 하는가: 식별 열, 특징 후보 열, 비교 열, 결과 열로 첫 표 초안을 그리는 법을 정리합니다.

Module 2. 샘플과 표 구조¶

Chapter 4. 샘플 단위를 어떻게 정하는가 모델링 관점¶

• P3-4.1 비교 가능한 샘플 한 건은 어떻게 정하는가: 한 행과 샘플 1건을 구분하며 비교 단위를 정합니다.
• P3-4.2 샘플 단위가 흔들리면 무엇이 함께 흔들리는가: 특징, 라벨, 평가까지 샘플 단위에 기대고 있음을 봅니다.
• P3-4.3 한 행, 샘플 1건, 최근 구간 1개는 어떻게 다른가: 시점 기록, 동작 1회, 최근 구간 집계를 한 화면에서 다시 나누어 보며 층위 혼동을 줄입니다.
• P3-4.4 샘플 단위를 잘못 잡았다는 신호는 무엇인가: 같은 라벨 반복, 설명되지 않는 특징, 어색한 보고 문장 같은 오판 신호를 점검합니다.
• P3-4.5 지금 모은 샘플은 전체 운영 상황을 얼마나 대표하는가: 샘플 단위가 맞더라도 시간·모드·장비 범위가 좁으면 대표성이 약할 수 있음을 정리합니다.

Chapter 5. 원시 로그를 요약 표로 바꾸는 법 모델링 관점¶

• P3-5.1 원시 로그를 비교 가능한 표로 어떻게 바꾸는가: 원시 로그에서 요약 표와 집계 표로 넘어가는 절차를 봅니다.
• P3-5.2 요약 표는 평균 밖의 패턴을 어떻게 남기는가: 평균이 가리는 구조 차이를 요약 표에 어떻게 남길지 봅니다.
• P3-5.3 원시 시계열이 있어도 왜 바로 학습 입력이라고 말할 수 없는가: 원시 시계열과 학습 입력의 차이, 입력 경계 결정을 정리합니다.
• P3-5.4 입력 창(window)은 어디서 자르고 길이는 어떻게 맞추는가: 시계열 입력의 시작점, 끝점, 길이 기준, 정렬 기준을 문제 질문에 맞춰 정하는 법을 다룹니다.
• P3-5.5 값이 빠지거나 구간이 비어 있는 샘플은 어떻게 다루는가: 일부 값 누락, 구간 누락, 샘플 경계 붕괴를 구분하고 빠짐 자체를 구조 정보로 남길지 판단하는 기준을 정리합니다.
• P3-5.6 겹치는 입력 창과 샘플 수: 입력 창 수와 원천 사건 수를 구분하고, 창 중첩이 표 구조를 어떻게 부풀려 보이게 하는지 정리합니다.
• P3-5.7 여러 후속 사건을 접는 규칙: any, first, worst, count 같은 접기 규칙이 결과 표의 뜻을 어떻게 바꾸는지 정리합니다.

Module 3. 특징과 비교 구조¶

Chapter 6. 특징과 중간 표현을 설계하는 법 모델링 관점¶

• P3-6.1 비교할 구조는 어떤 특징으로 남기는가: 평균, 기울기, 변동성 같은 숫자 특징으로 무엇을 남길지 봅니다.
• P3-6.2 특징만으로 부족할 때 어떤 중간 표현을 더 둘 수 있는가: 세그먼트 표현과 토큰화가 어디까지 필요한지 봅니다.
• P3-6.3 사람이 만든 특징과 뒤에서 학습될 표현은 어떻게 이어지는가: 특징 설계와 표현 학습의 연결과 경계를 정리합니다.
• P3-6.4 요약 표의 모든 열이 왜 특징은 아닌가: 같은 요약 표 안의 열을 특징, 비교, 결과 후보, 식별·문맥으로 나누어 읽는 기준을 정리합니다.
• P3-6.5 서로 단위와 크기가 다른 특징은 어떻게 함께 읽고 남기는가: 특징 표의 숫자를 절대 크기만으로 읽지 않고, 단위·역할·비교 기준으로 함께 해석하는 기초를 정리합니다.
• P3-6.6 같은 열 이름과 다른 특징: 단위, 센서 버전, 계산 규칙, 운영 정의가 바뀐 열을 같은 특징처럼 섞지 않는 기준을 정리합니다.

Chapter 7. 기준선 비교 구조를 읽는 법 모델링 관점¶

• P3-7.1 남겨 둔 구조를 무엇과 비교해야 변화가 보이는가: 기준선이 비교 구조의 일부라는 점을 봅니다.
• P3-7.2 비교표를 사람 검토 문장으로 어떻게 읽는가: 최근 구간과 기준선 비교표를 사람 검토 문장으로 바꾸는 순서를 봅니다.
• P3-7.3 기준선 비교와 기준 모델은 왜 다른데 둘 다 필요한가: 데이터 비교 기준과 모델 평가 기준의 차이를 정리합니다.
• P3-7.4 기준선은 어떤 구간과 조건으로 잡아야 하는가: 같은 샘플 단위, 공정 조건, 표본 수를 맞춰 기준선을 고르는 기준을 정리합니다.
• P3-7.5 기준선은 고정해야 하는가, 최근 평소 기준으로 갱신해야 하는가: 고정 기준선과 최근 평소 기준선이 어떤 질문에 더 잘 맞는지 정리합니다.

Module 4. 해석 경계¶

Chapter 8. 표본 수와 반복성은 어떻게 읽는가 모델링 관점¶

• P3-8.1 해석 강도는 무엇으로 조절하는가: 표본 수와 반복성에 따라 얼마나 강하게 말할지 조절하는 기준을 봅니다.
• P3-8.2 변화 신호를 어디까지 말하고 원인은 어디서 멈추는가: 변화 신호와 원인 확정의 경계를 봅니다.
• P3-8.3 보수적 해석 문장은 어떤 순서와 어휘로 쓰는가: 비교 결과, 강도 조건, 다음 행동을 어떤 문장 골격으로 남길지 정리합니다.
• P3-8.4 보수적 해석과 운영 열: 해석 문장이 warning_level, review_needed, priority_score 같은 구조화된 운영 출력으로 이어지는 다리를 정리합니다.
• P3-8.5 여러 비교 열은 어떻게 하나의 검토 우선순위 후보로 묶는가: 차이값 하나가 아니라 변화 크기, 반복성, 해석 신뢰도, 운영 중요도를 함께 묶어 검토 후보를 만드는 축을 정리합니다.
• P3-8.6 일부 사례에만 남은 확정 라벨: 선택적으로 붙은 라벨을 전체 사건 대표처럼 읽지 않기 위해 검토 경로와 편중을 함께 적는 법을 정리합니다.
• P3-8.7 운영 개입이 바꾸는 데이터 해석: 개입 후 데이터와 자연 경과를 같은 뜻으로 읽지 않기 위한 해석 경계를 정리합니다.

Module 5. 문제 유형과 뒤 Part 연결¶

Chapter 9. 어떤 문제를 예측 문제로 만들 것인가 모델링 관점¶

• P3-9.1 지금 문제를 어디까지 올려야 하는가: 경고, 검토 후보, 목표 라벨 후보 사이의 층위를 구분합니다.
• P3-9.2 어떤 문제는 왜 끝까지 비교 리포트로 남겨야 하는가: 예측 대신 비교 리포트가 더 맞는 경우를 봅니다.
• P3-9.3 세 가지 운영 표의 차이: 같은 데이터가 세 산출물로 어떻게 갈라지는지 봅니다.
• P3-9.4 검토 결과는 어떻게 운영 메모에서 목표 라벨 후보로 바뀌는가: 검토 메모와 운영 판단이 반복되며 어떻게 더 안정된 target 후보 열로 축적되는지 정리합니다.
• P3-9.5 같은 사건은 여러 산출물 사이에서 무엇으로 계속 추적하는가: 비교 리포트, 검토 후보 큐, 목표 라벨 후보 표가 달라도 같은 샘플 식별 기준과 최소 근거를 유지해야 하는 이유를 정리합니다.
• P3-9.6 라벨 일관성 점검: 목표 라벨 후보 열이 있어도 라벨 의미가 일관되는지 먼저 점검해야 하는 이유를 정리합니다.
• P3-9.7 입력과 결과를 뒤 Part로 넘기기 전에 무엇을 먼저 닫아 두어야 하는가: 입력/결과 구분, 누수 방지, 운영 시점 재현성, cutoff와 horizon을 한 번에 정리합니다.
• P3-9.8 예측 1회는 실제로 무엇을 결정하며 점수와 정책은 왜 다른가: 예측 단위, 모델 출력, 운영 정책, 실제 행동을 분리해 정리합니다.
• P3-9.9 실제 목표와 대리 target은 어떻게 구분하는가: 지금 쓰는 target이 실제 목표인지, 대신 쓰는 대리 열인지 구분합니다.
• P3-9.10 라벨 확정 지연과 미완료 음성: 라벨 확정 지연과 관측 미완료 음성을 분리해 적는 법을 정리합니다.
• P3-9.11 target 후보와 변하는 기준: 대표 target과 정의 버전을 먼저 고정하는 이유를 정리합니다.
• P3-9.12 target 이름과 오류 비용: false negative와 false positive의 운영 비용 차이를 먼저 적는 이유를 정리합니다.
• P3-9.13 Part 4로 넘길 문제 경계: 뒤 Part 본편에서 다룰 평가·문제 유형 항목의 이름과 필요성만 잡고 넘깁니다.

Part 4. 머신러닝¶

데이터로부터 규칙을 학습한다는 말의 의미를 복구합니다. 알고리즘 목록보다 데이터 분리, 평가, 일반화, 과적합을 먼저 잡습니다.

Module 1. 머신러닝의 위치¶

Chapter 1. AI, 머신러닝, 딥러닝의 구분 개념 정의¶

• P4-1.1 AI, 머신러닝, 딥러닝의 관계: Part 1의 지도를 머신러닝 학습으로 다시 연결합니다.
• P4-1.2 데이터에서 규칙을 배운다는 말: 규칙 작성과 학습 기반 접근의 차이를 머신러닝 관점에서 정리합니다.

Chapter 2. 지도학습, 비지도학습, 강화학습 학습 원리¶

• P4-2.1 지도학습(supervised learning): 입력과 라벨의 관계를 배우는 기본 문제를 봅니다.
• P4-2.2 비지도학습(unsupervised learning): 라벨 없이 구조를 찾는 문제를 봅니다.
• P4-2.3 강화학습(reinforcement learning): 행동과 보상으로 정책을 배우는 문제를 봅니다.

Chapter 3. 휴리스틱이 필요한 이유 실무 휴리스틱¶

• P4-3.1 휴리스틱(heuristic)이 필요한 이유: 완전한 최적해보다 실용적인 판단 기준이 필요한 상황을 봅니다.
• P4-3.2 휴리스틱과 모델 선택: 경험 규칙을 검증 가능한 출발점으로 다루는 법을 봅니다.

Module 2. 데이터와 평가¶

Chapter 4. 데이터 분리와 검증 학습 원리¶

• P4-4.1 학습 데이터와 평가 데이터: 데이터를 나누는 이유를 설명합니다.
• P4-4.2 검증(validation)과 테스트(test): 모델을 고르는 과정과 최종 확인을 구분합니다.

Chapter 5. 과적합과 일반화 학습 원리¶

• P4-5.1 과적합(overfitting)과 과소적합(underfitting): 모델이 데이터에 너무 맞거나 충분히 배우지 못한 상태를 봅니다.
• P4-5.2 일반화(generalization): 보지 못한 데이터에서 잘 작동한다는 의미를 정리합니다.

Chapter 6. 평가 지표 학습 원리¶

• P4-6.1 평가 지표(metric)의 역할: 정확도, 정밀도, 재현율 같은 지표가 무엇을 보는지 잡습니다.
• P4-6.2 문제 유형별 평가 기준: 분류, 회귀, 클러스터링에서 평가가 달라지는 이유를 봅니다.
• P4-6.3 보충학습: 사이트 신뢰성 엔지니어링에서 매트릭스(metrics)를 읽는 법: 머신러닝 평가 지표와 운영 지표가 어떻게 다른지 보충합니다.
• P4-6.4 보충학습: 평가 지표 질문 지도: 자주 보이지만 낯선 평가 지표를 큰 그림으로 구분합니다.

Module 3. 실무 휴리스틱¶

Chapter 7. 특징 선택과 전처리 휴리스틱 실무 휴리스틱¶

• P4-7.1 특징 선택(feature selection): 어떤 입력을 모델에 줄지 결정하는 기준을 봅니다.
• P4-7.2 전처리(preprocessing): 결측치, 스케일, 범주형 데이터를 다루는 기본 판단을 봅니다.
• P4-7.3 보충학습: 전처리 입력 문제 구분: 전처리 종류를 기술 이름보다 입력 문제 기준으로 나누는 감각을 보충합니다.
• P4-7.4 보충학습: 특징 선택 방식 구분: 특징 선택과 차원 축소를 섞지 않기 위한 기준을 보충합니다.

Chapter 8. 모델 선택 휴리스틱 실무 휴리스틱¶

• P4-8.1 모델 선택(model selection): 문제와 데이터에 맞는 모델 후보를 좁히는 기준을 봅니다.
• P4-8.2 기준 모델(baseline): 복잡한 모델 전에 왜 baseline을 먼저 세워야 하는지와 점수 해석 원리를 봅니다.
• P4-8.3 보충학습: 문제 유형에 따라 baseline을 처음 세우는 법: 분류, 회귀, 시계열에서 대표 baseline을 어떤 절차와 예시로 세우는지 봅니다.

Chapter 9. 하이퍼파라미터 튜닝 실무 휴리스틱¶

• P4-9.1 하이퍼파라미터(hyperparameter): 학습으로 바뀌지 않는 설정값을 구분합니다.
• P4-9.2 튜닝(tuning)과 검증 비용: 성능 개선과 계산 비용의 균형을 봅니다.
• P4-9.3 보충학습: 모델 선택 이후의 도구 지도: 튜닝 자동화와 실험 관리 도구의 위치를 보충합니다.

Module 4. 기본 알고리즘¶

Chapter 10. 선형회귀 알고리즘¶

• P4-10.1 선형회귀(linear regression)의 직관: 연속값을 예측하는 가장 기본적인 모델을 봅니다.
• P4-10.2 선형회귀의 평가와 한계: 잔차, 오차, 선형 가정의 한계를 봅니다.
• P4-10.3 보충학습: 회귀 진단(regression diagnostics)을 처음 읽는 법: 잔차 패턴과 가정 점검을 처음 볼 때 필요한 기준을 보충합니다.

Chapter 11. 로지스틱 회귀 알고리즘¶

• P4-11.1 로지스틱 회귀(logistic regression)의 직관: 분류 문제에서 확률처럼 해석되는 출력을 봅니다.
• P4-11.2 결정 경계(decision boundary): 분류 모델이 경계를 만든다는 관점을 봅니다.
• P4-11.3 보충학습: log-odds와 MLE를 처음 읽는 법: 확률 해석과 학습 목적이 왜 같은 장에서 이어지는지 보강합니다.
• P4-11.4 보충학습: 다중 클래스(multinomial) 로지스틱 회귀를 읽는 법: 이진 분류 감각이 여러 클래스 확률 비교로 어떻게 넓어지는지 봅니다.
• P4-11.5 보충학습: solver와 regularization을 처음 읽는 법: 같은 로지스틱 회귀라도 학습 계산과 규제 설정을 왜 함께 기록해야 하는지 봅니다.

Chapter 12. k-NN 알고리즘¶

• P4-12.1 k-NN의 직관: 가까운 데이터가 판단에 영향을 주는 방식을 봅니다.
• P4-12.2 거리(distance)와 스케일(scale): 가까움을 정의할 때 생기는 문제를 봅니다.
• P4-12.3 k-NN을 사용할 때 무엇을 먼저 점검할까: 거리 규칙, k, 데이터 표현 중 어디를 먼저 다시 봐야 하는지 정리합니다.

Chapter 13. SVM 알고리즘¶

• P4-13.1 SVM의 직관: 경계와 마진(margin)을 중심으로 분류를 이해합니다.
• P4-13.2 커널(kernel)의 입문적 의미: 비선형 경계를 다루는 아이디어만 간단히 봅니다.

Module 5. 트리와 앙상블¶

Chapter 14. 결정트리 알고리즘¶

• P4-14.1 결정트리(decision tree): 질문을 나누어 예측하는 모델을 봅니다.
• P4-14.2 트리의 과적합: 가지가 깊어질 때 생기는 문제를 봅니다.

Chapter 15. 랜덤포레스트 알고리즘¶

• P4-15.1 랜덤포레스트(random forest): 여러 트리를 합쳐 안정성을 높이는 방식을 봅니다.
• P4-15.2 특징 중요도(feature importance): 모델 해석의 입문적 관점을 봅니다.
• P4-15.3 OOB(out-of-bag)와 랜덤포레스트 점검: train, OOB, test를 함께 읽는 기본 점검 태도를 봅니다.
• P4-15.4 보충학습: Extra Trees와 랜덤포레스트 비교: 같은 숲 계열 안에서 split 무작위화, bootstrap 기본값, OOB 가능 조건이 어떻게 달라지는지 비교합니다.

Chapter 16. 그래디언트 부스팅 알고리즘¶

• P4-16.1 그래디언트 부스팅(gradient boosting): 약한 모델을 순차적으로 보강하는 흐름을 봅니다.
• P4-16.2 부스팅의 성능과 위험: 높은 성능과 튜닝 민감성을 함께 봅니다.
• P4-16.3 보충학습: 부스팅 라이브러리와 운영 감각: XGBoost, LightGBM, CatBoost와 GPU·자동화 감각을 구현·운영 관점에서 처음 묶어 봅니다.

Module 6. 구조 찾기¶

Chapter 17. 클러스터링 알고리즘¶

• P4-17.1 클러스터링(clustering)의 직관: 비슷한 데이터를 묶는 문제를 봅니다.
• P4-17.2 군집 결과를 해석할 때의 주의점: 군집이 정답 라벨이 아님을 정리합니다.
• P4-17.3 보충학습: 계층적 군집화와 스펙트럴 군집화: 중심, 밀도, 순서, 연결이라는 서로 다른 군집 직관을 다시 묶어 봅니다.
• P4-17.4 보충학습: 군집과 반지도학습을 처음 연결하는 법: 군집을 자동 라벨이 아니라 라벨 가설과 검토 우선순위로 읽는 기준을 보충합니다.

Chapter 18. 차원 축소 알고리즘¶

• P4-18.1 차원 축소(dimensionality reduction): 많은 특징을 적은 축으로 줄이는 이유를 봅니다.
• P4-18.2 시각화와 정보 손실: 보기 쉬운 그림과 원래 정보의 손실을 함께 봅니다.

Chapter 19. 강화학습 알고리즘 알고리즘¶

• P4-19.1 가치 기반 강화학습(value-based reinforcement learning): Q-learning과 SARSA를 통해 상태와 행동의 가치를 배우는 관점을 봅니다.
• P4-19.2 정책 기반 강화학습(policy-based reinforcement learning): policy gradient와 actor-critic을 통해 정책을 직접 조정하는 관점을 봅니다.
• P4-19.3 강화학습 적용의 주의점: 보상 설계, 탐험 비용, 시뮬레이션과 현실 차이를 정리합니다.
• P4-19.4 보충학습: 강화학습 후속 갈래 지도: 대표 강화학습 계열을 큰 흐름 안에서 다시 정리합니다.
• P4-19.5 보충학습: 강화학습 수식 이름 첫 읽기: 가치 기반 강화학습의 재귀적 가치식과 큰 상태 공간 확장 배경을 처음 연결합니다.
• P4-19.6 보충학습: policy gradient 첫 읽기: 정책 기반 수식이 왜 로그 확률 기울기 형태로 적히는지 처음 연결합니다.

Part 5. 딥러닝¶

신경망이 데이터를 어떻게 표현하고 학습하는지 이해합니다. 기본 계산 구조에서 시작해 출력과 손실, gradient 계산, 학습 루프, 계산 확장, 표현 학습과 구조 분기, 생성 모델로 이어지는 흐름을 따라갑니다.

Module 1. 신경망의 기본 계산 구조¶

Chapter 1. 퍼셉트론 딥러닝 구조¶

• P5-1.1 퍼셉트론(perceptron)의 직관: 입력, 가중치, 출력의 가장 단순한 흐름을 봅니다.
• P5-1.2 선형 결합과 활성화: 퍼셉트론이 판단 경계를 만드는 방식을 봅니다.

Chapter 2. 다층 신경망 딥러닝 구조¶

• P5-2.1 다층 신경망(multilayer neural network): 여러 층을 쌓는 이유를 봅니다.
• P5-2.2 은닉층(hidden layer)과 표현: 중간 표현이 생기는 직관을 잡습니다.

Chapter 3. 활성화 함수 딥러닝 구조¶

• P5-3.1 활성화 함수(activation function): 비선형성을 넣는 이유를 봅니다.
• P5-3.2 sigmoid: 0과 1 사이로 점수를 누르는 함수의 수식과 직관을 봅니다.
• P5-3.3 tanh: -1과 1 사이의 0 중심 표현을 봅니다.
• P5-3.4 ReLU: 음수 차단과 양수 통과 규칙을 봅니다.
• P5-3.5 대표 활성화 함수 수식 비교: sigmoid, tanh, ReLU의 수식과 출력 범위를 나란히 비교합니다.
• P5-3.6 출력층(output layer)과 활성화의 선택: 문제 유형에 따라 마지막 출력의 해석이 왜 달라지는지 봅니다.

Module 2. 출력과 손실 신호¶

Chapter 4. 손실 함수 학습 원리¶

• P5-4.1 손실 함수(loss function): 모델의 틀림을 숫자로 표현하는 기준을 봅니다.
• P5-4.2 문제 유형별 손실: 회귀, 분류, 생성에서 손실이 달라지는 이유를 봅니다.

Chapter 5. 손실에서 gradient로 학습 원리¶

• P5-5.1 손실은 어떻게 gradient 신호가 되는가: 손실 숫자가 왜 바로 업데이트가 아니며, 파라미터별 gradient가 왜 필요한지 봅니다.
• P5-5.2 계산 그래프(computation graph)와 자동미분(automatic differentiation): 복잡한 계산에서 gradient 계산을 어떻게 기록하고 자동화하는지 봅니다.

Module 3. 학습 루프와 안정화¶

Chapter 6. 학습 루프와 모델 실행 학습 원리¶

• P5-6.1 학습 루프의 네 단계: 손실과 gradient가 실제 update 반복으로 이어지는 순서를 봅니다.
• P5-6.2 학습 step, batch, epoch: 학습 루프가 어떤 묶음과 반복 단위로 진행되는지 구분합니다.
• P5-6.3 학습(learning)과 모델 실행(inference): 파라미터를 바꾸는 단계와 사용하는 단계를 구분합니다.
• P5-6.4 학습 모드(training mode)와 평가 모드(evaluation mode): dropout, batch norm 같은 차이를 나중에 이해할 준비를 합니다.

Chapter 7. 옵티마이저 학습 원리¶

• P5-7.1 옵티마이저(optimizer)의 역할: gradient가 실제 파라미터 update로 바뀌는 자리를 봅니다.
• P5-7.2 학습률(learning rate)과 update 보폭: 같은 gradient라도 한 번의 update가 왜 너무 작거나 너무 커질 수 있는지 봅니다.
• P5-7.3 적응형 업데이트의 직관: Adam을 예로: 적응형 업데이트가 기본 update에 무엇을 더 보완하려 하는지, Adam을 대표 예로 보며 읽습니다.
• P5-7.4 보충학습: adaptive optimization 주장 구분: adaptive optimizer를 설명할 때 실험 성능, 수렴 보장, 일반화 성능을 어떻게 구분해야 하는지 보충합니다.
• P5-7.5 보충학습: 대표 optimizer 계열: optimizer 계열 차이를 무엇을 더 기억하고 무엇을 더 조절하는가의 기준으로 설명합니다.
• P5-7.6 보충학습: 학습률 조절 전략: learning rate를 고정값이 아니라 시간에 따라 운영하는 보폭 정책으로 설명합니다.
• P5-7.7 보충학습: optimizer state와 개별 update: parameter, gradient, update, optimizer state를 분리하고 adaptive optimizer의 내부 기억을 설명합니다.
• P5-7.8 보충학습: gradient clipping과 불안정한 update: learning rate 문제, gradient 폭주, clipping 안전장치를 구분해 설명합니다.

Chapter 8. 학습 루프를 안정적으로 만드는 제어 장치 학습 원리¶

• P5-8.1 목적 함수에 제약을 두는 방법: 정규화(regularization): 목적 함수 옆에 어떤 제약을 두어 새 데이터까지 버티는 해를 더 선호하게 만드는지 봅니다.
• P5-8.2 경로 의존을 줄이는 방법: 드롭아웃(dropout): forward 계산 중 일부 경로를 임시로 쉬게 하며 특정 지름길 의존을 줄이는 직관을 봅니다.
• P5-8.3 보충학습: 깊은 계산의 안정화 조건: 깊은 계산이 왜 자주 흔들리는지, 그리고 어떤 조건이 forward와 backward를 덜 흔들리게 만드는지 한 자리에서 정리합니다.
• P5-8.4 보충학습: 큰 초기화 스케일이 계산 범위를 어떻게 흔드는가: 큰 초기화 스케일과 batch normalization이 깊은 계산 범위를 어떻게 바꾸는지 Python 예제와 분할 그래프로 확인합니다.

Module 4. 계산 확장¶

Chapter 9. GPU와 병렬 처리 역사와 패러다임¶

• P5-9.1 GPU와 병렬 처리: 딥러닝 확산에서 계산 자원이 한 역할을 봅니다.
• P5-9.2 배치(batch)와 텐서(tensor) 계산: 많은 데이터를 동시에 계산하는 흐름을 봅니다.

Module 5. 표현 학습과 구조 분기¶

Chapter 10. 표현 학습 딥러닝 구조¶

• P5-10.1 표현 학습(representation learning): 사람이 특징을 쓰는 방식과 모델이 표현을 배우는 방식을 비교합니다.
• P5-10.2 깊은 층의 표현: 낮은 수준 특징에서 높은 수준 표현으로 이어지는 직관을 봅니다.

Chapter 11. CNN 알고리즘¶

• P5-11.1 CNN의 직관: 이미지에서 지역 패턴을 보는 구조를 봅니다.
• P5-11.2 합성곱(convolution)과 풀링(pooling): CNN의 핵심 연산을 간단히 봅니다.
• P5-11.3 보충학습: CNN과 Vision Transformer 비교: CNN 이후 비전 구조를 어떤 관점으로 비교하면 되는지 짧게 정리합니다.

Chapter 12. RNN, LSTM, GRU 알고리즘¶

• P5-12.1 순환 신경망(RNN), 장단기 메모리(LSTM), 게이트 순환 유닛(GRU)의 필요성: 순차 데이터를 다루기 위한 구조를 봅니다.
• P5-12.2 장기 의존성(long-term dependency): 오래전 정보가 사라지는 문제를 봅니다.

Chapter 13. Attention 딥러닝 구조¶

• P5-13.1 Attention의 직관: 필요한 위치를 더 강하게 보는 방식을 봅니다.
• P5-13.2 self-attention으로 이어지는 흐름: Transformer로 넘어가기 전 연결을 잡습니다.
• P5-13.3 보충학습: QKV와 multi-head attention: Attention 내부 구성요소를 처음 구분하는 기준을 보충합니다.

Chapter 14. Transformer 딥러닝 구조¶

• P5-14.1 attention만으로 닫히지 않는 Transformer: Transformer를 attention 하나가 아니라 반복 가능한 블록 구조로 읽는 기준을 잡습니다.
• P5-14.2 Transformer 블록의 네 부품은 각각 무엇을 맡는가: self-attention, feed-forward, residual, normalization의 역할을 구분합니다.
• P5-14.3 깊은 반복을 안정화하는 두 장치: 깊은 블록 반복에서 정보 흐름과 값 범위를 안정화하는 장치를 봅니다.
• P5-14.4 RNN 상태 전달과 Transformer 병렬 계산: 순차 상태 전달과 토큰 관계 계산의 차이가 GPU 병렬 처리와 대규모 학습으로 이어지는 방식을 봅니다.
• P5-14.5 긴 문맥에서 순차 상태와 직접 재참조는 어떻게 갈라지는가: 긴 문맥에서 필요한 앞 위치를 다시 참고하는 감각을 작은 실험과 함께 확인합니다.
• P5-14.6 보충학습: 위치별 표현 가공: attention으로 문맥이 섞인 표현을 각 위치 안에서 다시 가공하는 역할을 따로 정리합니다.
• P5-14.7 보충학습: 원래 표현을 남기는 경로: 새 계산 결과와 원래 입력 표현이 함께 다음 단계로 넘어가는 이유를 따로 정리합니다.
• P5-14.8 보충학습: 값의 기준선을 맞추는 정규화: 한 위치 표현 안의 값 범위를 다음 계산이 다루기 쉬운 기준선으로 맞추는 이유를 따로 정리합니다.

Module 6. 생성 모델과 샘플링¶

Chapter 15. 생성 모델의 직관 딥러닝 구조¶

• P5-15.1 생성형 AI를 딥러닝 관점에서 보려면 무엇이 달라지는가: 생성형 AI를 이해하기 위해 출력 관점이 어떻게 바뀌어야 하는지 봅니다.
• P5-15.2 생성 모델(generative model)의 후보 분포(candidate distribution): 생성 모델을 하나의 정답이 아니라 후보 공간과 상대적 그럴듯함으로 읽습니다.
• P5-15.3 샘플링(sampling)은 후보 분포에서 실제 출력을 어떻게 꺼내는가: 후보 분포에서 실제 출력이 선택되는 과정과 품질 변동의 직관을 봅니다.

Part 6. LLM과 생성형 AI¶

생성형 AI 산출물에서 출발해 LLM을 대표 사례로 읽고, 토큰과 임베딩, 다음 후보 생성 구조, 학습과 조정, 프롬프트와 근거 보강, 도구와 에이전트 실행, 평가와 운영을 연결합니다. 발전사와 BERT 계열은 본류 뒤의 배경 지도와 비교 축으로 둡니다.

Module 1. 생성형 AI를 LLM 중심으로 읽는 입구¶

Chapter 1. 생성형 AI와 LLM의 위치 LLM 핵심¶

• P6-1.1 검토해야 할 산출물로 보는 생성형 AI 출력: 생성 결과가 분류값이나 수치 예측이 아니라 검토해야 할 산출물이라는 점을 잡습니다.
• P6-1.2 생성형 AI를 읽는 중심 사례로서의 LLM: LLM을 생성형 AI 전체가 아니라 대표 경로로 읽는 이유를 봅니다.
• P6-1.3 생성은 후보 분포와 선택의 반복이다: Part 5의 후보 분포와 샘플링 감각을 LLM 생성 흐름으로 회수합니다.

Module 2. 텍스트 생성의 입력 단위와 표현¶

Chapter 2. 토큰과 토큰화 LLM 핵심¶

• P6-2.1 입력과 출력을 제한하는 토큰 단위: 입력과 출력이 비용, 길이 제한, 문맥 보존에서 토큰 단위로 제한되는 이유를 봅니다.
• P6-2.2 문자열·토큰·token ID로 이어지는 모델 입력: 문자열, 토큰, token ID 순서열을 한 흐름으로 구분합니다.
• P6-2.3 길이·비용·청크를 바꾸는 토큰화(tokenization): 토큰화 절차가 길이, 비용, 청크, 출력 해석을 어떻게 바꾸는지 봅니다.
• P6-2.4 프롬프트 길이·RAG 청크·비용으로 이어지는 토큰 관점: 프롬프트 길이, RAG 청크, 비용 예산, 출력 형식 설계에 토큰 기준을 적용합니다.
• P6-2.5 보충학습: 운영 관찰값으로 드러나는 토크나이저 계열 차이: BPE, WordPiece, SentencePiece 차이를 운영 관찰값으로 읽습니다.

Chapter 3. 임베딩 LLM 핵심¶

• P6-3.1 토큰 ID를 비교 가능한 좌표로 바꾸는 임베딩: token ID가 계산 가능한 벡터 표현으로 바뀌는 이유를 봅니다.
• P6-3.2 정답이 아니라 후보를 만드는 가까운 벡터: 비슷한 표현이 가까운 후보가 되는 직관과 한계를 봅니다.
• P6-3.3 보충학습: 가까운 표현과 먼 표현을 배우는 임베딩 학습: 무엇을 가깝게, 무엇을 멀게 두도록 배우는지 봅니다.
• P6-3.4 보충학습: ANN 검색의 속도와 후보 누락 절충: 가까운 후보를 빠르게 좁힐 때 생기는 속도와 후보 누락의 절충을 봅니다.

Module 3. 다음 후보를 만드는 LLM 구조¶

Chapter 4. Transformer 구조 복습 딥러닝 구조¶

• P6-4.1 LLM 안의 Transformer 계산 흐름: 문맥 반영, 표현 갱신, 다음 후보 점수 흐름으로 Transformer를 다시 봅니다.
• P6-4.2 attention의 참조 범위: 모델이 제한된 범위 안에서 관계를 계산한다는 점을 봅니다.
• P6-4.3 보충학습: attention head와 위치 표현: 순서 정보와 여러 관계 축을 구분합니다.
• P6-4.4 보충학습: KV cache와 반복 생성: 반복 생성의 재계산 부담을 봅니다.
• P6-4.5 보충학습: 긴 문맥과 희소 attention: 연결 수 조절과 장문맥 유지의 차이를 봅니다.

Chapter 5. GPT 계열 LLM 핵심¶

• P6-5.1 디코더 기반 누적 생성 구조로 보는 GPT 계열: decoder 중심 자기회귀 생성 계열의 위치를 봅니다.
• P6-5.2 생성 구조 위에 더해지는 지시 따르기와 대화 인터페이스: instruction following과 제품 인터페이스가 사용 경험을 어떻게 바꾸는지 봅니다.

Chapter 6. 다음 토큰 예측과 생성 LLM 핵심¶

• P6-6.1 긴 생성의 출발점이 되는 다음 토큰 예측: 다음 토큰 분포라는 국소 목표가 긴 생성으로 이어지는 이유를 봅니다.
• P6-6.2 답변의 안정성과 다양성을 바꾸는 출력 선택 규칙: greedy, sampling, temperature가 안정성과 다양성을 어떻게 바꾸는지 봅니다.

Module 4. 응답 습관을 만드는 학습과 조정¶

Chapter 7. 사전학습 학습 원리¶

• P6-7.1 넓은 언어 기반을 먼저 만드는 사전학습: 대규모 텍스트에서 일반 언어 기반을 만드는 과정을 봅니다.
• P6-7.2 능력과 운영 부담을 함께 키우는 스케일: 규모가 능력과 운영 부담을 동시에 키우는 축임을 봅니다.

Chapter 8. 파인튜닝 학습 원리¶

• P6-8.1 목적 맞춤 조정이 필요한 파인튜닝: 기반 모델을 특정 목적과 도메인에 맞게 조정하는 흐름을 봅니다.
• P6-8.2 전체 파인튜닝 부담을 줄이는 LoRA: 조정 범위를 줄여 비용과 회전 속도를 바꾸는 감각을 봅니다.

Chapter 9. 지시 튜닝과 정렬 LLM 핵심¶

• P6-9.1 요청 형식에 맞는 응답 습관을 만드는 지시 튜닝: 사용자 지시를 따르는 응답 습관을 봅니다.
• P6-9.2 잘 따르는 답과 허용 가능한 답을 나누는 정렬: 유용성, 안전성, 사실성, 거절 기준을 함께 맞추는 문제를 봅니다.
• P6-9.3 형식·근거·실행 부족으로 나누어 보는 LLM 실패: 형식, 근거, 실행, 지속 적응 중 무엇이 부족한지 먼저 진단하는 기준을 봅니다.
• P6-9.4 보충학습: LoRA의 low-rank가 작게 표현하는 조정분: LoRA 이름과 low-rank 조정분의 규모 감각을 봅니다.
• P6-9.5 보충학습: 효율적 조정 방식의 제약: 비용, 구조, 메모리 제약으로 효율적 조정 이름을 구분합니다.

Module 5. 프롬프트와 근거 보강¶

Chapter 10. 프롬프트 엔지니어링 LLM 핵심¶

• P6-10.1 입력 지시·맥락·예시를 조정하는 프롬프트 엔지니어링: 입력 지시, 맥락, 예시, 출력 형식으로 생성 방향을 유도하는 방법을 봅니다.
• P6-10.2 최신성·근거성·실행을 프롬프트 밖으로 넘기는 한계: 최신성, 근거성, 계산, 실행, 재현성 문제를 프롬프트만으로 해결할 수 없는 이유를 봅니다.
• P6-10.3 보충학습: 답변 경로 관찰과 비교: 중간 reasoning과 여러 후보 합의를 답변 경로 관찰 전략으로 구분합니다.
• P6-10.4 보충학습: 프롬프트 후보 반복 개선: 프롬프트 후보, 평가 기준, 검증 세트의 관계를 봅니다.

Chapter 11. RAG 서비스 구조¶

• P6-11.1 모델 기억 대신 외부 근거를 붙이는 RAG: 모델 내부 기억이 아니라 외부 근거를 입력 문맥으로 붙이는 구조를 봅니다.
• P6-11.2 검색 실패와 생성 실패를 가르는 RAG 흐름: 검색 실패와 생성 실패를 구분합니다.

Chapter 12. 벡터 데이터베이스 서비스 구조¶

• P6-12.1 임베딩·원문·메타데이터를 함께 저장하는 벡터 데이터베이스: 임베딩, payload, metadata를 함께 저장하고 검색하는 구조를 봅니다.
• P6-12.2 검색 속도와 후보 품질을 맞바꾸는 인덱스: 검색 품질과 latency의 trade-off를 봅니다.

Module 6. 도구와 에이전트 실행 구조¶

Chapter 13. 도구 사용(tool use) 서비스 구조¶

• P6-13.1 조회·계산·실행을 모델 밖으로 넘기는 도구 사용: 조회, 계산, 파일 처리, 상태 확인이 필요한 장면을 봅니다.
• P6-13.2 자연어 요청을 이름과 인자로 나누는 함수 호출: 자연어 요청을 함수 이름과 인자로 구조화하는 방식을 봅니다.

Chapter 14. 에이전트(agent) 서비스 구조¶

• P6-14.1 중간 결과에 따라 다음 작업을 바꾸는 에이전트: 목표를 한 번의 답변으로 닫지 않고, 검색 결과나 도구 실행 결과에 따라 다음 작업을 바꾸는 구조를 봅니다.
• P6-14.2 계속·멈춤·사람 검토로 갈라지는 에이전트 루프: agent loop가 관찰 결과를 보고 계속 탐색, 종료, 사람 검토로 갈라지는 기준을 봅니다.

Chapter 15. MCP와 하네스 서비스 구조¶

• P6-15.1 도구와 자원을 공통 형식으로 연결하는 MCP: 도구와 리소스를 공통 형식으로 연결하는 인터페이스 층을 봅니다.
• P6-15.2 실행 기록과 재현 환경을 감싸는 하네스: 실행, 로그, 평가 입력, 승인, 재현성을 감싸는 환경을 봅니다.

Module 7. 검토 가능한 서비스 상태¶

Chapter 16. LLM 평가 LLM 핵심¶

• P6-16.1 자연스러운 답과 품질 기준을 나누는 LLM 평가: 자연스러운 답변과 품질 기준을 분리해 봅니다.
• P6-16.2 자동 평가와 사람 평가의 분업: 반복 검사와 맥락 판단의 분업을 봅니다.

Chapter 17. 서비스 운영 제약 서비스 구조¶

• P6-17.1 비용·지연·사용량으로 다시 거르는 운영 제약: 비용, 지연 시간, 처리량, 사용량 제한을 봅니다.
• P6-17.2 오류를 복구 경로로 나누는 운영 중 실패 대응: hallucination, timeout, 권한 오류, format mismatch를 복구 경로로 나누어 봅니다.

Chapter 18. 작은 생성형 AI 기능을 한 흐름으로 묶기 프로젝트 실습¶

• P6-18.1 질문·근거·답변·기록을 묶는 작은 생성형 AI 기능: 질문, 근거, 답변, 상태 판단, 기록을 한 흐름으로 묶습니다.
• P6-18.2 응답보다 근거·상태·회고를 먼저 남기는 최소 구현: Part 7로 넘기기 전에 응답, 근거, 상태, 회고 기록이 함께 남아야 하는 이유를 닫습니다.

Module 8. 배경 지도와 비교¶

Chapter 19. LLM 발전사 역사와 패러다임¶

• P6-19.1 한계와 구조 전환의 흐름으로 읽는 LLM 발전사: 통계적 언어 모델에서 GPT형 인터페이스까지의 변화를 봅니다.
• P6-19.2 직접 계보와 주변 근거를 분리해 읽는 기준: LLM 직접 계보와 딥러닝 확산 주변 근거를 구분합니다.

Chapter 20. BERT 계열 LLM 핵심¶

• P6-20.1 읽기 중심 Transformer 비교축으로 보는 BERT 계열: GPT 생성 계열과 BERT 이해 계열을 비교합니다.
• P6-20.2 긴 답변보다 판단값을 먼저 내는 이해 중심 태스크: 분류, 문장쌍 판단, 검색과 랭킹, 임베딩 재사용을 봅니다.

Part 7. 프로젝트¶

Part 7은 독립된 새 이론 Part가 아니라, 앞서 소개한 내용을 하나의 프로젝트 안에서 함께 실행하고 해석하는 공간입니다. 질문, 입력 단위, baseline, 비교표, 구조 해석, 근거 확인, 실행 로그, 배포·운영 판단이 따로 떨어진 단계가 아니라 같은 프로젝트 문서 안에서 어떻게 함께 남아야 하는지를 실습합니다.

Module 1. 질문과 기준선¶

Chapter 1. 분석 시작과 기준선 설계 프로젝트 실습¶

• P7-1.1 프로젝트 질문과 입력 정의: 같은 데이터라도 예측 목표와 샘플 단위가 달라지면 전혀 다른 프로젝트가 되며, 그 차이가 데이터 준비와 실험 설계까지 바꾼다는 점을 다룹니다.
• P7-1.2 baseline과 첫 비교: 모델 성능은 얼마나 좋아 보이는가보다 무엇과 비교해 좋아졌는가가 먼저라는 점을 비교표와 실패 사례로 정리합니다.
• P7-1.3 기준선 재설계 연습: 기준선 경계일과 비교 단위를 바꿨을 때 회고 앞줄과 결론이 어떻게 달라지는지 비교합니다.

Chapter 2. 전통 머신러닝 비교와 개선 프로젝트 실습¶

• P7-2.1 비교표와 오류 사례 읽기: 점수 하나 대신 예측 결과 비교표와 대표 오류 사례를 함께 두고, 모델이 어디서 맞고 틀리는지 해석합니다.
• P7-2.2 회고와 다음 질문 만들기: 실행 결과를 사실, 해석, 다음 질문으로 나누어, 한 번의 실험을 다음 반복의 질문과 설계로 넘기는 방법을 다룹니다.
• P7-2.3 비교 실험 연습: baseline, raw 1-NN, 부분 스케일 조정, 정규화를 같은 평가 셋에 놓고, 전처리로 풀리는 실패와 추가 경계 사례가 필요한 실패를 구분합니다.

Module 2. 비교와 구조 해석¶

Chapter 3. 입력 구조와 모델 구조 선택 프로젝트 실습¶

• P7-3.1 입력 구조는 프로젝트를 어떻게 바꾸는가: 표 데이터, 이미지, 시퀀스 입력이 준비 코드, 샘플 확인 방식, 모델 입출력 정의를 어떻게 바꾸는지 비교합니다.
• P7-3.2 CNN, 순차 모델, attention 계열 비교: 입력 구조와 참조 관계가 달라질 때 왜 다른 계산 구조를 택해야 하는지 정리합니다.
• P7-3.3 실제 분류기로 입력 표현을 다시 비교하기: 같은 8x8 이미지 패치를 실제 분류기에 넣고, 표현 축소가 정확도, 확신 차이, 추가 검토 샘플을 어떻게 바꾸는지 비교합니다.

Chapter 4. 학습 결과와 표현 점검 프로젝트 실습¶

• P7-4.1 loss, metric, 오류 사례 함께 읽기: 학습 곡선, 평가 지표, 오류 샘플을 함께 두고 무엇이 좋아졌는가를 판단합니다.
• P7-4.2 실패한 결과를 다시 분해하기: 기대보다 나쁜 결과를 구조 문제, 데이터 문제, baseline 설정 문제로 나누어 다음 실험 방향과 수정 우선순위를 정합니다.
• P7-4.3 표현 정규화 연습: 정규화 전후의 문의를 비교하며, 동의어 치환이 coverage, 예측, 회고 우선순위를 어떻게 바꾸는지 봅니다.
• P7-4.4 같은 평균, 다른 패턴 비교 연습: 평균이 같은 동작도 shape token을 붙이면 서로 다른 패턴으로 갈라진다는 점을 확인합니다.

Module 3. 근거와 실행 기록¶

Chapter 5. RAG 근거 검증 프로젝트 실습¶

• P7-5.1 검색, 근거, 답변 흐름 실습: 검색 후보, 선택 근거, 최종 답변이 한 파이프라인 안에서 어떻게 이어지는지 다룹니다.
• P7-5.2 검색 실패와 근거 누락 기록: 부정확한 답변을 검색 실패, 근거 부족, 답변 구성 문제로 나누어 기록하는 방법을 정리합니다.
• P7-5.3 질문-근거 경계 연습: 같은 문서 집합에서 질문 문구를 바꾸며, 근거 부족, 답변 과장 위험, 근거 기반 답변 상태가 어떻게 갈리는지 비교합니다.
• P7-5.4 ANN 검색 설정 실습: 실제 ANN 라이브러리나 인덱스 설정을 사용해 후보 수, 검색 지연, top-k 포함률, 버전 필터가 RAG 근거 품질을 어떻게 바꾸는지 프로젝트 기록으로 남깁니다.
• P7-5.5 검색 평가셋으로 근거 품질을 다시 점검하기: 검색 점수와 답변 가능 상태를 분리하고, mismatch를 다음 검색 보강 질문으로 바꾸는 법을 연습합니다.

Chapter 6. agent 실행과 승인 정책 프로젝트 실습¶

• P7-6.1 계획, 도구 호출, 승인 흐름 실습: 에이전트의 계획, 도구 호출 순서, 승인과 제약 지점을 실행 경로 중심으로 다룹니다.
• P7-6.2 권한, 로그, blocked 상태 검토: 실행 로그를 permission, blocked, next action 기준으로 정리하고, 실행 기록과 실패 처리 규칙의 역할을 봅니다.
• P7-6.3 승인 정책 연습: 같은 운영 시나리오에서 자동 실행 가능 단계와 즉시 보류 단계를 나누고, 더 안전한 다음 행동을 적어 봅니다.

Module 4. 운영과 반복 개선¶

Chapter 7. 배포와 운영 회고 프로젝트 실습¶

• P7-7.1 배포 확인과 상태 점검: 빌드 성공 여부를 넘어, 배포 후 공개 상태와 기본 동작을 점검합니다.
• P7-7.2 장애 기록과 다음 반복 계획: 실패 사건을 원인 추정, 우선순위, 다음 조치, 재발 방지까지 포함한 운영 회고로 남기는 방법을 정리합니다.
• P7-7.3 운영 점검 시뮬레이션: 운영 신호를 즉시 수정, 재현 확인, 다음 반복 개선으로 나누고 대응 순서를 판단합니다.
• P7-7.4 경고 등급 설계 연습: 표본 수, 반복성, 최근성을 함께 읽어 watch, review, action 등급을 설계합니다.
• P7-7.5 재현 가능한 프로젝트 패키지 만들기: 질문, 입력, 코드, 환경, 실행 명령, 결과, 한계, 다음 조치를 묶어 다른 사람이 같은 실행을 다시 확인할 수 있는지 점검합니다.

출처와 참고 자료¶

이 문서는 현재 프로젝트의 기준 목차를 독자가 읽기 쉬운 형태로 재구성한 자체 문서입니다. 외부 자료를 직접 인용하지 않았습니다.