[햌포터즈 1기] AICE associate 독학 3주차 후기

본 포스팅은 해당 브랜드로 인강 수강 체험 혜택을 받아 작성되었습니다.

[사진 1: 해커스자격증 서포터즈 전자명함]

3주차 학습을 시작하며

안녕하세요. 김문기(Markus)입니다.

이번 글은 해커스자격증 서포터즈 햌포터즈 1기 활동을 통해 AICE Associate 과정을 수강하며 정리한 3주차 후기입니다.

1주차에는 AICE 자격증과 전체 강의 구성을 살펴봤고, 2주차에는 데이터 탐색, 전처리, 지도학습을 중심으로 학습했습니다. 3주차에는 이론편 후반부에 해당하는 비지도학습, 딥러닝, 모델 성능 최적화 내용을 중심으로 공부했습니다.

이번 주는 AICE associate 독학 관점에서 이론편을 마무리하는 주차였습니다. 특히 지도학습과 비지도학습의 차이, 딥러닝의 기본 흐름, 과적합과 과소적합 같은 개념을 정리하면서 AI 모델링이 어떤 구조로 이어지는지 다시 확인할 수 있었습니다.

저는 소프트웨어를 전공하고 있고 AI 프로젝트를 몇 번 경험했지만, AI 개념을 자격증 과정 기준으로 차근차근 정리해본 적은 많지 않았습니다. 그래서 이번 과정은 단순히 자격증 하나를 준비하는 것이 아니라, 제가 진행했던 AI 프로젝트 경험을 더 체계적으로 설명할 수 있도록 기본 개념을 다시 정리하는 시간에 가까웠습니다.

해커스 강의로 공부하는 이유

해커스 강의를 선택한 이유는 강의 구성이 이론편, 유형편, 모의고사편으로 나뉘어 있어 학습 흐름을 잡기 좋았기 때문입니다.

AI 공부를 처음 시작하면 인공지능, 데이터 전처리, 머신러닝, 딥러닝, 모델 평가처럼 낯선 용어가 한꺼번에 등장해서 어디서부터 봐야 할지 막막할 수 있습니다. 그런데 해커스 AICE 강의는 인공지능 기초에서 시작해 데이터 탐색, 지도학습, 비지도학습, 딥러닝, 모델 성능 최적화로 이어져 있어서 순서대로 따라가기 좋았습니다.

특히 AICE Associate 비전공자 입장에서는 학습 순서가 정리되어 있는 강의가 중요하다고 생각합니다. 처음부터 어려운 수식이나 코드 구현 중심으로 접근하기보다, 전체 흐름을 먼저 잡고 이후 유형편과 모의고사편으로 넘어갈 수 있다는 점이 장점으로 느껴졌습니다.

[사진 2~5: 비지도학습, 딥러닝, 모델 성능 최적화 등]

 

비지도학습을 공부하며

3주차 초반에는 비지도학습을 공부했습니다.

2주차에 공부한 지도학습은 정답이 있는 데이터를 바탕으로 모델을 학습시키는 방식이었습니다. 반면 비지도학습은 정답이 없는 데이터에서 패턴이나 구조를 찾는 방식입니다.

예를 들어 고객 데이터를 비슷한 특징끼리 묶거나, 많은 변수로 구성된 데이터를 더 이해하기 쉬운 형태로 줄이는 과정이 비지도학습과 연결될 수 있습니다.

처음에는 비지도학습이라는 개념이 조금 추상적으로 느껴졌습니다. 정답이 없는 상태에서 모델이 무엇을 학습한다는 것인지 감이 잘 오지 않았기 때문입니다. 하지만 강의를 들으면서 비지도학습은 정답을 맞히는 것보다 데이터 안에 숨어 있는 구조를 찾는 데 초점이 있다는 점을 이해할 수 있었습니다.

AICE associate 독학을 하면서 느낀 점은 이런 개념은 단순히 용어만 외우는 것보다 지도학습과 비교하면서 정리하는 것이 훨씬 이해하기 쉽다는 것입니다.

딥러닝의 기본 흐름

비지도학습 이후에는 딥러닝의 기초를 공부했습니다.

딥러닝은 머신러닝의 한 분야로, 인공신경망 구조를 활용해 복잡한 패턴을 학습하는 방식입니다. 이미지, 음성, 자연어 처리처럼 데이터의 구조가 복잡한 문제에서 많이 활용된다고 이해했습니다.

최근에는 생성형 AI, 멀티모달 AI, LLM 같은 기술이 많이 주목받고 있습니다. 이런 기술들도 결국 딥러닝 발전과 연결되어 있다는 점을 생각하면, 딥러닝의 기본 구조를 이해하는 것은 AI를 공부하는 데 중요한 출발점이라고 느꼈습니다.

AICE Associate 비전공자가 딥러닝을 처음부터 수식이나 세부 구현 중심으로 접근하면 어렵게 느껴질 수 있습니다. 하지만 이번 강의에서는 입력층, 은닉층, 출력층처럼 큰 구조를 중심으로 설명해주어서 처음 흐름을 잡기에는 괜찮았습니다.

모델 성능 최적화

3주차에서 가장 중요하게 느껴진 부분은 모델 성능 최적화였습니다.

AI 모델은 한 번 학습시키고 끝나는 것이 아니라, 데이터를 확인하고 모델을 학습시키고 결과를 평가한 뒤 다시 개선하는 과정을 반복합니다. 이 과정에서 과적합, 과소적합, 평가 지표, 하이퍼파라미터 같은 개념이 등장합니다.

과적합은 모델이 학습 데이터에 너무 맞춰져 새로운 데이터에서는 성능이 떨어지는 현상입니다. 반대로 과소적합은 모델이 데이터의 패턴을 충분히 학습하지 못한 상태입니다.

AICE 시험에서는 이런 개념을 단순히 암기하는 것보다, 어떤 상황이 과적합이고 어떤 상황이 과소적합인지 구분하는 것이 중요할 것 같았습니다. 결국 좋은 모델은 학습 데이터뿐만 아니라 새로운 데이터에서도 안정적으로 작동해야 합니다.

 

[사진 6~7: 지도학습/비지도학습/딥러닝 비교 메모, 과적합/과소적합 ]

노션에 3주차 내용 정리하기

이번 주에도 강의를 들으면서 노션에 학습 내용을 정리했습니다.

AICE associate 독학을 하면서 가장 도움이 되는 방식은 강의를 들은 뒤 제 언어로 다시 적어보는 것이었습니다. 강의에서는 이해한 것 같아도, 직접 문장으로 정리하려고 하면 헷갈리는 부분이 드러납니다.

노션에는 비지도학습, 딥러닝, 모델 성능 최적화, 과적합과 과소적합, AICE 시험 준비 방향을 중심으로 정리했습니다.

[사진 8~12: 노션 3주차 개념 정리]

노션 정리를 하면서 느낀 점은 이론편의 흐름이 생각보다 잘 연결되어 있다는 것입니다.

처음에는 인공지능과 데이터 과학의 기본 개념에서 시작하고, 이후 데이터 탐색과 전처리, 지도학습, 비지도학습, 딥러닝, 모델 성능 최적화로 이어집니다.

이 흐름을 따라가면 AI 모델링이 단순히 모델 하나를 선택하는 과정이 아니라는 점을 알 수 있습니다. 데이터를 이해하고, 문제 유형을 파악하고, 모델을 학습시키고, 성능을 평가하고, 다시 개선하는 전체 과정이 중요합니다.

AICE associate 독학에서 중요한 것은 모든 개념을 완벽하게 외우는 것보다, 이 전체 흐름을 놓치지 않는 것이라고 생각했습니다.

비전공자도 따라갈 수 있을까

3주차까지 수강해보니 AICE Associate 비전공자도 충분히 따라갈 수 있는 과정이라고 느꼈습니다.

물론 비지도학습, 딥러닝, 하이퍼파라미터, 모델 성능 최적화 같은 단어는 처음 보면 어렵게 느껴질 수 있습니다. 하지만 강의가 짧은 단위로 나뉘어 있고, 개념을 순서대로 설명해주기 때문에 전체 흐름을 잡는 데는 큰 부담이 없었습니다.

AICE Associate 비전공자라면 처음부터 완벽하게 이해하려고 하기보다, 지도학습과 비지도학습의 차이, 머신러닝과 딥러닝의 관계, 과적합과 과소적합의 의미처럼 큰 개념부터 잡는 것이 좋을 것 같습니다.

저처럼 개발 경험이 있는 사람에게도 도움이 되는 부분이 있었습니다. 이미 AI 프로젝트를 해봤더라도, 그 경험을 데이터 탐색, 모델 학습, 성능 평가 같은 개념으로 다시 정리할 수 있었기 때문입니다.

AICE 시험 준비 방향

3주차까지는 이론편을 중심으로 공부했습니다.

이론편을 통해 AI와 데이터 분석의 전체 흐름을 먼저 정리하고, 이후에는 실제 문제 구성을 확인하는 방향으로 공부하려고 합니다.

AICE 시험 준비에서는 이론 암기와 실습 흐름을 함께 가져가는 것이 중요해 보입니다. 이론만 보면 개념은 알지만 문제를 풀기 어렵고, 문제만 보면 왜 그런 방식으로 접근하는지 이해하기 어렵기 때문입니다.

저는 기존에 Python과 데이터 분석 기초를 조금 접해본 경험이 있어서, 이론편을 정리한 뒤 모의고사편으로 넘어가 실제 문제 구성을 먼저 확인해볼 계획입니다. AICE 시험을 바로 응시할지는 아직 결정하지 않았지만, 강의를 통해 전체 흐름을 잡아본 뒤 일정과 필요성을 보고 판단하려고 합니다.

[사진 13: 이론편 전체 수강 목록 또는 이론편 전체 수강 완료 화면]

 

이론편을 마무리하며

이번 주에는 이론편 전체 흐름을 거의 마무리했습니다.

인공지능 기초부터 데이터 전처리, 지도학습, 비지도학습, 딥러닝, 모델 성능 최적화까지 정리해보니 AICE 과정이 단순히 AI 용어를 나열하는 것이 아니라 데이터 기반 문제 해결의 전체 흐름을 다룬다는 점이 보였습니다.

AICE associate 독학의 장점은 내 속도에 맞게 필요한 부분을 다시 볼 수 있다는 점입니다. 강의를 들으며 노션에 정리하고, 헷갈리는 개념은 손필기로 다시 적어보니 혼자 공부하는 과정도 충분히 가능하다고 느꼈습니다.

해커스 AICE 과정이 궁금하신 분들은 아래 링크에서 확인해볼 수 있습니다.

https://gouk.kr/sKDSWl

1위 해커스 AICE 100% 환급반

이번 3주차를 지나며 AICE associate 독학은 혼자 무작정 공부하는 것이 아니라, 강의 흐름을 따라가며 개념을 정리하고 부족한 부분을 다시 복습하는 방식이 중요하다고 느꼈습니다.

3주차 수강 후기

3주차 수강을 통해 느낀 점은 AI 모델링이 단순히 모델을 학습시키는 과정이 아니라는 것입니다.

비지도학습은 데이터 안의 숨은 구조를 찾는 과정이고, 딥러닝은 복잡한 패턴을 학습하는 방식이며, 모델 성능 최적화는 더 좋은 결과를 만들기 위한 반복 개선 과정입니다.

AICE associate 독학을 이어가면서 가장 중요하게 느낀 것은 개념을 외우는 것보다 흐름을 이해하는 것이었습니다. 데이터가 있고, 문제를 정의하고, 모델을 선택하고, 성능을 평가하고, 다시 개선하는 흐름을 이해해야 실제 AI 활용으로 연결될 수 있다고 느꼈습니다.

AICE Associate 비전공자도 처음부터 모든 것을 완벽히 이해하려고 하기보다, 강의를 따라가며 큰 구조를 먼저 잡으면 충분히 시작할 수 있을 것 같습니다.

다음 주 학습 계획

다음 주에는 모의고사편을 중심으로 실제 문제 구성을 확인해보려고 합니다.

유형편이 데이터 불러오기, 결측치 처리, 이상치 처리, 모델 학습, 성능 평가 같은 실습 흐름을 익히는 파트라면, 모의고사편은 이런 흐름이 실제 문제 안에서 어떻게 적용되는지 확인하는 단계라고 생각합니다.

AICE associate 독학을 고민하는 분이라면 이론편으로 기본 개념을 잡고, 유형편으로 문제 풀이 흐름을 확인한 뒤, 모의고사편으로 실전 감각을 잡는 방식이 도움이 될 것 같습니다.

4주차에는 AICE 시험 문제 구성을 살펴보며 실제 수강 후기를 이어서 정리해보겠습니다.