과정 안내: 이 섹션만으로 AI 공부 끝내기

과정 안내: 이 섹션만으로 AI 공부 끝내기

KAITABASE 'AI 기초' 섹션은 입문부터 피지컬 AI까지 19개 트랙, 245개 수업 · 해설로 이루어져 있습니다. 이 글은 그 전체를 한 줄의 과정으로 엮은 안내서입니다. 직장인과 개발자 두 진입 경로, 트랙별 수업 순서(전부 링크), 트랙별 예상 학습 시간, 마치면 할 수 있는 것, 중간 점검 · 실습 · 종합 점검 위치를 한곳에 정리했습니다.

들어가기 전에

• 준비물은 없습니다. 수학 · 코딩을 몰라도 AI란 무엇인가부터 시작할 수 있습니다.
• 실습을 하려면 실습 준비: 파이썬 · 넘파이 · scikit-learn · PyTorch 최소한에서 환경을 갖춥니다.
• 낯선 용어는 용어 사전에서 찾습니다.

한눈에 보기

• 두 진입 경로: 직장인(입문 → AX → LLM 활용 → RAG → 안전 → 운영) · 개발자/이론(입문 → 수학 → 머신러닝 → 딥러닝 → … → 피지컬 AI).
• 트랙마다 수업 순서대로 읽으면 앞 수업이 다음 수업의 준비가 되도록 엮었습니다. 각 수업 끝 '다음에 볼 것'이 다음 수업을 가리킵니다.
• 트랙 끝의 중간 점검 으로 이해를 확인하고, 직접 해 보기 로 손으로 만들어 봅니다.
• 과정의 마지막은 19개 트랙을 40문제로 되짚는 종합 점검입니다.

어떻게 공부하나

1234flowchart TD
  S[입문: AI란 무엇인가 · 구글 MLCC] --> W{어느 경로?}
  W -- 직장인 --> AX[AX: AI 전환 15편] --> LLM1[LLM 활용 · 에이전트 핵심 수업] --> RAG1[RAG 핵심 수업] --> SAFE1[안전 · 규제] --> OPS1[배포 · 모니터링] --> EX[종합 점검 40문제]
  W -- 개발자 · 이론 --> M[수학] --> ML[머신러닝] --> DL[딥러닝 기초] --> NLP[NLP · 트랜스포머] --> LLM[LLM 활용 · 에이전트] --> RAG[RAG · 검색] --> AL[정렬] --> SC[스케일링 · 효율] --> RL[강화학습] --> GEN[생성 모델] --> APP[음성 · 그래프 · 시계열 · 해석 · 안전 · MLOps] --> PHY[피지컬 AI] --> EX

1. 한 수업을 읽을 때는 '한눈에 보기' → 본문의 '숫자로 해 보기'를 손으로 따라 하기 → '연습 문제' · '스스로 점검' 순서로 봅니다.
2. 트랙을 마치면 중간 점검을 풉니다. 틀린 문제는 풀이에 링크된 수업으로 돌아갑니다.
3. 논문 해설은 트랙의 기초 수업을 마친 뒤 읽습니다. 처음 볼 때는 '핵심 아이디어'와 '왜 중요한가'만 읽어도 됩니다.

진입 경로 1: 직장인 (AI를 업무에 들이는 사람)

수학 없이 시작해 업무 진단 · 도구 선택 · 사내 지침 · 파일럿까지 갑니다. 약 24시간(추정, 종합 점검 포함).

• 입문: AI란 무엇인가 → 구글 머신러닝 단기 집중 과정
• AX(AI 전환): AX란 무엇인가 → 업무 진단 → 사용 사례 고르기와 우선순위 → ROI · 효과 측정 → 도구 선택 → 데이터 준비 → 프로세스 재설계와 사람 검토 루프(HITL) → 거버넌스와 정책 → 보안 · 개인정보 실무 → 변화 관리와 교육 → 파일럿에서 확산까지 → 직군별 AX 플레이북 → 사례 분석 → 직접 해 보기: 우리 팀 AX 계획서 만들기(템플릿 + 채운 예시) → 중간 점검: AX(AI 전환) 15문제
• LLM 활용·에이전트: 프롬프트 설계와 인컨텍스트 학습 → 환각 → 도구 사용 · 함수 호출 · 구조화 출력 → 에이전트 설계 → LLM 평가
• RAG·검색: 검색의 기초 → RAG 파이프라인 설계 → RAG 평가와 고급 패턴
• 안전·공정성·윤리: AI 공정성 → 프라이버시와 보안 → AI 규제 · 저작권 · 책임 있는 AI 개요
• MLOps·배포: 배포 · 서빙 · 모니터링
• 마무리: 종합 점검의 1~4번, 15~25번, 38~39번을 먼저 풉니다.
• 더 깊이 가고 싶다면 진입 경로 2의 수학 트랙부터 이어 봅니다.

진입 경로 2: 개발자 · 이론 (모델을 만들고 고치는 사람)

입문 → 수학 → 머신러닝 → 딥러닝 기초 → NLP·트랜스포머 → LLM 활용·에이전트 → RAG·검색 → 정렬 → 스케일링·효율 → 강화학습 → 생성 모델 → 음성 → 그래프 신경망 → 시계열 → 해석 가능성 → 안전·공정성·윤리 → MLOps·배포 → 피지컬 AI → 종합 점검. AX 트랙은 회사에 AI를 들이는 역할을 맡았을 때 언제든 끼워 봅니다. 약 196시간(추정).

• 바쁘다면 각 트랙의 수업 · 실습 · 중간 점검 만 먼저 보고, 논문 해설 은 필요할 때 돌아와 읽어도 됩니다.
• 응용 트랙(음성 · 그래프 신경망 · 시계열 · 해석 가능성 · 안전 · MLOps)은 딥러닝 기초를 마친 뒤 관심 있는 것부터 골라도 됩니다.

트랙별 예상 학습 시간 · 점검 · 실습

생성 모델부터 피지컬 AI까지 7개 트랙의 중간 점검은 231 하나로 묶여 있습니다(위 표에서는 MLOps · 배포 줄에 표시). 입문 트랙의 실습 준비는 환경 설정용 실습입니다.

전체 약 207시간(추정). 하루 1시간씩이면 약 10개월(주 5일), 직장인 경로만이면 약 5주입니다.

시간을 어떻게 셌나(추정치입니다). 예상 시간 = 읽기 시간 + 연습 시간입니다. 읽기 시간은 각 수업 본문 글자 수(공백 · 수식 · 코드 포함)를 분당 300자 로 나눴습니다. 수식과 손계산이 많은 기술 글을 따라 읽는 속도로 잡은 값입니다. 연습 시간은 일반 수업 15분(연습 문제 · 스스로 점검), 논문 해설 · 교재 소개 10분, 직접 해 보기 실습 60분, 중간 점검 30분으로 더했습니다. 종합 점검은 2시간, 과정 안내 · 용어 사전 읽기는 30분으로 따로 넣었습니다. 사람마다 배경지식에 따라 절반에서 두 배까지 달라질 수 있습니다.

트랙별 수업 순서 (전체 목록)

수업 이름 뒤 표시가 없으면 일반 수업입니다. '논문 해설'은 원 논문의 초록 번역과 해설, '교재 소개'는 공개 교재 · 강의를 소개하는 글입니다.

1. 입문 — 3개 · 약 3.4시간(추정)

마치면 할 수 있는 것. AI · 머신러닝 · 딥러닝 · LLM의 관계를 설명하고, 경사 하강법으로 모델이 배우는 과정을 말로 풀 수 있습니다. 파이썬 · 넘파이 · scikit-learn · PyTorch 실습 환경을 갖춥니다.

1. AI란 무엇인가: 개념 지도 · 학습 방식 · 짧은 역사
2. 구글 머신러닝 단기 집중 과정
3. 실습 준비: 파이썬 · 넘파이 · scikit-learn · PyTorch 최소한 — 실습

2. AX(AI 전환) — 15개 · 약 10.8시간(추정)

마치면 할 수 있는 것. 팀 업무를 작업 단위로 쪼개 AI 적합도를 매기고, 사용 사례 우선순위 · ROI · 사람 검토 루프 · 사내 지침 · 파일럿 계획을 담은 AX 계획서를 직접 쓸 수 있습니다.

1. AX란 무엇인가: 디지털 전환과의 차이 · 자동화와 증강 · 단계 모델
2. 업무 진단: 업무를 작업 단위로 쪼개고 AI 적합도 평가하기
3. 사용 사례 고르기와 우선순위: 가치 × 실현 가능성 매트릭스
4. ROI · 효과 측정: 기준선 · 시간 절감 · 품질 지표 · 비용(토큰 · 라이선스 · 인건비) 계산
5. 도구 선택: 범용 챗봇 · 업무 앱 내장 AI · API · 자체 구축 비교와 보안 · 데이터 조건
6. 데이터 준비: 문서 정리 · 권한 · 지식베이스 · RAG 연결
7. 프로세스 재설계와 사람 검토 루프(HITL): 자동화 · 에이전트 도입 단계
8. 거버넌스와 정책: 사내 AI 사용 지침 · 데이터 분류 · 섀도 AI · NIST AI RMF · ISO/IEC 42001
9. 보안 · 개인정보 실무: 입력 금지 정보 · 프롬프트 인젝션 · 로그와 감사
10. 변화 관리와 교육: 역할 변화 · 저항 · 챔피언 제도 · 역량 단계
11. 파일럿에서 확산까지: 파일럿 설계 · 성공 기준 · 확산과 운영
12. 직군별 AX 플레이북: 사무 · 마케팅 · 영업 · 인사 · 재무 · 개발
13. 사례 분석: 공식 발표 · 1차 자료로 확인한 AI 도입 사례 읽는 법
14. 직접 해 보기: 우리 팀 AX 계획서 만들기(템플릿 + 채운 예시) — 실습
15. 중간 점검: AX(AI 전환) 15문제 — 중간 점검

3. 수학 — 9개 · 약 7.6시간(추정)

마치면 할 수 있는 것. 벡터 · 행렬 계산, 기울기와 연쇄 법칙, 경사 하강법, 베이즈 정리, 엔트로피 · KL, 최대우도로 손실 함수가 나오는 과정을 손으로 계산할 수 있습니다.

1. 선형대수 1: 벡터 · 행렬 · 내적 · 행렬 곱 · 노름
2. 선형대수 2: 고유값 · 고유벡터 · 특잇값 분해(SVD)
3. 미분 최소한: 도함수 · 편미분 · 기울기 · 연쇄 법칙
4. 최적화 기초: 경사 하강법 · 볼록성 · 라그랑주 승수
5. 확률과 통계 최소한: 기댓값 · 분산 · 조건부 확률 · 베이즈 정리
6. 정보 이론 최소한: 엔트로피 · 교차 엔트로피 · KL 발산
7. 최대우도 추정과 MAP: 손실 함수는 어디서 오나
8. 머신러닝을 위한 수학 — 교재 소개
9. 중간 점검: 수학 트랙 (문제 12개와 풀이) — 중간 점검

4. 머신러닝 — 17개 · 약 14.8시간(추정)

마치면 할 수 있는 것. 회귀 · 분류 · 트리 · 앙상블 · 군집 · 차원 축소 모델을 고르고, 데이터 누수 없이 나누고 평가해 scikit-learn으로 분류기를 끝까지 만들 수 있습니다.

1. 선형 회귀: 최소제곱 · 정규방정식 · 릿지 · 라쏘
2. 로지스틱 회귀와 소프트맥스: 확률을 내는 분류기
3. 모델 평가와 과적합: 데이터 나누기 · 혼동 행렬 · 정규화
4. 특성 공학과 데이터 전처리: 스케일링 · 인코딩 · 결측값 · 파이프라인
5. k-최근접 이웃과 나이브 베이즈
6. 서포트 벡터 머신과 커널
7. 결정 트리: 지니 불순도 · 정보 이득 · 가지치기
8. 앙상블: 배깅 · 랜덤 포레스트 · 그래디언트 부스팅
9. XGBoost: 확장 가능한 트리 부스팅 — 논문 해설
10. 군집화: k-평균 · 가우시안 혼합 · EM 알고리즘
11. 차원 축소: PCA · t-SNE · UMAP
12. 이상 탐지: 통계 기준 · 아이솔레이션 포레스트 · LOF
13. 추천 시스템: 협업 필터링 · 행렬 분해 · 콘텐츠 기반
14. 직접 해 보기: scikit-learn으로 손글씨 숫자 분류기 만들기 — 실습
15. 스탠퍼드 CS229 머신러닝 강의 노트
16. 확률적 머신러닝 입문 — 교재 소개
17. 중간 점검: 머신러닝 트랙 (문제 15개와 풀이) — 중간 점검

5. 딥러닝 기초 — 29개 · 약 26.3시간(추정)

마치면 할 수 있는 것. 신경망을 넘파이로 처음부터 만들고 역전파를 손계산하며, 옵티마이저 · 정규화 · 합성곱 신경망 · 전이 학습 · 검출 · 분할을 PyTorch로 학습시키고 디버깅할 수 있습니다.

1. 퍼셉트론: 뇌의 정보 저장과 조직에 관한 확률 모델 — 논문 해설
2. 다층 퍼셉트론: 은닉층 · 활성화 함수 · 손실 함수
3. 역전파를 계산 그래프로 손계산하기
4. 오차 역전파로 표현 학습하기 — 논문 해설
5. 신경망과 딥러닝 — 교재 소개
6. 옵티마이저와 학습률 스케줄: SGD · 모멘텀 · RMSProp · Adam · AdamW
7. Adam: 확률적 최적화 방법 — 논문 해설
8. 초기화 · 정규화 · 규제: 깊은 신경망을 안정적으로 학습시키기
9. 드롭아웃: 특징 검출기의 공동 적응 막기 — 논문 해설
10. 배치 정규화 — 논문 해설
11. 레이어 정규화 — 논문 해설
12. 신경망 학습 디버깅과 실험 관리 레시피
13. 직접 해 보기: 넘파이로 신경망을 처음부터 만들기 — 실습
14. 합성곱 신경망 기초: 합성곱 · 패딩 · 스트라이드 · 풀링
15. 스탠퍼드 CS231n 강의 노트(합성곱 신경망)
16. 문서 인식을 위한 기울기 기반 학습 (LeNet) — 논문 해설
17. 깊은 합성곱 신경망으로 ImageNet 분류하기 (AlexNet) — 논문 해설
18. 아주 깊은 합성곱 신경망 (VGG) — 논문 해설
19. 잔차 학습으로 깊은 신경망 학습하기 (ResNet) — 논문 해설
20. 전이 학습과 자기지도 학습: 남이 배운 표현 빌려 쓰기
21. 객체 검출: 경계 상자 · IoU · NMS · mAP
22. 이미지 분할: 의미 분할 · 인스턴스 분할 · U-Net
23. 비전 트랜스포머 · CLIP · 멀티모달 모델 한 번에 보기
24. 직접 해 보기: PyTorch로 합성곱 신경망 학습하기 — 실습
25. 딥러닝 문서로 배우기 (D2L) — 교재 소개
26. 딥러닝 이해하기 — 교재 소개
27. 딥러닝 (Goodfellow) — 교재 소개
28. Distill 해설 글 모음 — 교재 소개
29. 중간 점검: 딥러닝 기초 트랙 (문제 15개와 풀이) — 중간 점검

6. NLP·트랜스포머 — 23개 · 약 18.1시간(추정)

마치면 할 수 있는 것. 토큰화 · 임베딩 · 어텐션 · 트랜스포머 블록을 손으로 계산하고, BERT · GPT · T5의 차이와 디코딩 전략(온도 · top-k · top-p)을 설명할 수 있습니다.

1. 토큰과 토크나이저: 글자가 숫자가 되기까지
2. 임베딩과 벡터 유사도: 원-핫에서 의미 공간까지
3. 단어를 벡터로 효율적으로 표현하기 (word2vec) — 논문 해설
4. 언어 모델의 기본: 다음 토큰 예측 · 퍼플렉서티 · 샘플링
5. 순환 신경망(RNN)과 LSTM 직관
6. 신경망으로 시퀀스를 시퀀스로 학습하기 (seq2seq) — 논문 해설
7. 어텐션 직관: 쿼리 · 키 · 값을 손으로 계산하기
8. 정렬과 번역을 함께 학습하는 신경망 번역 (어텐션의 시작) — 논문 해설
9. 서브워드 단위로 드문 단어 번역하기 (BPE 토큰화) — 논문 해설
10. 위치 인코딩: 사인파 · 학습형 · RoPE · ALiBi
11. 트랜스포머 블록 한 층을 손으로: 멀티헤드 · 잔차 · 정규화 · FFN
12. 어텐션만 있으면 된다 (트랜스포머) — 논문 해설
13. 인코더 · 디코더 · 인코더-디코더: BERT · GPT · T5와 사전학습 목표
14. 생성적 사전학습으로 언어 이해 높이기 (GPT-1) — 논문 해설
15. BERT: 양방향 트랜스포머 사전학습 — 논문 해설
16. 언어 모델은 비지도 멀티태스크 학습자다 (GPT-2) — 논문 해설
17. 디코딩 전략: 탐욕 · 빔 · 온도 · top-k · top-p
18. 직접 해 보기: 작은 언어 모델로 디코딩 전략 비교하기 — 실습
19. LLM 사전학습: 데이터 · 목표 · 학습 과정 한눈에
20. 언어 모델은 퓨샷 학습자다 (GPT-3) — 논문 해설
21. 이미지는 16x16 단어다 (비전 트랜스포머) — 논문 해설
22. 자연어 감독으로 시각 모델 학습하기 (CLIP) — 논문 해설
23. 중간 점검: NLP · 트랜스포머 — 중간 점검

7. LLM 활용·에이전트 — 19개 · 약 14.7시간(추정)

마치면 할 수 있는 것. 프롬프트 설계 · 미세조정 · 평가(pass@k · LLM 심판) · 환각 대응을 고르고, 도구를 부르는 에이전트 루프를 직접 구현할 수 있습니다.

1. Hugging Face LLM 강좌
2. 프롬프트 설계와 인컨텍스트 학습: 제로샷 · 퓨샷 · 생각의 사슬
3. 생각의 사슬 프롬프팅 (Chain-of-Thought) — 논문 해설
4. 자기 일관성으로 생각의 사슬 추론 높이기 (Self-Consistency) — 논문 해설
5. 생각의 나무: 숙고하며 문제 풀기 (Tree of Thoughts) — 논문 해설
6. 미세조정: 전체 미세조정 · 지시 미세조정(SFT) · LoRA · QLoRA
7. LLM 평가: 벤치마크 · pass@k · LLM 심판 · 데이터 오염
8. 환각: 왜 생기고 어떻게 줄이나
9. 검색 증강 생성 (RAG) — 논문 해설
10. 도구 사용 · 함수 호출 · 구조화 출력
11. ReAct: 추론과 행동을 함께 — 논문 해설
12. Toolformer: 스스로 도구 쓰는 법을 배우는 언어 모델 — 논문 해설
13. 에이전트 설계: 루프 · 워크플로 · 메모리 · 멀티에이전트 · MCP
14. 직접 해 보기: 도구를 부르는 에이전트 루프 만들기 — 실습
15. Reflexion: 말로 하는 강화학습 에이전트 — 논문 해설
16. 생성형 에이전트: 사람 행동을 흉내 내는 시뮬레이션 — 논문 해설
17. MemGPT: 운영체제처럼 기억을 관리하는 LLM — 논문 해설
18. SWE-bench: 실제 깃허브 이슈를 풀 수 있는가 — 논문 해설
19. 중간 점검: LLM 활용 · 에이전트 — 중간 점검

8. RAG·검색 — 21개 · 약 16.7시간(추정)

마치면 할 수 있는 것. BM25 · 벡터 검색 · 하이브리드 검색 · 리랭킹으로 RAG 파이프라인을 설계하고, recall@k · MRR · 충실도로 평가할 수 있습니다.

1. 검색의 기초: TF-IDF · BM25 · 벡터 검색 · 검색 평가 지표
2. 문장 임베딩: 샴 BERT 네트워크 (Sentence-BERT) — 논문 해설
3. 오픈 도메인 질의응답을 위한 밀집 문단 검색 (DPR) — 논문 해설
4. 벡터 검색과 근사 최근접 이웃: 평탄 · IVF · PQ · HNSW
5. ColBERT: BERT 기반 지연 상호작용 검색 — 논문 해설
6. ColBERTv2: 가볍고 효과적인 지연 상호작용 검색 — 논문 해설
7. 대조 학습으로 하는 비지도 밀집 검색 (Contriever) — 논문 해설
8. RAG 파이프라인 설계: 청킹 · 하이브리드 검색 · 리랭킹 · 쿼리 재작성
9. 가상 문서로 하는 제로샷 밀집 검색 (HyDE) — 논문 해설
10. 중간에서 길을 잃다: 언어 모델의 긴 문맥 활용 — 논문 해설
11. 직접 해 보기: 작은 RAG 만들기 (BM25 + 벡터 + RRF + 평가) — 실습
12. RAG 평가와 고급 패턴: 검색 지표 · 충실도 · GraphRAG · 에이전틱 RAG
13. REALM: 검색을 더한 언어 모델 사전학습 — 논문 해설
14. 검색한 문단을 생성 모델에 결합하기 (Fusion-in-Decoder) — 논문 해설
15. 수조 토큰에서 검색해 언어 모델 키우기 (RETRO) — 논문 해설
16. Self-RAG: 검색 · 생성 · 자기 비평을 함께 학습 — 논문 해설
17. 교정 검색 증강 생성 (Corrective RAG) — 논문 해설
18. RAPTOR: 트리 구조로 요약해 검색하기 — 논문 해설
19. 지역에서 전역으로: 그래프 RAG (GraphRAG) — 논문 해설
20. 대형 언어 모델을 위한 RAG 총정리 (서베이) — 논문 해설
21. 중간 점검: RAG · 검색 — 중간 점검

9. 정렬 — 10개 · 약 8.6시간(추정)

마치면 할 수 있는 것. SFT → 보상 모델 → PPO(RLHF)와 DPO · GRPO의 차이를 설명하고, 보상 모델 · DPO 손실을 코드로 계산할 수 있습니다.

1. 정렬 개요와 RLHF 파이프라인: SFT · 보상 모델 · PPO · KL 페널티
2. 사람 선호로 하는 딥 강화학습 (RLHF의 시작) — 논문 해설
3. 사람 피드백으로 지시를 따르게 학습하기 (InstructGPT) — 논문 해설
4. 직접 선호 최적화 (DPO) — 논문 해설
5. 헌법적 AI: AI 피드백으로 무해성 학습 — 논문 해설
6. 선호 최적화의 확장: DPO 계열 · AI 피드백 · 검증 가능한 보상 · 레드팀
7. 직접 해 보기: 보상 모델과 DPO 손실을 넘파이로 계산하기 — 실습
8. DeepSeekMath: GRPO로 수학 추론 끌어올리기 — 논문 해설
9. DeepSeek-R1: 강화학습으로 추론 능력 끌어내기 — 논문 해설
10. 중간 점검: 정렬 — 중간 점검

10. 스케일링·효율 — 19개 · 약 16.0시간(추정)

마치면 할 수 있는 것. 6ND로 학습 연산량을 어림하고, 양자화 · 혼합 정밀도 · 분산 학습 · KV 캐시 · 추측 디코딩이 메모리와 속도를 얼마나 줄이는지 계산할 수 있습니다.

1. 스케일링 법칙과 연산 예산: 6ND · 친칠라 · 학습 메모리 계산
2. 신경망 언어 모델의 스케일링 법칙 — 논문 해설
3. 연산 최적 대형 언어 모델 학습 (Chinchilla) — 논문 해설
4. LLaMA: 공개 · 효율적인 기반 언어 모델 — 논문 해설
5. 수치 형식 · 혼합 정밀도 · 양자화
6. LoRA: 저차원 적응으로 대형 모델 미세조정 — 논문 해설
7. QLoRA: 양자화한 LLM 효율적으로 미세조정 — 논문 해설
8. 분산 학습: 데이터 · 텐서 · 파이프라인 병렬과 ZeRO
9. 추론 최적화: KV 캐시 · MQA/GQA · 배칭 · 추측 디코딩 · 서빙 지표
10. 플래시어텐션: 메모리를 아끼는 정확한 어텐션 — 논문 해설
11. 플래시어텐션-2: 더 나은 병렬화 — 논문 해설
12. 추측 디코딩으로 트랜스포머 추론 빠르게 하기 — 논문 해설
13. PagedAttention: LLM 서빙의 메모리 관리 (vLLM) — 논문 해설
14. 직접 해 보기: 양자화 오차와 KV 캐시 메모리 계산하기 — 실습
15. 모델 압축과 희소성: 지식 증류 · 가지치기 · 전문가 혼합
16. 스위치 트랜스포머: 희소 전문가 혼합 (MoE) — 논문 해설
17. Mixtral: 전문가 혼합 모델 — 논문 해설
18. Mamba: 선택적 상태 공간 모델로 선형 시간 시퀀스 모델링 — 논문 해설
19. 중간 점검: 스케일링 · 효율 — 중간 점검

11. 강화학습 — 31개 · 약 24.2시간(추정)

마치면 할 수 있는 것. MDP · 벨만 방정식 · Q-러닝 · 정책 경사 · PPO를 손계산하고, 그리드월드 에이전트를 만들며 DQN부터 MuZero까지 주요 논문을 읽을 수 있습니다.

1. 강화학습 입문 (Sutton · Barto, 2판) — 교재 소개
2. 탐험 심화: ε-탐욕을 넘어 UCB · 톰슨 샘플링 · 후회(regret)
3. Hugging Face 딥 강화학습 강좌
4. 직접 해 보기: 그리드월드 Q-러닝 (절벽 걷기로 Q-러닝 vs SARSA) — 실습
5. 함수 근사: 표에서 신경망으로 (선형 가치 근사 · 반경사 TD · 치명적 삼중주)
6. OpenAI Spinning Up: 딥 강화학습 입문
7. 정책 최적화 실전: A2C · 신뢰 영역 · PPO 클리핑 · GAE 손계산
8. 모델 기반 강화학습과 계획: Dyna-Q · 몬테카를로 트리 탐색(UCT · PUCT) · 월드 모델 지도
9. 중간 점검: 강화학습 기초 15문제 — 중간 점검
10. 딥 강화학습으로 아타리 게임하기 (DQN) — 논문 해설
11. 딥 강화학습으로 사람 수준의 제어 (DQN, Nature 판) — 논문 해설
12. 이중 Q-러닝 딥 강화학습 (Double DQN) — 논문 해설
13. 듀얼링 네트워크 구조 (Dueling DQN) — 논문 해설
14. 우선순위 경험 재생 — 논문 해설
15. Rainbow: DQN 개선 기법 결합 — 논문 해설
16. 비동기 딥 강화학습 (A3C) — 논문 해설
17. 신뢰 영역 정책 최적화 (TRPO) — 논문 해설
18. 일반화 어드밴티지 추정 (GAE) — 논문 해설
19. 근접 정책 최적화 (PPO) — 논문 해설
20. 연속 제어를 위한 딥 강화학습 (DDPG) — 논문 해설
21. 액터-크리틱의 함수 근사 오차 줄이기 (TD3) — 논문 해설
22. 소프트 액터-크리틱 (SAC) — 논문 해설
23. 신경망과 트리 탐색으로 바둑 정복하기 (AlphaGo) — 논문 해설
24. 사람 지식 없이 바둑 정복하기 (AlphaGo Zero) — 논문 해설
25. 자기 대국으로 체스 · 쇼기 정복 (AlphaZero) — 논문 해설
26. 학습한 모델로 계획하기 (MuZero) — 논문 해설
27. 월드 모델 — 논문 해설
28. 잠재 공간 상상으로 행동 학습 (Dreamer) — 논문 해설
29. 오프라인 강화학습 튜토리얼 · 리뷰 — 논문 해설
30. 보수적 Q-러닝 (CQL) — 논문 해설
31. 결정 트랜스포머: 시퀀스 모델링으로 하는 강화학습 — 논문 해설

12. 생성 모델 — 10개 · 약 9.5시간(추정)

마치면 할 수 있는 것. VAE · GAN · 확산 · 정규화 흐름 · 플로우 매칭의 학습 목표를 비교하고, 작은 확산 모델을 직접 만들어 FID 등으로 평가할 수 있습니다.

1. 생성 모델 총론: 분포를 배우는 법
2. 오토인코더에서 VAE까지: 병목 · 잠재 공간 · ELBO 손계산
3. 변분 오토인코더 (VAE) — 논문 해설
4. GAN 실전: 모드 붕괴 · WGAN · 조건부 GAN · StyleGAN
5. 생성적 적대 신경망 (GAN) — 논문 해설
6. 확산 모델 실전: 샘플링 · DDIM · 가이던스 · 잠재 확산
7. 잡음 제거 확산 확률 모델 (DDPM) — 논문 해설
8. 직접 해 보기: 2D 장난감 확산 모델을 numpy로 만들기 — 실습
9. 정규화 흐름과 플로우 매칭: 변수 변환에서 직선 경로까지
10. 생성 모델 평가: IS · FID · 정밀도/재현율 · CLIP 점수 · 사람 평가

13. 음성 — 3개 · 약 2.5시간(추정)

마치면 할 수 있는 것. 소리를 스펙트로그램 · 멜 특징으로 바꾸고, 음성 인식(CTC · WER)과 음성 합성(보코더 · 코덱 언어 모델)의 구조를 설명할 수 있습니다.

1. 소리를 숫자로: 샘플링 · 나이퀴스트 · 푸리에 변환 · 스펙트로그램 · 멜 스케일
2. 음성 인식(ASR): CTC · 인코더-디코더 · WER
3. 음성 합성(TTS)과 목소리 복제: 멜 스펙트로그램 · 보코더 · 코덱 언어 모델

14. 그래프 신경망 — 1개 · 약 0.8시간(추정)

마치면 할 수 있는 것. 메시지 전달 · GCN · GraphSAGE · GAT를 손으로 계산하고 과평활화를 설명할 수 있습니다.

1. 그래프 신경망 입문: 메시지 전달 · GCN · GraphSAGE · GAT

15. 시계열 — 1개 · 약 0.9시간(추정)

마치면 할 수 있는 것. 추세 · 계절성 · 자기상관을 읽고, 지수평활 · ARIMA 예측을 시간 순 교차 검증과 MASE 등으로 평가할 수 있습니다.

1. 시계열 예측 기초: 추세 · 계절성 · 자기상관 · 지수평활 · ARIMA · 평가 지표

16. 해석 가능성 — 2개 · 약 1.8시간(추정)

마치면 할 수 있는 것. 순열 중요도 · SHAP · LIME · 통합 기울기 · 탐침으로 모델 예측을 설명하고 한계를 말할 수 있습니다.

1. 모델 설명하기: 특징 중요도 · 순열 중요도 · 부분 의존 · LIME · SHAP
2. 신경망 속 들여다보기: 기울기 · 통합 기울기 · 탐침 · 메커니즘 해석

17. 안전·공정성·윤리 — 3개 · 약 2.4시간(추정)

마치면 할 수 있는 것. 공정성 지표를 계산하고, 차등 프라이버시 · 적대적 예제 · 프롬프트 인젝션 위험과 EU AI법 · 한국 AI 기본법 · NIST AI RMF의 요구를 정리할 수 있습니다.

1. AI 공정성: 편향은 어디서 오나 · 공정성 지표 · 불가능성 정리
2. 프라이버시와 보안: 멤버십 추론 · 차등 프라이버시 · DP-SGD · 적대적 예제 · 프롬프트 인젝션
3. AI 규제 · 저작권 · 책임 있는 AI 개요: EU AI법 · 한국 AI 기본법 · NIST AI RMF · 모델 카드

18. MLOps·배포 — 3개 · 약 2.8시간(추정)

마치면 할 수 있는 것. 실험 관리 · 재현성 · 배포 방식(카나리 · 섀도) · 지연 시간 · 드리프트(PSI · KS) 모니터링을 갖춘 운영 계획을 세울 수 있습니다.

1. ML 프로젝트 수명 주기: 문제 정의 · 데이터 · 실험 관리 · 재현성 · 배포 준비
2. 배포 · 서빙 · 모니터링: 지연 시간 · 카나리 · 드리프트 · LLM 앱 운영
3. 중간 점검: 생성 모델 · 음성 · 그래프 · 시계열 · 해석 가능성 · 안전 · MLOps · 피지컬 AI 15문제 — 중간 점검

19. 피지컬 AI — 26개 · 약 22.4시간(추정)

마치면 할 수 있는 것. 칼만 필터 · PID · MPC 같은 로봇 기초와 시뮬레이션→현실 이전, VLA 로봇 기반 모델(RT-2 · OpenVLA · π0 등) 논문을 읽을 수 있습니다.

1. 모던 로보틱스: 역학 · 계획 · 제어 — 교재 소개
2. 센서와 상태 추정: 칼만 필터 손계산과 SLAM 개요
3. 로봇 제어 기초: 피드백 · PID · 적분 와인드업 · MPC
4. Hugging Face LeRobot: 로봇 학습 오픈소스
5. 시뮬레이션에서 현실로, 그리고 VLA: 로봇 기반 모델을 읽는 지도
6. 도메인 무작위화: 시뮬레이션에서 실제로 옮기기 — 논문 해설
7. 로봇 손으로 물체 돌리기 학습 (OpenAI Dactyl) — 논문 해설
8. 험한 지형을 걷는 사족 보행 학습 — 논문 해설
9. 말한 대로가 아니라 할 수 있는 대로 (SayCan) — 논문 해설
10. 코드로 하는 정책: LLM이 로봇 프로그램 짜기 — 논문 해설
11. RT-1: 실제 로봇 제어를 위한 로보틱스 트랜스포머 — 논문 해설
12. PaLM-E: 몸을 가진 멀티모달 언어 모델 — 논문 해설
13. RT-2: 웹 지식을 로봇 제어로 옮기는 VLA 모델 — 논문 해설
14. VoxPoser: 언어 모델로 3D 가치 지도 만들기 — 논문 해설
15. 확산 정책: 행동을 확산 모델로 생성하기 — 논문 해설
16. 저가 하드웨어로 정밀한 양팔 조작 학습 (ALOHA · ACT) — 논문 해설
17. Mobile ALOHA: 움직이며 양팔 조작 학습 — 논문 해설
18. Open X-Embodiment: 여러 로봇 데이터 모으기와 RT-X — 논문 해설
19. Octo: 공개 범용 로봇 정책 — 논문 해설
20. OpenVLA: 공개 시각-언어-행동 모델 — 논문 해설
21. π0: 범용 로봇 제어를 위한 흐름 기반 VLA 모델 — 논문 해설
22. GR00T N1: 휴머노이드 로봇 공개 기반 모델 — 논문 해설
23. Eureka: LLM이 코딩으로 보상 함수 설계하기 — 논문 해설
24. 월드 모델로 여러 분야 정복하기 (DreamerV3) — 논문 해설
25. Genie: 생성형 상호작용 환경 — 논문 해설
26. Cosmos: 피지컬 AI를 위한 월드 기반 모델 플랫폼 — 논문 해설

중간 점검 · 실습 · 종합 점검은 어디에

• 중간 점검(11개): 각 트랙의 마지막 즈음에 있습니다 — 수학 · 머신러닝 · 딥러닝 기초 · NLP · 트랜스포머 · LLM 활용 · 에이전트 · RAG · 검색 · 정렬 · 스케일링 · 효율 · 강화학습 · 응용 트랙 묶음(생성 · 음성 · 그래프 · 시계열 · 해석 · 안전 · MLOps · 피지컬 AI) · AX.
• 직접 해 보기 실습(11개): 손글씨 숫자 분류기 · 넘파이 신경망 · PyTorch CNN · 디코딩 전략 비교 · 에이전트 루프 · 작은 RAG · 보상 모델 · DPO 손실 · 양자화 오차 · KV 캐시 · 그리드월드 Q-러닝 · 2D 확산 모델 · 우리 팀 AX 계획서.
• 종합 점검: AI 기초 전 과정 40문제 — 과정의 마지막에 풉니다.
• 용어 사전: 핵심 용어 299개 — 언제든 찾아봅니다.

스스로 점검

1. 직장인 경로에서 수학 트랙을 건너뛰어도 되나요?
   • 됩니다. AX와 LLM 활용 수업은 사칙연산과 백분율이면 충분합니다. 모델을 직접 학습 · 수정하려면 그때 수학 트랙으로 돌아옵니다.
2. 논문 해설을 꼭 다 읽어야 하나요?
   • 아닙니다. 트랙의 일반 수업 · 실습 · 중간 점검이 뼈대이고, 논문 해설은 그 근거와 이후 발전을 깊이 보는 자료입니다.
3. 예상 시간은 정확한가요?
   • 아닙니다. 글자 수와 고정된 연습 시간으로 계산한 추정치입니다. 계획을 세우는 기준으로만 씁니다.

용어 정리

다음에 볼 것

• AI란 무엇인가: 개념 지도 · 학습 방식 · 짧은 역사 — 과정의 첫 수업입니다.
• AX란 무엇인가 — 직장인 경로라면 입문 다음 바로 여기로.
• 선형대수 1 — 개발자 · 이론 경로라면 입문 다음 여기로.

라이선스

본문은 KAITABASE 자체 정리입니다. 예상 시간은 위에 밝힌 방법으로 계산한 추정치입니다.

출처

• 이 섹션 각 수업(목록의 링크). 각 수업의 원 출처는 그 수업의 '출처' 절을 따릅니다.