머신러닝 신규과정 개강안내

안녕하세요. 오션코딩학원장 김주원입니다. 

2025년 11월부터 머신러닝 교육과정을 개강할 계획입니다.

"두리뭉실한 AI 가 아니라 내 손으로 직접 만들어보는 AI를 만나보세요!"

 

  

교육 과정명

• 머신러닝 (Machine Learning)

• 학습 비중 : 지도학습(50%), 신경망(30%), 심층신경망(20%)

 

이런분께 추천합니다

• 파이썬 기초를 배우고 머신러닝으로 도전, 확장하고 싶은 분

• 대학, 대학원에서 관련 전공을 하고 있지만 실무 경험이 부족한 분 

• 직장에서 AI, 데이터 분석이 필요하지만 어디서부터 시작할지 막막한 분

• Tensorflow, PyTorch로 구현해 봤지만 결과가 나오는 원리가 궁금한 분 

 

사용언어 및 개발도구 

• Python, Visual Studio Code, PyTorch

 

세부 교육과정 

1. 지도학습 (Supervised Learning)

• 선형회귀 (Linear Regression)

• 로지스틱회귀 (Logistic Regression)

• 손실, 비용함수 (Loss, Cost Function)

• 경사하강법 (Gradient Descent Alogrithm)

• 데이터 전처리 (Feature scaling, Regularization)

 

지도학습 달성 목표

선형회귀·로지스틱 회귀 모델을 직접 구현하고, 입력 특징(Feature)과 출력(Target)의 관계를 수학적으로 설명할 수 있다.

손실 함수와 비용 함수의 개념을 이해하고, 경사하강법을 사용해 모델 파라미터를 최적화할 수 있다.

데이터 전처리 기법(Feature scaling, Regularization)을 적용해 과적합/과소적합 문제를 완화할 수 있다.

 

2. 신경망 (Neural Network)

• 뉴런, 레이어 (Neuron, Layer)

• 신경망 구축 (Building a neural network)

• 신경망 학습 (Neural network training)

• 활성화 함수 (Activation Function)  

• 순방향, 역방향 전파 (Forward, Back Propagation) 

• 모델 평가 (Evaluating a model)

• 편향과 분산 (Bias, Variance) 

 

신경망 달성목표

뉴런과 레이어 개념을 이해하고, 간단한 신경망 구조를 파이토치로 설계할 수 있다.

순전파(Forward Propagation)와 역전파(Back Propagation) 과정을 설명하고 구현할 수 있다.

다양한 활성화 함수의 특성과 용도를 이해해 적절히 활용할 수 있다.

학습된 모델을 평가하고, 편향(Bias)과 분산(Variance) 개념을 통해 일반화 성능을 분석할 수 있다. 

 

3. 심층 신경망 (Deep Learning) 

• 합성곱 신경망 (Convolutional Neural Network)

• Padding, Stride

• 예제 MNIST

심층 신경망 달성목표

합성곱 신경망의 기본 구조와 동작 원리(Convolution, Padding, Stride)를 설명할 수 있다.

MNIST(손글씨 인식) 데이터셋을 활용해 CNN 모델을 구현, 이미지 분류 문제를 해결할 수 있다.

머신러닝 모델과 딥러닝 모델의 차이, 장점과 한계를 이해할 수 있다. 

 

강좌 참조 문헌

Supervised Machine Learning, by DeepLearning.AI & Stanford University

Advanced Learning Algorithms, by DeepLearning.AI & Stanford University

Convolutional Neural Networks, by DeepLearning.AI

 

수강생 사전 준비항목

• 파이썬에 대한 이해 (필수 O)

• numpy, matplotlib, pandas, scikit-learn (필수 X)

• 개인 노트북 지참 (필수 △, 고사양 X, 코드 작성 후 Colab or kaggle 활용)

• 선형대수학 (필수 X, 벡터, 행렬) 

• 미적분학 (필수 X, 주로 미분)

• 수학적 지식이 아닌 직관(Intuition)이 필요. 

• 수업 전 그날 배울 내용(동영상, 사전 고지)에 대한 예습 (필수 O)  

 

마지막으로 

사실 저도 수학을 잘하는 편은 아닙니다.

복잡한 공식보다 ‘벡터는 그냥 1차원 배열’, ‘행렬은 다차원 배열’, ‘미분은 기울기 구하는 것’ 정도만 알아도 충분히 머신러닝을 시작할 수 있습니다.

저도 그렇게 배우며 여기까지 왔고, 여러분도 분명 같은 길을 걸으실 수 있습니다.
 

참조 문헌에 언급된 ML 분야 First Mover인 Andrew Ng. 교수님 강의에서 많은 영감을 얻었습니다.

 

궁금하신 내용은 댓글로 남겨주시면 답변드리겠습니다.   

감사합니다.