이 문서는 SCAI LAB 전체 커리큘럼의 설계도입니다. 기존 교본 폴더를 정리한 목록이 아니라, 선수 관계만 따져 처음부터 설계한 학습 순서입니다. 중학 수학을 마친 사람이 1강부터 474강까지 번호 순서대로 따라가기만 하면 되도록 짰습니다. 개별 과목의 index는 이 문서의 넘버링을 그대로 따릅니다.
중학 수학까지 아는 사람이 1강부터 순서대로 읽고 문제를 풀면, 383강에서 멀티모달 논문의 손실함수를 스스로 유도하고, 마지막 474강에서는 그렇게 만든 모델을 최적화하고 운용하고 감사할 수 있는 상태가 됩니다. 중간에 다른 책을 찾아볼 필요가 없도록, 뒤에서 쓰는 도구는 반드시 앞에서 문제로 끌어냅니다.
데이터 분석만 필요한 사람은 200강에서, 머신러닝 엔지니어가 목표인 사람은 273강에서 멈춰도 그 지점까지가 하나의 완결된 과정이 되도록 트랙 경계를 잡았습니다.
| 트랙 | 과목 | 강의 번호 | 단원 | 강의 |
|---|---|---|---|---|
| T1. 수학 기초 | S1. 수학 기초 다지기 | 1~20 | 5 | 20 |
| T1. 수학 기초 | S2. 수학의 언어 | 21~32 | 3 | 12 |
| T2. 대학 수학 | S3. 미적분학 I: 한 변수의 변화 | 33~61 | 6 | 29 |
| T2. 대학 수학 | S4. 선형대수학: 공간과 변환 | 62~92 | 7 | 31 |
| T2. 대학 수학 | S5. 다변수 미적분과 최적화 | 93~120 | 6 | 28 |
| T2. 대학 수학 | S6. 확률과 통계 | 121~157 | 7 | 37 |
| T3. 데이터 분석 | S7. 데이터 분석: 탐색과 기술 | 158~177 | 4 | 20 |
| T3. 데이터 분석 | S8. 데이터 분석: 추론과 모형 | 178~200 | 4 | 23 |
| T4. 머신러닝과 딥러닝 | S9. 머신러닝 | 201~230 | 6 | 30 |
| T4. 머신러닝과 딥러닝 | S10. 딥러닝 | 231~261 | 7 | 31 |
| T4. 머신러닝과 딥러닝 | S11. 생성모형 | 262~273 | 3 | 12 |
| T5. 강화학습 | S12. 강화학습 | 274~297 | 5 | 24 |
| T6. LLM | S13. 대규모 언어모델 I: 구조와 학습 | 298~321 | 5 | 24 |
| T6. LLM | S14. 대규모 언어모델 II: 정렬과 운용 | 322~350 | 6 | 29 |
| T7. VLM과 멀티모달 | S15. 비전·언어 모델 | 351~383 | 6 | 33 |
| T8. 공간과 신호 | S16. 3차원 비전 | 384~407 | 5 | 24 |
| T8. 공간과 신호 | S17. 음성과 오디오 | 408~428 | 4 | 21 |
| T9. 시스템과 운용 | S18. 연산과 최적화 | 429~444 | 4 | 16 |
| T9. 시스템과 운용 | S19. 모델 운용 | 445~462 | 4 | 18 |
| T9. 시스템과 운용 | S20. 안전과 거버넌스 | 463~474 | 3 | 12 |
| 합계 | 1~474 | 100 | 474 |
트랙과 과목 경계마다 그때까지의 학습이 하나의 직무로 완결됩니다. 자기 목표에 해당하는 지점까지만 가도 됩니다.
| 지점 | 도달 상태 |
|---|---|
| 32강 | 대학 수학을 읽을 준비를 마쳤습니다 |
| 157강 | 미적분, 선형대수, 확률과 통계를 갖춘 대학 수학 수료 상태입니다 |
| 200강 | 데이터를 다루고 분석하며 인과를 따질 수 있는 데이터 분석가 수준입니다 |
| 273강 | 모델을 설계하고 학습시킬 수 있는 머신러닝 엔지니어 수준입니다 |
| 297강 | 정책을 학습시키고 보상을 설계할 수 있는 강화학습 엔지니어 수준입니다 |
| 350강 | 언어모델의 학습, 정렬, 서빙을 수식으로 이해하는 LLM 엔지니어 수준입니다 |
| 383강 | 멀티모달 논문을 스스로 유도하고 검증하는 연구자 수준입니다 |
| 407강 | 여러 장의 사진에서 3차원 장면을 복원하고 생성하는 3차원 비전 엔지니어 수준입니다 |
| 428강 | 음성을 인식하고 합성하며 음성 대화 모델을 설계하는 엔지니어 수준입니다 |
| 444강 | 모델을 양자화하고 커널 수준에서 최적화하는 추론 최적화 엔지니어 수준입니다 |
| 462강 | 학습된 모델을 배포하고 감시하며 재학습 시점을 판단하는 플랫폼 엔지니어 수준입니다 |
| 474강 | 만든 모델의 안전성과 규제 적합성을 스스로 평가하고 문서화할 수 있는 상태입니다 |
강의 번호는 과목이 바뀌어도 초기화하지 않고 1번부터 474번까지 계속 이어집니다. 학습자는 어떤 책을 열지 고르거나 순서를 판단할 필요가 없습니다. 지금 몇 번 강의까지 풀었는지만 알면 다음에 무엇을 열지가 결정됩니다. 과목과 트랙은 내용을 묶어 부르는 이름일 뿐이며 학습 단위가 아닙니다.
모든 강의는 정의와 공식을 먼저 나열하지 않습니다. 아직 배우지 않은 상황을 문제로 먼저 던지고, 그 문제를 푸는 과정에서 정의와 공식을 끌어냅니다. 공식은 외워야 할 대상이 아니라 방금 푼 풀이를 짧게 줄인 것입니다. 한 문제는 다음 다섯 단계로 흐릅니다.
개념을 끌어내는 문제만으로는 그 개념의 문제 유형을 전부 익힐 수 없습니다. 그래서 모든 강의는 아래 네 겹을 빠짐없이 갖춥니다. 한 겹이라도 빠진 강의는 미완성으로 봅니다.
| 계층 | 위치 | 분량 | 역할 |
|---|---|---|---|
| 개념 문제 | 강의 본문 | 5~6문항, 문항마다 바로 확인 2~3개 | 정의와 공식을 문제에서 끌어냅니다 |
| 종합 문제 드릴 | 강의 끝 | 10~13문항 (기초·표준) | 그 강의의 모든 문제 유형을 한 번씩 훑습니다 |
| 심화 문제 | 강의 끝 | 4~6문항 | 조건을 비틀거나 두 개념을 엮어 응용력을 시험합니다 |
| 단원 문제집 | 단원 폴더 | 40~48문항 (기초·표준·심화) | 단원 전체를 섞어 시험 형태로 다시 풀립니다 |
정답이 하나로 떨어지지 않는 강의가 일부 있습니다. 시각화 진단(172강), 특성공학(228강), 보상 설계(290강), 벤치마크 설계(343강), 소형 모델 절충(444강), 배포와 되돌리기 기준(453강), 레드팀 커버리지(466강), 공정성 지표의 상충(473강)이 그렇습니다. 이런 강의는 심화 문제 자리에 판단 문제를 둡니다. 판단 문제는 선택지마다 근거와 반례를 함께 제시해 왜 그 선택이 나은지를 묻습니다.
S20 03단원 규제와 문서화는 단원 전체가 판단 문제로 이루어집니다. 다만 473강 공정성 지표의 상충은 여러 공정성 조건을 동시에 만족시킬 수 없다는 사실 자체를 수식으로 증명하므로 계산 문제를 함께 둡니다.
네 겹은 문제의 분량을 정하고, 그 안을 어떤 종류의 문제로 채울지는 문제 유형 지도가 정합니다. 474개 강의마다 반드시 담아야 할 유형을 계산형, 유도형, 판정형, 반례형, 설계형, 해석형, 근사형 일곱 가지로 나눠 적어 두었습니다. 강의를 쓰기 전에 그 강의의 줄을 먼저 읽고, 다 쓴 뒤에 빠진 유형이 없는지 셉니다.
n번 강의의 모든 풀이는 1번부터 n-1번까지에서 이미 끌어낸 도구만 씁니다. 뒤에 나올 개념을 미리 가져다 쓰지 않고, 앞에서 다루지 않은 도구를 설명 없이 쓰지 않습니다.
이 약속은 말로만 두면 지켜지지 않습니다. 그래서 아래 과목별 표에 단원마다 쓰는 앞 도구를 강의 번호로 적었습니다. 어떤 단원이 자기 시작 번호보다 큰 강의를 참조하고 있으면 그 자체가 설계 오류이므로, 표만 보고도 순서가 옳은지 검사할 수 있습니다.
모든 강의의 마지막에는 코드 검산 항목을 둡니다. 방금 손으로 푼 결과를 코드 몇 줄로 다시 계산해 같은 값이 나오는지 확인합니다. 손계산은 왜 그런지를 알려 주고 코드 검산은 틀리지 않았음을 알려 주므로, 둘을 함께 두어야 혼자 공부하는 사람이 자기 답을 신뢰할 수 있습니다. 쓰는 도구는 과목에 따라 아래로 제한합니다.
| 트랙 | 코드 검산에 쓰는 도구 |
|---|---|
| T1, T2 | numpy만 씁니다 |
| T3 | numpy, pandas, 표준 SQL을 씁니다 |
| T4, T5 | numpy, scikit-learn을 쓰고 신경망은 pytorch를 씁니다 |
| T6, T7 | pytorch를 쓰고 사전학습 모델은 불러 쓰기만 합니다 |
| T8 | pytorch를 쓰고 카메라 행렬과 스펙트로그램은 numpy로 직접 계산합니다 |
| T9 | numpy와 pytorch를 쓰고 성능 수치는 손계산한 예측값과 대조합니다 |
코드는 설명 도구이지 학습 대상이 아니므로 위 목록 밖의 라이브러리는 쓰지 않습니다.
과목 하나는 12강에서 37강으로 길고 전체는 474강이므로, 다음 단계로 넘어가도 되는지를 스스로 판단하기 어렵습니다. 그래서 열한 곳에 관문을 둡니다. 관문은 새 내용을 가르치지 않고, 앞에서 배운 것을 섞어 60~80문항으로 다시 묻기만 합니다. 정답률 80퍼센트를 넘지 못하면 지정된 단원으로 돌아갑니다.
| 관문 | 위치 | 범위 | 통과가 보증하는 것 |
|---|---|---|---|
| 관문 1 | 32강 뒤 | 1~32강 | 식을 자유롭게 다루고 증명을 읽고 쓸 수 있습니다 |
| 관문 2 | 61강 뒤 | 33~61강 | 한 변수 함수를 미분·적분하고 급수로 전개할 수 있습니다 |
| 관문 3. 선형대수와 최적화 | 120강 뒤 | 62~120강 | 행렬을 분해하고 다변수 최적화 문제를 풀 수 있습니다 |
| 관문 4. 확률과 통계 | 157강 뒤 | 121~157강 | 확률 모형을 세우고 데이터로 추정·검정할 수 있습니다 |
| 관문 5 | 200강 뒤 | 158~200강 | 실제 데이터를 분석하고 인과를 따질 수 있습니다 |
| 관문 6 | 273강 뒤 | 201~273강 | 모델을 설계하고 학습시키고 평가할 수 있습니다 |
| 관문 7 | 297강 뒤 | 274~297강 | 정책 경사를 유도하고 보상을 설계할 수 있습니다 |
| 관문 8 | 350강 뒤 | 298~350강 | 언어모델을 학습·정렬·서빙하는 전 과정을 계산할 수 있습니다 |
| 관문 9 | 383강 뒤 | 1~383강 | 논문의 수식을 스스로 유도하고 검증할 수 있습니다 |
| 관문 10 | 428강 뒤 | 384~428강 | 3차원 장면과 음성 신호를 수식으로 다룰 수 있습니다 |
| 관문 11 | 474강 뒤 | 1~474강 | 모델을 만들고 최적화하고 운용하고 감사할 수 있습니다 |
T1~T9, 과목 번호는 S1~S20을 쓰며, 폴더 이름에는 넣지 않고 이 문서와 각 과목 index에서만 표기합니다.01부터 두 자리로 매깁니다. 예를 들어 03. 미분의 활용입니다.62. 벡터와 벡터 연산입니다.확인 7-1, 확인 7-2로 씁니다.문제집 - {단원번호}. {단원명}으로 씁니다.Lecture/관문/관문 {번호}. {이름}으로 둡니다.각 표의 세 번째 열은 그 단원이 쓰는 앞 강의 번호입니다. 자기 단원의 시작 번호보다 큰 번호가 나오면 설계 오류입니다.
고등학교 수학 중에서 뒤에 실제로 쓰이는 것만 골라 다시 세웁니다. 배웠던 사람은 관문 1만 풀고 넘어가도 됩니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 수와 식 | 1. 실수와 수직선 / 2. 다항식의 연산 / 3. 인수분해 / 4. 유리식과 무리식 | 없음 |
| 02. 방정식과 부등식 | 5. 일차방정식과 이차방정식 / 6. 이차함수와 판별식 / 7. 연립방정식 / 8. 부등식과 절댓값 | 1~4강 |
| 03. 함수 | 9. 함수의 개념과 그래프 / 10. 다항함수와 유리함수 / 11. 합성함수와 역함수 / 12. 그래프의 평행이동과 대칭 | 5~8강 |
| 04. 지수, 로그, 삼각 | 13. 지수와 지수함수 / 14. 로그와 로그함수 / 15. 삼각비와 단위원 / 16. 삼각함수의 그래프 / 17. 삼각항등식 | 9~12강 |
| 05. 수열과 셈 | 18. 등차수열과 등비수열, 시그마 / 19. 순열과 조합 / 20. 이항정리 | 9~12강, 13~17강 |
정의를 읽고 증명을 쓰는 문법을 갖춥니다. 뒤의 모든 과목이 여기의 기호를 씁니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 논리와 증명 | 21. 명제와 논리 연결사 / 22. 한정 기호와 부정 / 23. 직접증명과 대우증명 / 24. 귀류법과 반례 찾기 / 25. 수학적 귀납법 | 1~4강 |
| 02. 집합과 함수 | 26. 집합의 연산 / 27. 함수, 단사와 전사 / 28. 합성과 역함수의 엄밀한 정의 / 29. 무한집합과 셀 수 있음 | 21~25강, 9~12강 |
| 03. 수와 식의 구조 | 30. 복소수와 극형식 / 31. 합 기호와 곱 기호의 조작 / 32. 점화식과 닫힌 형태 | 26~29강, 13~17강, 18~20강 |
한 변수 함수의 변화율과 누적량을 다루고, 복잡한 함수를 다항식과 삼각파로 분해하는 데까지 갑니다. 마지막 단원의 푸리에는 중심극한정리(143강), 합성곱(248강), 위치 인코딩(256강), 스펙트로그램(410강)에서 다시 쓰입니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 극한과 연속 | 33. 수열의 극한 / 34. 함수의 극한과 극한법칙 / 35. 연속과 불연속 / 36. 중간값 정리와 최대·최소 정리 | 26~29강, 30~32강 |
| 02. 미분 | 37. 미분계수와 도함수 / 38. 곱, 몫, 연쇄법칙 / 39. 초월함수의 미분 / 40. 음함수와 역함수의 미분 / 41. 고계도함수 | 33~36강, 13~17강 |
| 03. 미분의 활용 | 42. 평균값 정리 / 43. 증가와 감소, 극값 / 44. 볼록성과 변곡점 / 45. 로피탈 정리와 부정형 / 46. 한 변수 최적화 문제 / 47. 뉴턴법과 수치적 근 찾기 | 37~41강 |
| 04. 적분 | 48. 리만합과 정적분 / 49. 미적분의 기본정리 / 50. 치환적분 / 51. 부분적분 / 52. 부분분수와 유리함수의 적분 / 53. 이상적분 | 42~47강, 30~32강 |
| 05. 급수와 근사 | 54. 무한급수와 수렴판정 / 55. 멱급수와 수렴반경 / 56. 테일러 급수 / 57. 테일러 근사와 오차 평가 | 48~53강, 18~20강 |
| 06. 복소지수와 푸리에 | 58. 오일러 공식과 복소지수 / 59. 푸리에 급수 / 60. 푸리에 변환 / 61. 합성곱 정리 | 30~32강, 54~57강, 48~53강 |
행렬을 숫자 표가 아니라 공간을 옮기는 변환으로 읽습니다. 마지막 단원에서 계산이 언제 믿을 수 없게 되는지를 다루며, 이 내용은 그래디언트 폭발(246강), 플래시어텐션(306강), 부동소수점 형식(429강)에서 다시 쓰입니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 벡터와 기하 | 62. 벡터와 벡터 연산 / 63. 내적, 길이, 각도 / 64. 정사영 / 65. 외적과 직선·평면의 방정식 | 13~17강, 5~8강 |
| 02. 행렬과 연립방정식 | 66. 행렬 연산 / 67. 가우스 소거법 / 68. 기약행사다리꼴과 해의 구조 / 69. 역행렬 / 70. LU 분해 | 62~65강 |
| 03. 벡터공간 | 71. 벡터공간과 부분공간 / 72. 일차독립과 기저 / 73. 차원과 계수 / 74. 네 가지 기본 부분공간 / 75. 좌표와 기저 변환 | 66~70강, 21~25강 |
| 04. 선형변환과 행렬식 | 76. 선형변환 / 77. 표현행렬과 닮음 / 78. 행렬식의 계산 / 79. 행렬식의 기하적 의미 | 71~75강, 26~29강 |
| 05. 직교성과 최소제곱 | 80. 직교기저와 그람슈미트 과정 / 81. QR 분해 / 82. 최소제곱과 정규방정식 / 83. 정사영 행렬과 회귀의 기하 | 76~79강, 62~65강, 42~47강 |
| 06. 고유값과 분해 | 84. 고유값과 고유벡터 / 85. 대각화 / 86. 대칭행렬과 스펙트럼 정리 / 87. 이차형식과 양정치성 / 88. 특이값 분해 / 89. 저계수 근사와 주성분분석 | 76~79강, 80~83강 |
| 07. 수치와 안정성 | 90. 벡터 노름과 행렬 노름 / 91. 조건수와 오차 증폭 / 92. 부동소수점과 수치적으로 안전한 계산 | 84~89강, 13~17강, 54~57강 |
미분을 여러 변수로 확장하고 그 위에서 최적화 알고리즘을 유도합니다. 경사하강법이 왜 그렇게 생겼는지를 수식으로 답하고, 마지막 단원에서 최적화를 시간에 따라 흐르는 미분방정식으로 다시 봅니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 다변수 미분 | 93. 다변수 함수와 등고선 / 94. 편미분 / 95. 전미분과 기울기 벡터 / 96. 방향도함수 / 97. 다변수 연쇄법칙 / 98. 야코비 행렬 | 37~41강, 62~70강 |
| 02. 이차 근사와 임계점 | 99. 헤세 행렬 / 100. 다변수 테일러 근사 / 101. 임계점의 분류 / 102. 곡선의 곡률과 곡면의 휘어짐 | 93~98강, 54~57강, 84~89강 |
| 03. 다변수 적분 | 103. 이중적분 / 104. 극좌표에서의 적분 / 105. 변수변환과 야코비 행렬식 / 106. 삼중적분과 부피 | 48~53강, 93~98강, 76~79강 |
| 04. 볼록성과 경사법 | 107. 볼록집합과 볼록함수 / 108. 볼록성 판정과 부등식 / 109. 경사하강법 / 110. 학습률과 수렴 속도 / 111. 모멘텀과 적응적 학습률 / 112. 뉴턴법과 이차 방법 | 99~102강, 42~47강, 90~92강 |
| 05. 제약이 있는 최적화 | 113. 등식 제약과 라그랑주 승수 / 114. 부등식 제약과 KKT 조건 / 115. 쌍대 문제 입문 / 116. 정규화를 제약으로 읽기 | 107~112강, 71~75강 |
| 06. 미분방정식과 흐름 | 117. 1계 미분방정식 / 118. 선형 미분방정식과 안정성 / 119. 경사흐름과 연속시간 최적화 / 120. 수치 적분법: 오일러법과 룽게쿠타법 | 48~53강, 84~89강, 107~112강 |
불확실성을 수로 다루고, 데이터에서 모수를 추정하고 판단하는 절차를 세웁니다. 마지막 단원의 확률과정은 강화학습(274강), 확산모형(266강), 은닉 마르코프 모형(414강)의 공통 기반이 됩니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 확률의 언어 | 121. 표본공간과 사건 / 122. 확률의 공리와 셈 / 123. 조건부확률 / 124. 독립과 조건부 독립 / 125. 베이즈 정리 | 26~29강, 18~20강 |
| 02. 확률변수와 분포 | 126. 확률변수와 분포함수 / 127. 베르누이와 이항분포 / 128. 포아송분포와 기하분포 / 129. 연속확률변수와 확률밀도 / 130. 정규분포 / 131. 지수분포와 감마분포 | 121~125강, 48~53강 |
| 03. 기댓값과 적률 | 132. 기댓값 / 133. 분산과 표준편차 / 134. 적률과 적률생성함수 / 135. 마르코프 부등식과 체비쇼프 부등식 | 126~131강, 54~57강 |
| 04. 여러 변수의 확률 | 136. 결합분포와 주변분포 / 137. 조건부분포와 조건부기댓값 / 138. 공분산과 상관계수 / 139. 확률변수의 변환 / 140. 다변량 정규분포 / 141. 독립인 확률변수 합의 분포 | 132~135강, 103~106강, 84~89강 |
| 05. 표본과 극한 | 142. 큰 수의 법칙 / 143. 특성함수와 중심극한정리 / 144. 표본평균과 표본분산의 분포 / 145. 카이제곱분포, t분포, F분포 / 146. 호에프딩 부등식과 집중 현상 / 147. 몬테카를로 추정 | 136~141강, 58~61강 |
| 06. 추론 | 148. 점추정과 좋은 추정량의 조건 / 149. 최대우도추정 / 150. 사전분포와 최대사후추정 / 151. 신뢰구간 / 152. 가설검정 / 153. 선형회귀의 통계적 해석 | 142~147강, 107~116강, 80~83강 |
| 07. 확률과정 | 154. 마르코프 연쇄 / 155. 정상분포와 수렴 / 156. 랜덤워크와 확산 / 157. MCMC와 깁스 샘플링 | 121~125강, 84~89강, 117~120강 |
여기서 처음으로 실제 데이터를 만집니다. 앞의 확률과 통계가 이론이었다면 이 과목은 그 이론을 데이터에 대는 법입니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 데이터를 손에 넣기 | 158. 데이터 타입과 스키마 / 159. 관계형 질의의 논리 / 160. 조인과 집계 / 161. 결측값과 이상치 / 162. 정제와 변환 파이프라인 | 26~29강, 21~25강 |
| 02. 기술통계 | 163. 중심과 퍼짐 / 164. 분포의 모양: 왜도와 첨도 / 165. 분위수와 상자그림 / 166. 두 변수의 관계 요약 / 167. 범주형 자료의 요약 | 158~162강, 132~135강 |
| 03. 탐색과 시각화 | 168. 시각화의 문법 / 169. 분포를 보는 그림 / 170. 관계를 보는 그림 / 171. 다변량 탐색과 차원축소 활용 / 172. 잘못된 그래프 진단하기 | 163~167강, 136~141강 |
| 04. 표본과 조사 설계 | 173. 표본추출법 / 174. 표본오차와 표본 크기 / 175. 층화와 가중치 / 176. 측정 오차와 응답 편향 / 177. 관측 데이터의 함정 | 142~147강, 163~167강 |
검정과 회귀를 실제 데이터에 적용하고, 상관을 인과로 착각하지 않는 법까지 갑니다. 200강이 데이터 분석 트랙의 수료 지점입니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 검정의 실제 | 178. 두 집단 비교와 t검정 / 179. 등분산 가정과 비모수 대안 / 180. 분산분석 / 181. 카이제곱 독립성 검정 / 182. 다중비교 보정 / 183. 검정력과 표본 크기 산정 | 148~153강, 173~177강 |
| 02. 회귀분석 | 184. 단순회귀와 잔차 진단 / 185. 다중회귀의 해석 / 186. 더미변수와 교호작용 / 187. 다중공선성 / 188. 이분산과 강건표준오차 / 189. 변수선택과 모형 비교 / 190. 로지스틱 회귀와 오즈비 | 148~153강, 80~83강, 178~183강 |
| 03. 인과추론 | 191. 교란과 선택편향 / 192. 무작위 대조시험 / 193. 성향점수 매칭 / 194. 이중차분법 / 195. 도구변수 | 184~190강, 121~125강 |
| 04. 시계열 | 196. 시계열의 구조 / 197. 자기회귀와 이동평균 / 198. 정상성과 차분 / 199. 예측과 예측구간 / 200. 계절성과 실무 적용 | 184~190강, 154~157강, 58~61강 |
손실함수를 확률로 유도하는 것에서 시작해 고전 알고리즘 전반과 평가까지 다룹니다. 딥러닝에 들어가기 전에 갖춰야 할 판단 기준이 여기서 만들어집니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 정보의 양 | 201. 정보량과 엔트로피 / 202. 결합엔트로피, 조건부엔트로피, 상호정보량 / 203. KL 발산 / 204. 교차엔트로피와 손실함수의 유도 | 13~17강, 132~141강, 107~108강 |
| 02. 학습을 최적화로 쓰기 | 205. 손실함수와 경험적 위험 최소화 / 206. 최대우도와 손실함수의 대응 / 207. 선형회귀를 처음부터 유도하기 / 208. 로지스틱 회귀의 학습 / 209. 소프트맥스 회귀와 다중분류 | 201~204강, 148~153강, 80~83강 |
| 03. 일반화의 수학 | 210. 편향과 분산의 분해 / 211. L1과 L2 정규화의 수학 / 212. 교차검증과 추정의 분산 / 213. 차원의 저주와 측도의 집중 / 214. 모델 복잡도와 과적합 | 132~135강, 142~147강, 113~116강 |
| 04. 고전 지도학습 | 215. k최근접이웃 / 216. 나이브 베이즈 / 217. 의사결정나무 / 218. 랜덤포레스트 / 219. 그래디언트 부스팅 / 220. 서포트 벡터 머신과 커널 | 205~209강, 210~214강, 121~125강, 84~89강 |
| 05. 비지도학습 | 221. k평균 군집 / 222. 계층적 군집과 밀도 기반 군집 / 223. 가우시안 혼합과 EM 알고리즘 / 224. 주성분분석의 활용과 t-SNE / 225. 이상탐지 | 215~220강, 84~89강, 136~141강 |
| 06. 평가와 실무 | 226. 분류 평가지표와 ROC 곡선 / 227. 불균형 데이터 다루기 / 228. 특성공학 / 229. 하이퍼파라미터 탐색 / 230. 모형 해석과 변수 중요도 | 215~225강, 178~183강, 168~172강 |
신경망의 모든 연산을 손으로 계산합니다. 어텐션을 유도한 뒤 마지막 단원에서 그래프로 확장해, 어텐션이 완전 그래프 위의 메시지 패싱임을 확인합니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 행렬미분과 역전파 | 231. 벡터와 행렬에 대한 미분 규칙 / 232. 계산 그래프 / 233. 역전파 알고리즘 / 234. 벡터화된 그래디언트 직접 유도하기 | 93~98강, 66~70강, 205~209강 |
| 02. 확률적 최적화 | 235. 미니배치 그래디언트의 분산 / 236. SGD의 수렴 조건 / 237. 배치 크기와 학습률의 관계 / 238. 그래디언트 잡음과 분산 감소 | 132~135강, 107~112강, 231~234강 |
| 03. 신경망의 구성 | 239. 퍼셉트론과 다층 신경망 / 240. 활성화 함수의 수학 / 241. 보편근사정리가 말하는 것 / 242. 층을 지나는 그래디언트 | 231~238강, 33~36강 |
| 04. 학습을 안정시키는 수학 | 243. 가중치 초기화와 분산 계산 / 244. 배치 정규화 / 245. 층 정규화와 잔차 연결 / 246. 그래디언트 소실과 폭발 / 247. 아담 최적화기의 수식 | 239~242강, 132~135강, 90~92강 |
| 05. 구조에 담긴 수학 | 248. 합성곱 연산 / 249. 파라미터 수와 수용영역 계산 / 250. 풀링과 다운샘플링 / 251. 순환 구조와 시간축 역전파 | 58~61강, 239~242강, 231~234강 |
| 06. 어텐션과 트랜스포머 | 252. 임베딩 공간과 유사도 / 253. 어텐션 메커니즘 / 254. 스케일드 닷프로덕트의 스케일 근거 / 255. 멀티헤드 어텐션 / 256. 위치 인코딩과 회전 위치 임베딩 / 257. 트랜스포머 블록의 계산량 | 62~65강, 90~92강, 58~61강, 248~251강 |
| 07. 그래프 신경망 | 258. 그래프의 행렬 표현 / 259. 메시지 패싱 / 260. 그래프 합성곱과 그래프 어텐션 / 261. 어텐션과 그래프의 관계 | 66~70강, 252~257강, 231~234강 |
데이터를 분류하는 것에서 데이터를 만들어 내는 것으로 넘어갑니다. 여기의 확산모형은 이미지 생성(371강)과 음성 합성(420강)에서 그대로 쓰입니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 잠재변수 모형 | 262. 잠재변수와 오토인코더 / 263. 변분추론과 ELBO / 264. VAE의 유도 / 265. 재매개변수화 기법 | 148~153강, 201~204강, 239~247강 |
| 02. 확산모형 | 266. 전방 과정과 마르코프 연쇄 / 267. 역방향 과정의 유도 / 268. 확산 손실의 유도 / 269. 점수 함수와 점수 정합 / 270. 확률흐름 ODE와 샘플링 | 154~157강, 117~120강, 262~265강 |
| 03. 그 외 생성 모형 | 271. 자기회귀 생성 / 272. GAN의 최소최대 목적함수 / 273. 흐름 기반 모형 | 262~270강, 113~116강, 252~257강 |
정답이 주어지지 않고 보상만 주어질 때 배우는 법을 다룹니다. 마지막 단원에서 언어모델의 토큰 생성을 마르코프 결정과정으로 다시 보아, 다음 트랙의 정렬 알고리즘으로 바로 이어집니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 순차적 의사결정 | 274. 마르코프 결정과정 / 275. 가치함수와 벨만 방정식 / 276. 정책과 최적 정책 / 277. 정책 반복과 가치 반복 / 278. 탐색과 활용의 균형 | 154~157강, 136~141강, 30~32강 |
| 02. 모델 없는 학습 | 279. 몬테카를로 예측 / 280. 시간차 학습 / 281. Q러닝 / 282. SARSA와 온폴리시 학습 / 283. 함수근사와 심층 Q 신경망 | 274~278강, 142~147강, 235~238강 |
| 03. 정책 경사 | 284. 정책 경사 정리 / 285. REINFORCE / 286. 기준선과 분산 감소 / 287. 액터 크리틱 / 288. 신뢰영역과 TRPO / 289. PPO의 유도 | 279~283강, 231~234강, 107~116강 |
| 04. 보상과 오프라인 학습 | 290. 보상 설계와 보상 해킹 / 291. 역강화학습 개요 / 292. 검증 가능한 보상 / 293. 오프라인 강화학습 | 284~289강, 148~153강, 210~214강 |
| 05. 언어모델을 위한 강화학습 | 294. 토큰 생성을 마르코프 결정과정으로 보기 / 295. 샘플링 기반 이점 추정 / 296. GRPO의 유도 / 297. KL 페널티와 참조 정책 | 284~293강, 201~204강, 252~257강 |
교과서 트랜스포머가 아니라 실제 모델이 쓰는 구조를 다룹니다. 마지막 단원에서 한 대의 장비에 올라가지 않는 모델을 어떻게 나눠 학습시키는지까지 갑니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 토큰과 표현 | 298. 토큰화와 BPE / 299. 임베딩 행렬과 어휘 / 300. 언어모델의 확률 분해 / 301. 교차엔트로피와 퍼플렉시티 / 302. 문맥 길이와 위치 표현 | 252~257강, 201~204강, 158~162강 |
| 02. 현대 트랜스포머 아키텍처 | 303. 사전 정규화와 RMSNorm / 304. SwiGLU와 피드포워드 설계 / 305. 그룹 질의 어텐션과 다중 질의 어텐션 / 306. 플래시어텐션과 입출력 인지 계산 / 307. 슬라이딩 윈도우와 희소 어텐션 | 298~302강, 243~247강, 90~92강 |
| 03. 긴 문맥과 대안 구조 | 308. 위치 외삽과 문맥 확장 / 309. 상태공간모형 / 310. 선형 어텐션과 순환 하이브리드 / 311. 전문가 혼합과 적응적 계산 | 303~307강, 58~61강, 117~120강 |
| 04. 사전학습 | 312. 사전학습 목적함수 / 313. 데이터 수집과 중복 제거 / 314. 스케일링 법칙 / 315. 학습 안정화와 혼합 정밀도 / 316. 계산량과 자원 산정 | 298~302강, 235~238강, 210~214강 |
| 05. 분산학습 | 317. 데이터 병렬과 그래디언트 동기화 / 318. 텐서 병렬 / 319. 파이프라인 병렬 / 320. ZeRO와 완전 샤딩 / 321. 통신 비용과 확장 한계 | 312~316강, 231~238강, 90~92강 |
사전학습을 마친 모델을 사람이 쓸 수 있게 만드는 과정을 다룹니다. 앞 트랙의 강화학습이 여기서 정렬 알고리즘으로 쓰입니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 적응과 미세조정 | 322. 지도 미세조정 / 323. LoRA와 저계수 적응 / 324. QLoRA와 양자화 적응 / 325. 지시 데이터 설계 / 326. 파국적 망각과 혼합 학습 | 298~321강, 84~89강, 210~214강 |
| 02. 선호 정렬 | 327. 선호 데이터와 브래들리 테리 모형 / 328. 보상 모형의 최대우도 / 329. KL 제약이 있는 정책 최적화 / 330. RLHF의 전체 구조 / 331. DPO 목적함수의 유도 | 322~326강, 284~297강, 148~153강 |
| 03. 추론 능력 | 332. 문맥 내 학습 / 333. 사고사슬과 단계적 추론 / 334. 테스트 시점 계산 확장 / 335. 과정 보상 모형과 검증자 / 336. 자기일관성과 다수결 표집 | 327~331강, 290~293강, 142~147강 |
| 04. 생성과 서빙 | 337. 탐욕 탐색과 빔 탐색 / 338. 온도, top-k, top-p 샘플링 / 339. KV 캐시와 페이지드 어텐션 / 340. 투기적 디코딩 / 341. 연속 배칭, 지연, 처리량 | 298~311강, 121~131강, 90~92강 |
| 05. 한계와 해석 | 342. 환각의 구조 / 343. 평가와 벤치마크 설계 / 344. 데이터 오염과 누수 / 345. 활성화 패칭과 회로 분석 / 346. 희소 오토인코더와 특징 해석 | 332~341강, 178~183강, 226~230강, 262~265강 |
| 06. 확장과 응용 | 347. 검색 증강 생성 / 348. 도구 사용과 함수 호출 / 349. 에이전트 루프와 계획 / 350. 다중 에이전트와 오케스트레이션 | 342~346강, 62~65강, 221~225강 |
이미지와 텍스트를 같은 공간에 놓는 수학을 다루고, 마지막 강의에서 실제 논문 한 편을 수식으로 완독합니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 이미지의 수학 | 351. 이미지 좌표계와 텐서 표현 / 352. 아핀 변환과 동차좌표 / 353. 보간과 리샘플링 / 354. 특징맵과 수용영역 / 355. 패치 분할과 ViT의 입력 | 76~79강, 62~65강, 248~251강 |
| 02. 검출과 분할 | 356. 경계상자와 IoU / 357. 비최대 억제 / 358. 헝가리안 매칭과 집합 예측 / 359. 분할 마스크와 프롬프트 기반 분할 | 351~355강, 19~20강, 113~116강 |
| 03. 두 양식을 잇기 | 360. 공유 임베딩 공간 / 361. 대조학습과 InfoNCE / 362. CLIP 손실의 유도 / 363. 교차 어텐션 / 364. 투영층과 표현 정렬 | 351~359강, 201~204강, 252~257강 |
| 04. VLM 아키텍처와 학습 | 365. 인코더 디코더와 디코더 전용 구조 / 366. 커넥터와 Q-Former / 367. 해상도와 토큰 예산 / 368. 이미지 텍스트 데이터 설계 / 369. 멀티모달 지시 조정 / 370. 멀티모달 선호학습 | 360~364강, 298~321강, 322~331강 |
| 05. 이미지 생성 | 371. 잠재 확산 / 372. 분류자 없는 가이던스 / 373. 확산 트랜스포머 / 374. 조건부 생성과 구조 제어 / 375. 편집과 인페인팅 / 376. 텍스트 조건 정렬의 평가 | 262~273강, 365~370강, 117~120강 |
| 06. 확장과 독해 | 377. 그라운딩과 영역 참조 / 378. 멀티모달 환각과 충실성 / 379. 비디오와 시간축 / 380. 음성과 대화 확장 / 381. 멀티모달 검색 증강과 에이전트 / 382. 시각 언어 행동 모델 / 383. 멀티모달 논문 한 편을 수식으로 읽기 | 371~376강, 347~350강, 294~297강 |
앞의 T7까지는 이미지를 평면 위의 픽셀 배열로만 다뤘습니다. 이 과목은 그 평면 뒤에 있는 3차원 세계를 복원합니다. 카메라가 세계를 어떻게 평면에 눌러 담는지를 행렬로 쓰는 것에서 시작해, 여러 장의 사진에서 형상을 되찾고, 마지막에는 장면 자체를 신경망으로 표현하고 생성합니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 카메라와 사영기하 | 384. 동차좌표와 사영변환 / 385. 핀홀 카메라 모델과 내부 파라미터 / 386. 외부 파라미터와 강체 변환 / 387. 렌즈 왜곡과 보정 / 388. 재사영 오차와 카메라 보정 | 351~355강, 76~79강, 62~65강 |
| 02. 두 시점의 기하 | 389. 에피폴라 기하와 기본행렬 / 390. 필수행렬과 자세 복원 / 391. 삼각측량으로 점 복원하기 / 392. RANSAC과 강건 추정 / 393. 번들 조정과 비선형 최소제곱 | 384~388강, 84~92강, 107~112강, 121~131강 |
| 03. 깊이와 점군 | 394. 스테레오 정합과 시차에서 깊이 구하기 / 395. 단안 깊이 추정과 척도 모호성 / 396. 점군 표현과 최근접점 정합 / 397. 복셀과 부호거리함수 | 389~393강, 103~106강, 215~220강 |
| 04. 신경 장면 표현 | 398. 부피 렌더링 방정식 / 399. 신경 복사장의 구성 / 400. 위치 인코딩과 계층적 표본화 / 401. 3차원 가우시안 스플래팅 / 402. 미분 가능 래스터화 | 394~397강, 48~53강, 239~247강, 252~257강 |
| 05. 3차원 생성과 응용 | 403. 다시점 일관성과 점수 증류 / 404. 텍스트 조건 3차원 생성 / 405. 메시와 표면 복원 / 406. 물체 자세 추정과 추적 / 407. 3차원 인식과 언어모델의 결합 | 398~402강, 371~376강, 365~370강 |
380강에서 개요만 짚고 넘어간 음성을 여기서 본격적으로 다룹니다. 소리를 수로 바꾸는 표본화에서 시작해, 길이가 다른 음성과 글자를 맞추는 정렬 문제를 동적계획법으로 풀고, 마지막에는 사람과 실시간으로 주고받는 음성 대화 모델의 구조까지 갑니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 소리의 표현 | 408. 표본화 정리와 에일리어싱 / 409. 이산 푸리에 변환과 창함수 / 410. 단시간 푸리에 변환과 스펙트로그램 / 411. 멜 척도와 필터뱅크 / 412. 켑스트럼과 음향 특징 | 58~61강, 30~32강, 351~355강 |
| 02. 음성 인식 | 413. 정렬 문제와 동적계획법 / 414. 은닉 마르코프 모형과 전향 후향 알고리즘 / 415. 연결주의 시간분류의 정의 / 416. CTC 손실의 동적계획 계산 / 417. 주의집중 기반 인코더 디코더 / 418. 언어모델 결합과 디코딩 | 408~412강, 154~157강, 248~251강, 337~341강 |
| 03. 음성 합성과 코덱 | 419. 음향 모형과 보코더 / 420. 확산 기반 음성 합성 / 421. 신경 오디오 코덱과 잔차 벡터 양자화 / 422. 이산 오디오 토큰과 언어모델 / 423. 화자 표현과 음성 변환 | 413~418강, 262~273강, 298~302강 |
| 04. 오디오 언어모델 | 424. 자기지도 음성 표현학습 / 425. 대규모 약지도 학습과 다국어 전이 / 426. 음성 대화 모델의 구조 / 427. 스트리밍 추론과 지연 예산 / 428. 전이중 대화와 끼어들기 처리 | 419~423강, 360~364강, 337~341강 |
여기까지 유도한 수식은 실제 장비 위에서 돌아가야 의미가 있습니다. 이 과목은 연산이 왜 느린지를 계산으로 설명하고, 같은 결과를 더 적은 자원으로 내는 방법을 유도합니다. 306강에서 구조만 본 플래시어텐션을 여기서는 메모리 왕복 횟수로 직접 계산합니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 하드웨어와 성능 모형 | 429. 부동소수점 형식과 혼합 정밀도 / 430. 메모리 계층과 대역폭 / 431. 산술 강도와 루프라인 모형 / 432. 병렬 실행 모형과 점유율 | 90~92강, 312~316강, 317~321강 |
| 02. 커널 설계 | 433. 타일링과 공유 메모리 / 434. 행렬곱 커널의 성능 분석 / 435. 연산 융합과 메모리 왕복 줄이기 / 436. 어텐션 커널의 입출력 분석 | 429~432강, 66~70강, 303~307강 |
| 03. 양자화와 압축 | 437. 균일 양자화와 척도 결정 / 438. 학습 후 양자화 / 439. 이상치와 채널별 양자화 / 440. 양자화 인지 학습 / 441. 가지치기와 희소성 | 433~436강, 322~326강, 231~238강 |
| 04. 증류와 경량화 | 442. 지식 증류의 목적함수 / 443. 중간 표현 증류 / 444. 소형 모델 설계와 성능 절충 | 437~441강, 201~204강, 312~316강 |
학습이 끝난 모델은 배포된 다음부터 진짜 문제를 만납니다. 이 과목은 배포 판단과 감시를 감이 아니라 계산으로 하는 법을 다룹니다. T3에서 세운 검정과 T8까지 쌓은 모델 지식이 여기서 운영 판단의 근거로 쓰입니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 데이터와 재현성 | 445. 데이터 계보와 버전 관리 / 446. 학습과 서빙의 특성 불일치 / 447. 레이블 품질과 평가자 합의도 / 448. 난수 제어와 실험 재현성 | 158~162강, 226~230강, 121~131강 |
| 02. 평가와 배포 | 449. 오프라인 평가와 온라인 평가의 괴리 / 450. A/B 시험 설계와 표본 크기 산정 / 451. 순차 검정과 조기 종료 / 452. 다중 지표와 보호 지표 / 453. 점진 배포와 되돌리기 기준 | 445~448강, 178~183강, 191~195강 |
| 03. 감시와 이상 탐지 | 454. 공변량 이동의 검정 / 455. 개념 이동과 성능 저하 탐지 / 456. 예측 분포 감시와 지연 라벨 / 457. 경보 임계값과 오경보율 / 458. 재학습 시점 판단 | 449~453강, 196~200강, 221~225강 |
| 04. 서빙 시스템 | 459. 지연과 처리량의 절충 / 460. 대기행렬 모형과 꼬리 지연 / 461. 자원 산정과 비용 모형 / 462. 캐시와 라우팅 설계 | 454~458강, 337~341강, 154~157강 |
만든 모델이 무엇을 잘못할 수 있는지를 측정하고 문서로 남기는 과정을 다룹니다. 안전 평가와 프라이버시는 확률과 검정으로 계산할 수 있으므로 다른 과목과 같은 문제 형식을 씁니다. 규제와 문서화는 정답이 하나로 떨어지지 않으므로 판단 문제로 다룹니다.
| 단원 | 강의 | 쓰는 앞 도구 |
|---|---|---|
| 01. 안전 평가 | 463. 유해성 평가의 설계 / 464. 적대적 프롬프트와 탈옥 / 465. 프롬프트 주입과 신뢰 경계 / 466. 레드팀 절차와 커버리지 측정 | 342~346강, 347~350강, 178~183강 |
| 02. 프라이버시와 데이터 권리 | 467. 기억과 학습 데이터 추출 / 468. 차분 프라이버시의 정의 / 469. 차분 프라이버시 확률경사하강법 / 470. 데이터 삭제와 기계 망각 | 463~466강, 132~141강, 235~238강 |
| 03. 규제와 문서화 | 471. 위험 기반 규제 체계 읽기 / 472. 모델 문서와 데이터 문서 / 473. 편향 측정과 공정성 지표의 상충 / 474. 감사 추적과 설명 요구 대응 | 467~470강, 226~230강, 445~462강 |
빠짐없이 담았다고 말하지 않기 위해, 의도적으로 뺀 것을 적어 둡니다.
기존 일곱 교본은 앞 세 단원만 채워진 상태이고 순서도 선수 관계와 어긋나 있습니다. 폐기하지 않고 아래와 같이 새 자리로 옮깁니다.
| 기존 교본 | 새 자리 | 처리 방법 |
|---|---|---|
| 대학수학 | S2 수학의 언어 | 논리, 집합, 증명 단원을 문제풀이 선행형으로 전환해 옮깁니다. 지수와 로그, 삼각함수, 순열과 조합은 앞에 새로 놓이는 S1으로 내려갑니다. 복소해석과 해석학 입문은 이 트랙에서 쓰이지 않으므로 뺍니다. |
| 미적분학 | S3과 S5로 나눔 | 한 변수 부분은 S3으로, 다변수 부분은 S5로 갈라 옮깁니다. 결번인 6강 자리는 새 번호 체계에서 사라집니다. |
| 기하학 | 해체 | 삼각비와 삼각함수는 15~17강, 벡터기하는 62~65강, 미분기하는 102강, 변환기하는 352강, 사영기하는 384~388강으로 나누어 심습니다. |
| 선형대수학 | S4 | 기존 10강을 확장해 31강으로 채웁니다. 07단원 수치와 안정성은 새로 씁니다. |
| 확률과 통계 | S6 | 재편 전 교본의 13강은 강의 분할과 문제 계층이 새 규격과 달라 참고만 하고, 121~157강을 새 규격으로 다시 씁니다. |
| AI를 위한 수학 | S9, S10, S11로 나눔 | 한 강의에 여러 주제가 뭉쳐 있으므로 주제 단위로 잘게 쪼갭니다. 기존 42강은 집필 소재로 씁니다. |
| VLM을 위한 수학과 구조 | S13, S14, S15로 나눔 | 언어모델 구조와 학습은 S13, 정렬과 운용은 S14, 이미지와 멀티모달은 S15로 갈라 옮깁니다. 기존 40강은 전 강의가 스텁 상태이므로 집필 소재로만 씁니다. |
S12 강화학습과 T8, T9의 다섯 과목은 기존 교본에 대응하는 자리가 없으므로 전부 새로 씁니다.
풀스택실전스터디와 연구 방법론은 문제와 정답이 하나로 정해지는 과목이 아니므로 네 겹 문제 계층 대신 과제와 체크리스트를 씁니다. 다만 연구 방법론의 03. 통계 읽기 단원은 S8 01단원과 내용이 겹치므로, 계산은 S8로 옮기고 연구 방법론은 연구 설계와 재현성에 집중하도록 정리합니다. 풀스택실전스터디의 배포 실습은 S19가 계산으로 다루는 판단 기준과 짝을 이루므로, S19는 수식과 판단을 맡고 풀스택실전스터디는 실제 도구 조작을 맡도록 나눕니다.
번호 순서대로 씁니다. n번 강의를 쓰려면 1번부터 n-1번까지 무엇을 끌어냈는지 확정되어 있어야 하므로, 앞에서부터 쓰는 것 말고 다른 순서로는 원칙을 지킬 수 없습니다.
현재까지 **S1(1~20강), S2(21~32강), S3(33~61강), S4 선형대수학 전체(62~92강), S5 다변수 미적분과 최적화 전체(93~120강), 관문 1부터 관문 4까지, S6 확률과 통계 전체(121~157강), S7 데이터 분석 전체(158~177강), 그리고 S8 0102단원(178190강)**이 집필되었습니다. 다음 차례는 191강부터 시작하는 S8 03단원 인과추론입니다.
| 순서 | 과목 | 분량 | 비고 |
|---|---|---|---|
| 1 | S1 수학 기초 다지기 | 20강 + 문제집 5권 | 기호 규약을 여기서 확정합니다 |
| 2 | S2 수학의 언어 | 12강 + 문제집 3권 | 뒤에 관문 1을 둡니다 |
| 3 | S3 미적분학 I | 29강 + 문제집 6권 | 뒤에 관문 2를 둡니다 |
| 4 | S4 선형대수학 | 31강 + 문제집 7권 | |
| 5 | S5 다변수 미적분과 최적화 | 28강 + 문제집 6권 | 뒤에 관문 3을 둡니다 |
| 6 | S6 확률과 통계 | 37강 + 문제집 7권 | 121~157강 전체를 집필했습니다. 뒤에 관문 4를 둡니다 |
| 7 | S7 데이터 분석: 탐색과 기술 | 20강 + 문제집 4권 | 전체(158~177강)를 집필했습니다 |
| 8 | S8 데이터 분석: 추론과 모형 | 23강 + 문제집 4권 | 0102단원(178190강)을 집필했습니다. 뒤에 관문 5를 둡니다 |
| 9 | S9 머신러닝 | 30강 + 문제집 6권 | |
| 10 | S10 딥러닝 | 31강 + 문제집 7권 | |
| 11 | S11 생성모형 | 12강 + 문제집 3권 | 뒤에 관문 6을 둡니다 |
| 12 | S12 강화학습 | 24강 + 문제집 5권 | 뒤에 관문 7을 둡니다 |
| 13 | S13 대규모 언어모델 I | 24강 + 문제집 5권 | |
| 14 | S14 대규모 언어모델 II | 29강 + 문제집 6권 | 뒤에 관문 8을 둡니다 |
| 15 | S15 비전·언어 모델 | 33강 + 문제집 6권 | 뒤에 관문 9를 둡니다 |
| 16 | S16 3차원 비전 | 24강 + 문제집 5권 | |
| 17 | S17 음성과 오디오 | 21강 + 문제집 4권 | 뒤에 관문 10을 둡니다 |
| 18 | S18 연산과 최적화 | 16강 + 문제집 4권 | |
| 19 | S19 모델 운용 | 18강 + 문제집 4권 | |
| 20 | S20 안전과 거버넌스 | 12강 + 문제집 3권 | 뒤에 관문 11을 둡니다 |
전체 분량은 474개 강의, 100권의 단원 문제집, 11개의 관문입니다. 강의당 개념 문제 5~6개, 종합 드릴 10~13개, 심화 4~6개를 기준으로 하면 강의 안 문제가 약 10,400문항이고 단원 문제집이 약 4,400문항이며 관문이 약 770문항이므로, 합쳐서 약 15,600문항 규모가 됩니다.