[학습 일기 시리즈]
1.[학습 일기 #1] Visual Studio Code를 설치하며 기본적인 개념을 다져본 하루
오늘은 초보 개발자로서 첫걸음을 내딛기 전 가장 먼저 필요한 작업 공간을 제대로 갖추는 과정을 다뤄보려 한다. VSCode 설치부터 확장 기능 세팅, 그리고 그 과정에서 새롭게 배운 개념들까지 하나씩 정리하며 내 방식대로 이해한 내용을 기록하고자 한다. 🛠️ IDE
2.[학습 일기 #2] Terminal & CLI 이해하기
그동안의 나는 GUI(Graphical User Interface)에 익숙한 삶을 살았다.오늘은 그 너머의 숨어 있는 Terminal과 CLI(Command Line Interface)의 세계를 직접 다루고,이를 통해 컴퓨터가 “어떻게 명령을 처리하는지” 이해한 내용을
3.[학습 일기 #3] Git & GitHub, 그리고 첫 잔디 심기 경험
오늘은 개발자로서 꼭 익혀야 하는 Git & GitHub의 기본 개념을 잡고,직접 CLI(Command Line Interface)를 사용해 첫 잔디를 심는 과정까지 경험했다.아직 CLI로 작업하는 환경도 낯설고 Git도 생소한 단계지만,조금씩 “아, 이런 흐름이구나!
4.[학습 일기 #4] HTML 웹 문서를 만들어보기
오늘은 웹 개발의 출발점이라 불리는 HTML을 다뤄보려 한다. HTML이 어떤 원리로 웹페이지를 구성하는지, 그리고 각각의 요소가 어떤 의미를 가지는지 실제로 사용해보며 차근차근 정리해보았다. 1. HTML이란 무엇인가? [출처: 위키피디아_HTML] HTML은
5.[학습 일기 #5] CSS — 웹 문서에 스타일을 입히는 언어
지난주에 HTML 실습을 추가적으로 진행하면서 글자 크기, 색, 정렬 같은 스타일을 이나 태그 안에 직접 넣어 사용했었다. 그 당시에는 아직 CSS에 대한 정확한 개념을 배우기 전이라 그렇게 작성했는데, 파일이 길어질수록 태그가 지저분해지고 구조와 디자인이 뒤섞여
6.[학습 일기 #6] JavaScript. 동적인 웹 사이트를 만드는 첫 시작점
지난 HTML, CSS 학습을 통해 웹 페이지의 구조와 스타일을 만들었다면, 이제는 “웹이 살아 움직이게 만드는 언어”인 JavaScript를 배울 시점이다.정적인 문서였던 웹 페이지가 JavaScript를 만나면, 버튼 클릭, 입력 처리, 계산, 애니메이션 같은 ‘동
7.[학습 일기 #7] colab을 이용하여 python 시작하기(OT)
오늘은 파이썬을 시작하기에 앞서 가볍게 colab을 이용한 개발 환경을 준비해보려고 한다. 1. colab이란? [출처: 나무위키_코랩] 구글이 제공하는 무료 온라인 파이썬 개발 환경으로, 설치 없이 브라우저에서 바로 파이썬 코드를 실행할 수 있고, 머신러닝/데이
8.[학습 일기 #8] Python 내부 동작을 여는 열쇠: 변수와 자료형
지난 시간에는 코랩을 활용해 파이썬 코드를 직접 실행해보는 경험을 했다. 이제는 한 단계 더 들어가서, 파이썬이 데이터를 어떻게 저장하고 다루는지를 알아볼 차례다. 오늘은 파이썬의 변수와 자료형에 대해 차근차근 정리하며 실습까지 함께 진행해보겠다. 1. 변수(Vari
9.[학습 일기 #9] 코드의 판단력 만들기: 연산자와 조건문
변수와 자료형을 배웠을 때, 우리는 데이터를 ‘저장’하는 법을 익혔다. 하지만 저장만 할 수 있다고 해서 프로그램이 동작하는 것은 아니다. 데이터를 계산하고, 비교하고, 그 결과에 따라 다른 길을 선택하도록 만드는 과정이 필요하다. 바로 그 역할을 하는 것이 연산자와
10.[학습일기 #10] 업무 효율 높이기: 반복문의 등장
조건문을 배우면서, 우리는 코드가 상황에 따라 다른 판단을 내릴 수 있게 만들었다.하지만 한 가지 문제가 남아 있었다."같은 작업을 여러 번 해야 할 때는 어떻게 해야 할까?"예를 들어,“안녕하세요”를 10번 출력하고 싶을 때1부터 100까지의 숫자를 모두 출력하고 싶
11.[학습 일기 #11] 코드를 정리하는 첫 도구: 함수(Function)
지금까지 하나씩 배워오면서, 점점 코드를 ‘작성하는 것’보다 ‘정리하는 것’이 더 중요해진다는 느낌을 받았다.액션에 이름을 붙이고 그 이름을 사용하면, 간편하게 정해진 액션대로 출력되도록 할 순 없을까?이럴 때 필요한 개념이 바로 함수(Function)다.오늘은 함수를
12.[학습 일기 #12] Python Class, 객체 생성 과정의 이해
오늘은 Python에서 "class"에 대해 이해하려고 고군분투한 하루였다.단순히 문법을 외우는 단계를 넘어서,객체가 생성되고 상태를 가지는 흐름을 구조적으로 이해하기 위해 노력해 보았다.instance(객체)를 만들기 위한 도구.비유하자면,class = 설계도inst
13.[학습 일기 #13] 자료구조_환자 데이터베이스 관리 연습
부트캠프 과제를 풀면서, 아직 개념이 확실하게 몸에 익지 않았는데빠르게 미션에 정해진 동일한 출력값을 도출해내고 제출을 하는 것을 목표로 하다보니가능한 한 눈에 보이는 결과를 빠르게 만들어내는 방식으로 코드를 작성했다.하지만 정답 코드를 비교해보면서 깨달았다."훨씬 더
14.[학습 일기 #14] 제어문 연습
오늘은 제어문에 대해 배우고 활용해보는 시간을 가졌다.수업을 들을 때는 이해가 잘 되는 것 같았지만,과제를 풀면서 조건이 많아지자 출력 결과를 예상하면서 작성하는 데 시간이 좀 걸렸다.그럴수록 더욱 더 체감했다.가장 먼저 큰 과제를 작은 업무 단위로 분해하는 일이 얼마
15.[학습 일기 #15] 반복문, 함수, 클래스
부트캠프 과제를 진행하면서 느끼고 있는 가장 큰 변화는“코드를 쓰는 것”에서 “구조를 설계하는 것”으로문제를 해결하는 방식이 점점 바뀌고 있다는 점이었다.처음에는“정해진 목표 출력값을 동일하게 얻기 위해 주목”했다면,지금은“이 코드는 어디에 두는 게 맞을까?”“이 로직
16.[학습 일기 #16] 파일 입출력 & 예외 처리
오늘 다룰 주제는 지난 수업에서 배운 파일 입출력과 예외 처리에 관한 내용이다.이때부터는 예습을 못한 내용이기 때문에매일 과제를 해결하고 그 과정을 회고하는 내용 + 그날 배운 개념 정리를 담으려했으나우선은 코드를 반복작성하며 몸에 익히는데에 집중하느라 뒤늦게 복습하는
17.[학습 일기 #17] 데이터분석 및 시각화 1일차
오늘은 데이터분석 및 시각화 수업 1일차로서 데이터 분석을 하기 위해 알아야 할 기본 개념들을 정리하는 시간이었다. 오늘 배운 데이터 타입에 대한 간략한 정리와 Pandas 기본 문법들에 대해 정리하고 과제를 하며 깨달은 점을 남겨보려고 한다. \* 예시 코드 및
18.[학습 일기 #18] 데이터분석 및 시각화 2일차
데이터분석 및 시각화 2일차 수업에서는 EDA(Exploratory Data Analysis)의 기본 개념 및 어떤 단계를 거치며 분석을 진행하는지 직접 실습해보며 알아가보는 시간을 가졌다. ADsP를 준비하며 개념적인 부분을 배우긴 했지만, 직접적으로 와닿지는 않았었
19.[학습 일기#19] 데이터 분석 및 시각화 3일차
데이터 분석 및 시각화 마지막 수업...어떻게 지나갔는지 모를 정도로 많은 정보들이 몰아쳤다.까먹지 않게 복습!!!계속 작성해서 몸에 익히자...\* 예시 코드 및 과제 내용의 출처는 오즈코딩스쿨로부터...원시 데이터를 분석/모델링이 가능한 형태로 바꾸는 과정.특히 의
20.[학습일기 #20] 데이터베이스 1일차
오늘은 데이터베이스에 대한 수업 1일차였다. 데이터베이스에 대한 개념을 알고 있다고 생각했는데, 처음 접하는 내용들도 많았다. 잊지 않도록 다시 한번 정리해보자. 1. Database란? > 👉 데이터를 정리된 구조로 안전하게 저장하고, 빠르게 검색·수정·관리할 수
21.[학습 일기 #21] 데이터베이스 2일차
1. LEFT JOIN, GROUP BY가 헷갈렸던 진짜 이유 SQL을 배우다가 가장 머릿속에 “그림”이 안 그려지는 구간이 있다. 바로 JOIN/LEFT JOIN으로 테이블이 합쳐진 뒤, 거기서 GROUP BY로 “묶는 순간”이다. 이번에 내가 막혔던 핵심은 이거
22.[학습 일기 #22] 머신러닝 1일차
오늘은 그토록 기대하던 머신러닝 파트의 첫 수업이었다. 개념을 정말 확실히 짚고 설명을 해주셔서 좋았다. 어떤 내용을 다뤘는지 복습해보자! 1. 인공지능을 구현하는 두 가지 철학 1.1. 기호주의 AI (Symbolic AI) 핵심 원리: 인간의 지식을 규칙(If–T
23.[학습 일기 #23] 머신러닝 2일차
오늘은 그동안 과제하느라 못한 수업 정리를 해보려 한다. \* 예시 코드 및 자료의 출처는 오즈코딩스쿨로 부터... 1. 결측치 처리 통계적 방식 + 의료 도메인 지식이 동시에 중요 1.1. 결측치가 왜 문제인가? 결측치(NA, Null, NaN)는 단순히 “비
24.[학습 일기 #24] 머신러닝 3일차_회귀
1. 회귀(Regression) 연속적인 값을 예측하기 위한 데이터 간의 관계 모델링 Target이 연속형 수치(소수점 포함)임 끊임 없이 반복적인 Trial & Error를 통해 최적의 weight를 찾음. 회귀선을 찾는 것이 목표(기울기 = weight. 가중치)
25.[학습 일기 #25] 머신러닝 4일차_분류
새로운 데이터가 어떤 클래스에 속하는지 판단하기 위한 목표를 가지는 유형클래스가 2개인 분류 문제ex. {0, 1}, {Negative, Positive}, {정상, 암환자}캡쳐 1-1. 계단 함수와 시그모이드 함수. 출처: 강의 자료입력이 임계값(threshold)을
26.[학습 일기 #26] 머신러닝 5일차_비지도 학습
비지도 학습(Unsupervised Learning)은 정답(Label)이 없는 데이터에서 구조를 스스로 찾는 학습 방식차원 축소군집화이상치 탐지차원이 늘어날수록 데이터는 공간 안에서 점점 희박해진다(밀도 감소)거리 기반 알고리즘(KNN, K-Means 등)이 의미를
27.[학습 일기 #27] 머신러닝 심화_Feature Engineering & CV
1. Feature Engineering 머신러닝 성능은 “모델이 얼마나 똑똑하냐”보다 데이터가 모델이 이해하기 좋은 형태냐에 크게 좌우된다. > “Garbage In, Garbage Out” 그리고 피처 엔지니어링은 크게 3가지로 나뉜다 Feature Transf
28.[학습 일기 #28] 머신러닝 심화_SVM
1. SVM이란? 장점 단점 1.1. 기본 원리 1.1.1. 핵심 구성 요소: 초평면과 서포트 벡터 1.2. 현실 세계에 맞춘 도전 1.2.1. 도전 1: 완벽하게 분리되지 않는 데이터(Soft Margin) 1.2.2. 도전 2: 비선형(Non-Linear
29.[학습 일기 # 29] 머신러닝 심화_Ensemble
오늘 정리 들어가기에 앞서 먼저 > Ensemble 모델이란? 여러 개의 약한 학습기(Weak Learners) 를 결합하여 단일 모델보다 더 안정적이고 일반화 성능이 높은 예측 모델을 만드는 방법 이때 핵심은 단순한 평균이 아니라, 서로 다른 오류 패턴을 가진
30.[학습 일기 #30] 머신러닝 심화_XGBoost, LightGBM, CatBoost
오늘 수업의 큰 흐름은 하나다.기존 Gradient Boosting의 한계를 어떻게 극복했는가?단점을 보완하기 위해 변화해 온 각 모델들의 특징을 알아보자머신러닝 모델의 경쟁력은 결국 아래 3가지 요소의 균형에 달려 있다.정확도(Accuracy)속도(Speed)유연성(
31.[학습 일기 #31] Feature Importance와 SHAP Value의 차이 — 학점 비유로 이해하는 global importance vs local importance
모델 해석을 하다 보면 자주 등장하는 두 개념이 있다.Feature ImportanceSHAP Value둘 다 “어떤 피처가 중요한가?”를 말해주는 것처럼 보이지만,의미와 쓰임새는 전혀 다르다.이번 글에서는 학점 비유를 통해 이 둘의 차이를 명확히 정리해보자.먼저 한
32.[학습 일기 #32] 머신러닝 심화 이해도 점검
1. Mean Shift, DBSCAN, GMM의 군집 방식 차이 Mean Shift 비모수적 밀도 기반 군집 알고리즘 각 데이터 포인트에서 시작해 커널 밀도 함수(KDE)의 기울기 방향으로 중심점을 반복적으로 이동시키며 밀도가 가장 높은 지점(mode)을 찾는다.
33.[학습 일기 #33] 딥러닝 1일차
생물학적 뉴런이 신호를 받아 다음 뉴런으로 보내듯, 인공 뉴런도 입력을 받아 계산 후 출력한다.입력: $x_1, x_2, x_3, ...$입력: $w_1, w_2, w_3, ...$편향(bias): b같은 입력이라도 어떤 입력은 더 중요하게 반영되어야 한다.딥러닝 학습
34.[학습 일기 #34] 딥러닝 2일차
0. 오늘 배운 흐름 한 장 요약 딥러닝 학습은 결국 이 루프를 반복하는 것과 같다. Forward(순전파): 입력 → 모델 → 예측값 Backward(역전파): loss를 각 가중치로 미분 → gradient 계산 Update(업데이트): 옵티마이저가 grad
35.[외전] 모델 성능 해석: 의료 관점에서 “좋은 모델”을 판단하는 법
앞서 머신러닝 수업 정리에서도 한 번 다루었듯 모델 성능 평가에 있어 가장 기초적인 내용이 Confusion Matrix에 관한 것이다. 그만큼 매우 중요한 개념이기도 하고, 용어 이름이 아직 헷갈리기도 하여 다시 한번 짚고 넘어가려 한다. 1. Confusion M
36.[학습 일기 #35] 딥러닝 3일차: 과적합(Overfitting) 잡는 법
패턴을 배우는 게 아니라, 노이즈까지 외워버린 상태Bias(편향): 모델이 너무 단순할 때패턴을 충분히 못 담음 → 과소적합(Underfitting)Variance(분산): 모델이 너무 복잡할 때데이터의 작은 흔들림(노이즈)에도 민감 → 과적합(Overfitting)핵
37.[학습 일기 #36] 딥러닝 4일차
MNIST 28×28 흑백 이미지 → 입력 784개→ 만약 첫 node(=newron)가 512개라면 파라미터는 대략 784×512 수준으로 수십만 개가 된다.224×224 컬러 이미지(3채널)는 입력이 224×224×3 = 150,528이라서 더 심각해진다.MLP에
38.[학습 일기 #37] 딥러닝 5일차 정리: 전이학습(Transfer Learning) · CV 심화(분할/탐지/생성) · Transformer/LLM
1. 전이학습(Transfer Learning) 1.1. 전이학습이란? 사전학습(pre-trained) 모델이 이미 배운 지식(특징 추출 능력)을 새로운 문제에 재활용하는 방식. 의료 영상처럼 데이터 수집/라벨링이 비싸고 어려운 분야에서 특히 강력하다. (라벨링에 전
39.[학습 일기 #38] 이미지 증강(Image Augmentation)
데이스쿨 진도를 나가며 코드 작성 연습을 하다보니 이론으로 배울때와 다르게 또 새로운 느낌이 들었다...오늘은 그 중 이미지 증강 방법에 대한 정리를 해보고자 한다.이미지 증강은 원본 이미지를 직접 늘리는 것이 아니라, 원본을 다양한 방식으로 변형해서 학습 데이터의 다
40.[학습 일기 # 39] MONAI_Part 1
MONAI(Medical Open Network for AI)는 의료영상 AI를 위한 PyTorch 기반 오픈소스 프레임워크로, 일반 딥러닝 프레임워크 위에 의료영상에 특화된 transform, 데이터 처리, 모델 개발 흐름을 얹어 놓은 도구라고 이해하면 좋다. 1.
41.[학습 일기 #40] MONAI_Part2
3D UNet으로 비장 Segmentation 시작하기 지난 글에서는 MONAI 전처리 파이프라인을 이용해 3D CT 데이터를 불러오고, 방향과 spacing을 맞춘 뒤, RandCropByPosNegLabeld로 학습용 patch를 만드는 과정까지 정리했다. 마지
42.[학습 일기 # 41] 웹 서비스 기초와 구조에 대한 이해
1. Web Service란? 인터넷을 매개로 컴퓨터와 컴퓨터가 정보를 주고받는 모든 형태의 서비스를 의미. 단순히 웹 브라우저(크롬, 사파리 등)로 접속하는 사이트뿐만 아니라, 특정 기능을 제공하는 API나 설치형 애플리케이션까지 포함하는 넓은 개념. 주요 특징
43.[학습 일기 # 42] Git & GitHub 잘쓰기
오늘은 Git과 GitHub에 대해 배운 수업 내용을 정리해보려 한다. 자세한 내용은 지난번에 다뤘으나 잘못 알고 있었던 부분, 새롭게 알게된 부분에 대해 정리해 보겠다. 1. 새롭게 알게된 부분 [그림 1] 파일의 상태 변화, 커밋 방법 상단의 파일명 폰트 색
44.[학습 일기 # 43] LangGraph — 맞춤형 챌린지 추천 AI 파이프라인 구축하기
LangGraph는 LLM(대형 언어 모델) 기반의 애플리케이션을 그래프 구조로 설계하고 실행할 수 있게 해주는 프레임워크다. LangChain 위에 올려진 라이브러리로, 상태(State)를 노드(Node) 간에 주고받는 방식으로 복잡한 AI 워크플로우를 구성한다고