😔실패했다...

24년 2월 졸업을 앞두고 2년간 소속이었던 자대 대학원의 석사 제안을 거절하고, 원하는 모든 대학원과 기업에서 거절당하여 길을 잃은 상황이다.

🎓 학부로 ML에 바로 취업하는 것은 나의 정제되어 있지 않은 지식과 Naive한 프로젝트들로는 부족했다. 그래도 후회하지 않는다. 노력했기에 의미있는 프로젝트의 경험도 많았고 다양한 수식을 이해하려고 노력했던 경험은 필히 내가 성장할 수 있는 발판이 될 것이다.

새로운 도전

9개월 동안 취업과 입시를 준비하느라 내가 하고 싶었던 공부를 하지 못했다. 후회없이 여러 기업과 회사에 지원했으니 이제 다시 내가 원하는 공부와 프로젝트에 뛰어들고자 한다.

시작으로 Velog에 글을 올리면서 딥러닝, FairAI, XAI에 대한 다양한 지식을 공부하고자 한다. 학부와 2년의 학부 연구생의 경험으로 Naive하게 알고있던 지식을 정리하고 깊이를 추구하는 것이 목표다.

🚀 우선 내가 공부할 키워드를 ChatGPT를 통해서 얻었다. 이제 아래의 키워드를 하나씩 공부하여 정리할 것이다.

딥러닝 키워드 100 / Fair AI & XAI 키워드 50

정리한 내용 LINK를 추가할 예정이다.

Table 1: Neural Network Basics

No.	주제	내용	LINK
1	Neuron	활성화 함수까지의 동작 이해
2	Activation Function	다양한 함수들 비교와 사용 목적
3	Feedforward Neural Network	구조와 작동 방식 이해
4	Backpropagation	오차 역전파 알고리즘 핵심 원리
5	Gradient Descent	경사 하강법 원리와 종류
6	Loss Function	다양한 손실 함수 이해와 목적
7	Overfitting	과적합 방지 방법 이해
8	Underfitting	과소적합 예방 방법 이해
9	Epoch	에폭 개념과 중요성 파악
10	Batch Size	배치 크기 역할과 선택 기준
11	Learning Rate	학습률 영향과 조절 방법
12	Weight Initialization	가중치 초기화 중요성과 방법
13	Vanishing Gradient Problem	그래디언트 소실 문제 이해
14	Exploding Gradient Problem	그래디언트 폭발 문제 이해
15	Convolutional Neural Network (CNN)	이미지 처리에 특화된 구조
16	Pooling	풀링 역할과 다양한 종류
17	Transfer Learning	전이 학습 개념과 활용
18	Recurrent Neural Network (RNN)	순환 신경망 기본 구조
19	Long Short-Term Memory (LSTM)	시퀀스 학습을 위한 LSTM
20	Gated Recurrent Unit (GRU)	간단한 RNN 구조인 GRU
21	Autoencoder	오토인코더 기본 원리
22	Generative Adversarial Network (GAN)	생성 모델 GAN 이해
23	Word Embeddings	단어 임베딩 개념과 Word2Vec, GloVe
24	Attention Mechanism	어텐션 메커니즘 역할과 구조
25	Transformer	어텐션을 기반으로 하는 트랜스포머
26	Reinforcement Learning	강화 학습 기본 개념
27	Q-Learning	Q-러닝 알고리즘 동작과 적용 방법
28	Policy Gradient	정책 그래디언트 개념과 활용
29	Actor-Critic	액터-크리틱 구조와 장단점
30	Batch Normalization	배치 정규화 역할과 이점
31	Dropout	드롭아웃 목적과 효과
32	Hyperparameter Tuning	하이퍼파라미터 조절 방법
33	Ensemble Learning	앙상블 학습 원리와 종류
34	Bias-Variance Tradeoff	편향-분산 트레이드오프
35	Implicit & Explicit	수학에서와 ML에서의 개념 이해	LINK
36	ROC Curve	ROC 커브 의미와 해석	LINK
37	Precision and Recall	정밀도와 재현율 차이와 중요성	LINK
38	F1 Score	F1 스코어 의미와 사용	LINK
39	Confusion Matrix	혼동 행렬 구성과 해석
40	One-Hot Encoding	원핫 인코딩 목적과 적용 방법
41	Normalization and Standardization	정규화와 표준화 차이와 사용
42	Data Augmentation	데이터 증강 개념과 활용 방법
43	Imbalanced Data	불균형 데이터 처리 방법
44	K-Nearest Neighbors (KNN)	KNN 알고리즘 작동 원리
45	Decision Trees	의사 결정 트리 구조와 학습 원리
46	Random Forest	랜덤 포레스트 개념과 장점
47	Support Vector Machine (SVM)	SVM 작동 원리와 활용
48	Principal Component Analysis (PCA)	PCA 목적과 원리
49	Cross-Entropy Loss	크로스 엔트로피 손실 의미와 사용
50	Mean Squared Error (MSE)	평균 제곱 오차 의미와 활용
51	Transfer Learning	전이 학습 개념과 활용
52	Recurrent Neural Network (RNN)	순환 신경망 기본 구조
53	Long Short-Term Memory (LSTM)	시퀀스 학습을 위한 LSTM
54	Gated Recurrent Unit (GRU)	간단한 RNN 구조인 GRU
55	Autoencoder	오토인코더 기본 원리
56	Generative Adversarial Network (GAN)	생성 모델 GAN 이해
57	Word Embeddings	단어 임베딩 개념과 Word2Vec, GloVe
58	Attention Mechanism	어텐션 메커니즘 역할과 구조
59	Transformer	어텐션을 기반으로 하는 트랜스포머
60	Reinforcement Learning	강화 학습 기본 개념
61	Q-Learning	Q-러닝 알고리즘 동작과 적용 방법
62	Policy Gradient	정책 그래디언트 개념과 활용
63	Actor-Critic	액터-크리틱 구조와 장단점
64	Batch Normalization	배치 정규화 역할과 이점
65	Dropout	드롭아웃 목적과 효과
66	Hyperparameter Tuning	하이퍼파라미터 조절 방법
67	Ensemble Learning	앙상블 학습 원리와 종류
68	Bias-Variance Tradeoff	편향-분산 트레이드오프
69	Cross-Validation	교차 검증 목적과 방법
70	ROC Curve	ROC 커브 의미와 해석
71	Precision and Recall	정밀도와 재현율 차이와 중요성
72	F1 Score	F1 스코어 의미와 사용
73	Confusion Matrix	혼동 행렬 구성과 해석
74	One-Hot Encoding	원핫 인코딩 목적과 적용 방법
75	Normalization and Standardization	정규화와 표준화 차이와 사용
76	Data Augmentation	데이터 증강 개념과 활용 방법
77	Imbalanced Data	불균형 데이터 처리 방법
78	K-Nearest Neighbors (KNN)	KNN 알고리즘 작동 원리
79	Decision Trees	의사 결정 트리 구조와 학습 원리
80	Random Forest	랜덤 포레스트 개념과 장점
81	Support Vector Machine (SVM)	SVM 작동 원리와 활용
82	Principal Component Analysis (PCA)	PCA 목적과 원리
83	Cross-Entropy Loss	크로스 엔트로피 손실 의미와 사용
84	Mean Squared Error (MSE)	평균 제곱 오차 의미와 활용
85	Transfer Learning	전이 학습 개념과 활용
86	Recurrent Neural Network (RNN)	순환 신경망 기본 구조
87	Long Short-Term Memory (LSTM)	시퀀스 학습을 위한 LSTM
88	Gated Recurrent Unit (GRU)	간단한 RNN 구조인 GRU
89	Autoencoder	오토인코더 기본 원리
90	Generative Adversarial Network (GAN)	생성 모델 GAN 이해
91	Word Embeddings	단어 임베딩 개념과 Word2Vec, GloVe
92	Attention Mechanism	어텐션 메커니즘 역할과 구조
93	Transformer	어텐션을 기반으로 하는 트랜스포머
94	Reinforcement Learning	강화 학습 기본 개념
95	Q-Learning	Q-러닝 알고리즘 동작과 적용 방법
96	Policy Gradient	정책 그래디언트 개념과 활용
97	Actor-Critic	액터-크리틱 구조와 장단점
98	Batch Normalization	배치 정규화 역할과 이점
99	Dropout	드롭아웃 목적과 효과
100	Hyperparameter Tuning	하이퍼파라미터 조절 방법

Table 2: Fairness and Ethics in AI

No.	Topic	Content	LINK
1	Bias in AI	AI에서 발생하는 편향의 종류와 식별 방법 이해하기
2	Fair AI	공정한 AI 모델을 만들기 위한 원리와 기술 이해하기
3	Explainable AI (XAI)	모델의 해석 가능성을 높이는 방법과 중요성 이해하기
4	Fairness Indicators	모델의 공정성을 측정하는 지표 이해하기
5	Counterfactual Fairness	대안적 공정성의 개념과 적용 방법 이해하기
6	Adversarial Debiasing	적대적 학습을 통한 편향 제거 방법 이해하기
7	Data Preprocessing	데이터 전처리를 통한 편향 제거 방법 이해하기
8	A/B Testing	모델 성능을 평가하고 비교하는 방법 이해하기
9	Model Explainability	모델의 예측과 의사결정을 설명하는 방법 이해하기
10	SHAP Values	SHapley Additive exPlanations의 의미와 활용 이해하기
11	LIME	Local Interpretable Model-agnostic Explanations의 개념과 사용 이해하기
12	Sensitivity Analysis	모델 입력의 변화에 따른 출력 변화를 분석하는 방법 이해하기
13	Data Bias	데이터에서 발생하는 편향의 원인과 해결 방법 이해하기
14	Demographic Parity	인구 특성에 대한 공정성 지표 이해하기
15	Equalized Odds	각 그룹 간에 동일한 예측 오류를 갖는 공정성 지표 이해하기
16	Group Fairness	그룹 간에 공정성을 유지하는 방법 이해하기
17	Individual Fairness	개인 간에 공정성을 유지하는 방법 이해하기
18	Intersectional Fairness	다양한 특성을 고려한 공정성 이해하기
19	Model Evaluation	모델의 성능을 정량적으로 평가하는 방법 이해하기
20	ROC-AUC	ROC 곡선 아래 면적의 의미와 사용 이해하기
21	Precision-Recall Curve	정밀도-재현율 곡선의 의미와 해석 이해하기
22	Bias Mitigation	편향 완화 방법의 종류와 적용 이해하기
23	Fairness-aware Machine Learning	공정성을 고려한 머신러닝의 접근 방식 이해하기
24	Counterfactual Explanations	대안적 설명을 통한 모델 해석 방법 이해하기
25	Data Sampling	데이터 샘플링을 통한 편향 조절 방법 이해하기
26	Adversarial Training	적대적 학습을 통한 모델의 강건함 이해하기
27	Responsible AI	AI의 사용에 대한 윤리적 책임과 원칙 이해하기
28	Interpretability vs. Explainability	해석가능성과 설명가능성의 차이 이해하기
29	Privacy-preserving AI	개인 정보 보호를 고려한 AI 모델 개발 방법 이해하기
30	Algorithmic Bias	알고리즘에서 발생하는 편향의 종류와 해결 방법 이해하기
31	Causal Inference	인과관계를 추론하는 방법과 그 중요성 이해하기
32	Feature Importance	특성의 중요성을 평가하는 방법 이해하기
33	Bias Detection	편향을 탐지하는 방법과 도구 이해하기
34	Debiased Embeddings	임베딩에서 편향을 제거하는 방법 이해하기
35	Recourse in ML	모델의 오류에 대한 개선 가능성 이해하기
36	Human-in-the-loop AI	인간의 판단을 통한 모델 개선 방법 이해하기
37	Ethical AI	윤리적인 AI 모델 개발을 위한 원칙 이해하기
38	Data Governance	데이터 관리의 원칙과 중요성 이해하기
39	Data Ethics	데이터 수집, 저장, 및 사용에 대한 윤리적 책임 이해하기
40	Data Privacy Regulations	데이터 개인정보 보호 법규 이해하기
41	Fairness-aware Algorithms	공정성을 고려한 다양한 알고리즘 이해하기
42	Fairness-aware Optimization	최적화에서의 공정성 개선 방법 이해하기
43	Fairness-aware Representation Learning	표현 학습에서의 공정성 개선 방법 이해하기
44	Fairness-aware Clustering	클러스터링에서의 공정성 유지 방법 이해하기
45	Responsible Data Science	데이터 과학에서의 윤리적 책임 이해하기
46	Responsible AI Governance	AI 시스템을 위한 책임 있는 운영 방법 이해하기
47	Ethical AI Decision-making	윤리적인 의사결정을 고려한 AI 모델 개발 이해하기
48	AI for Social Good	AI의 사회적 책임과 기여에 대한 이해하기
49	Data Bias Mitigation	데이터에서의 편향을 줄이는 방법 이해하기
50	Fairness-aware Data Collection	데이터 수집 단계에서의 공정성 유지 방법 이해하기