패스트캠퍼스 Upstage AI Lab 3기 부트캠프 과정 종료 회고
안녕하세요, Sylen입니다. 지난 몇 달간 패스트캠퍼스 Upstage AI Lab 3기 부트캠프를 수료하며 많은 것을 배우고 경험했습니다. 처음에는 설레는 마음과 함께 과연 내가 이 과정을 잘 따라갈 수 있을까 하는 걱정도 있었습니다. 하지만 지금 돌아보면, 이 과정은 제게 있어 가장 큰 성장의 발판이 되었습니다.
과정 소개 및 전체적인 소감
Upstage AI Lab 3기 부트캠프는 인공지능(AI)과 머신러닝(ML)에 대한 깊이 있는 이해와 실무 능력을 키우는 것을 목표로 하는 프로그램입니다. 총 5개월간 진행되었으며, 파이썬 기초부터 딥러닝, 컴퓨터 비전, 자연어 처리(NLP) 등 다양한 분야를 다루었습니다. 특히 각 분야의 전문가인 강사님들과 현업에서 활동 중인 멘토님들의 지도를 받으며 실무에서 필요한 역량을 쌓을 수 있었습니다.
왜 이 부트캠프를 선택했는가?
저는 이전에 데이터 분석 분야에서 일하면서 머신러닝과 딥러닝에 대한 필요성을 느꼈습니다. 하지만 독학으로는 한계가 있었고, 체계적인 교육과 실무 경험이 필요하다고 판단했습니다. 그러던 중 패스트캠퍼스의 Upstage AI Lab 부트캠프를 알게 되었고, 커리큘럼과 교육 방식이 제가 원하던 방향과 일치하여 참여하게 되었습니다.
파이썬 기초부터 프로젝트까지
파이썬 기초 및 심화
부트캠프의 첫 시작은 파이썬 기초였습니다. 이미 파이썬을 어느 정도 다룰 수 있었지만, 기초를 탄탄히 다지는 것이 중요하다고 생각하여 열심히 참여했습니다. 김인섭 강사님과 함께 구글 Colab을 활용하여 자료형, 제어문, 함수, 클래스 등 기본 문법부터 시작하여 심화 내용까지 학습했습니다.
특히 Selenium을 활용한 웹 크롤링은 이전에 해본 적이 없어서 매우 흥미로웠습니다. 예를 들어, 특정 웹사이트에서 원하는 정보를 자동으로 수집하는 과제를 수행하면서 실제로 데이터 수집의 중요성과 방법을 체감할 수 있었습니다.
어려웠던 점과 극복 방법
Selenium을 사용할 때 웹 요소를 정확히 선택하고 제어하는 것이 처음에는 어려웠습니다. 이를 극복하기 위해 강사님께 질문도 하고, 스터디 그룹에서 함께 문제를 해결했습니다. 또한 공식 문서와 온라인 커뮤니티를 적극적으로 활용하여 필요한 정보를 찾아냈습니다.
파이썬 활용 후기
파이썬으로 데이터 분석이나 간단한 웹 애플리케이션을 만든 경험은 있었지만, 이번 부트캠프를 통해 보다 복잡한 프로젝트에 적용할 수 있는 능력을 키울 수 있었습니다. 특히 FastAPI를 활용한 백엔드 개발이나, 데이터 파이프라인 구축 등은 실제 업무에 바로 적용할 수 있을 정도로 자신감이 생겼습니다.
Git과 GitHub를 통한 협업 경험
버전 관리의 중요성
이전에는 혼자서 작업할 때 간단하게 Git을 사용하긴 했지만, 팀 프로젝트에서의 GitHub 활용은 새로운 경험이었습니다. 리눅스 환경에서 Git을 설치하고, 브랜치 전략, 커밋 메시지 규칙, Pull Request(PR) 리뷰 등 협업에 필요한 다양한 스킬을 익혔습니다.
실제 협업 과정에서의 경험
프로젝트를 진행하면서 팀원들과 코드 충돌(conflict)을 해결하고, 코드 리뷰를 통해 서로의 코드를 개선하는 과정을 경험했습니다. 예를 들어, 제가 작성한 코드에 대한 피드백을 받고 성능을 향상시킬 수 있었고, 다른 팀원의 코드를 보며 새로운 접근 방법을 배울 수 있었습니다.
배운 점
- 의사소통의 중요성: 이슈나 PR에 명확한 설명을 남기고, 팀원들과 적극적으로 소통하는 것이 프로젝트의 성공에 큰 역할을 한다는 것을 깨달았습니다.
- 코딩 컨벤션 준수: 일관된 코드 스타일을 유지함으로써 가독성을 높이고 유지보수를 용이하게 만들 수 있었습니다.
통계학의 중요성
통계학 기초 및 응용
머신러닝과 딥러닝의 기반이 되는 통계학을 3일에 걸쳐 집중적으로 학습했습니다. 확률 분포, 표본 이론, 가설 검정, 회귀 분석 등 이론적인 부분을 공부하고, 이를 실제 데이터에 적용해보았습니다.
예를 들어, ANOVA(분산 분석)를 통해 여러 그룹 간의 평균 차이가 통계적으로 유의한지 검정해보는 실습을 했습니다. 이를 통해 데이터의 특성을 이해하고, 모델링 전에 필요한 통계적 분석이 무엇인지 알게 되었습니다.
실습 경험
- Python의 통계 라이브러리(statsmodels, scipy)를 활용하여 실제 데이터를 분석했습니다.
- 예제 데이터셋으로 타이타닉 생존자 분석을 수행하며, 어떤 요인들이 생존율에 영향을 미치는지 통계적으로 검증해보았습니다.
코딩 테스트 수업: 자료구조 및 알고리즘
알고리즘 학습의 필요성
AI 엔지니어로서 효율적인 코드 작성과 문제 해결 능력은 필수적입니다. 이를 위해 자료구조와 알고리즘 수업을 통해 다양한 문제를 풀어보았습니다.
주요 학습 내용
- 자료구조: 배열, 연결 리스트, 스택, 큐, 트리, 그래프 등
- 알고리즘: 정렬 알고리즘, 탐색 알고리즘(BFS, DFS), 다익스트라 알고리즘 등
문제 해결 경험
예를 들어, 최단 경로 문제를 풀기 위해 다익스트라 알고리즘을 구현했습니다. 초기에는 시간 복잡도를 최적화하는 데 어려움이 있었지만, 우선순위 큐를 활용하여 효율적인 코드를 작성할 수 있었습니다.
얻은 교훈
- 시간 복잡도와 공간 복잡도의 중요성: 알고리즘의 효율성을 판단하는 기준을 명확히 이해하게 되었습니다.
- 코딩 테스트 대비: 다양한 유형의 문제를 접하며 실전 감각을 익힐 수 있었습니다.
머신러닝 프로젝트 기본 이론 수업
머신러닝의 기본 개념
머신러닝의 기본 개념부터 지도 학습, 비지도 학습, 강화 학습 등 다양한 학습 방법에 대해 학습했습니다. 특히 손실 함수, 경사 하강법, 과적합 방지 등 모델의 성능을 좌우하는 핵심 요소들을 깊이 있게 다루었습니다.
실습 프로젝트
- MNIST 데이터셋 분류: 손글씨 숫자 이미지를 분류하는 모델을 구축했습니다. Convolutional Neural Network(CNN)를 활용하여 정확도를 높일 수 있었습니다.
- 캘리포니아 집값 예측: 회귀 분석을 통해 집값을 예측하는 모델을 만들었습니다. 특성 공학(feature engineering)과 교차 검증(cross-validation)을 통해 모델의 성능을 향상시켰습니다.
어려웠던 점과 해결 방법
- 데이터 전처리: 결측치 처리나 이상치 제거 등 데이터 정제가 어려웠지만, Pandas와 Scikit-learn의 기능을 활용하여 해결했습니다.
- 모델 선택: 다양한 알고리즘 중 어떤 것을 선택할지 고민이 되었는데, Grid Search를 통해 최적의 모델과 하이퍼파라미터를 찾을 수 있었습니다.
파이토치와 딥러닝
딥러닝의 핵심 개념 학습
이활석 CTO님의 강의를 통해 딥러닝의 핵심 개념을 학습했습니다. 인공신경망(ANN)의 구조, 역전파 알고리즘, 활성화 함수 등 이론적인 부분을 다지고, 파이토치를 활용하여 실제 구현까지 해보았습니다.
정규화 기법의 이해
배치 정규화(Batch Normalization)와 레이어 정규화(Layer Normalization) 등의 정규화 기법을 학습하며, 모델의 학습 속도와 성능을 향상시키는 방법을 이해했습니다.
예를 들어, 딥러닝 모델을 학습시키면서 발생하는 기울기 소실(Vanishing Gradient) 문제를 배치 정규화를 통해 완화시킬 수 있었습니다.
개인 프로젝트
- 이미지 분류 모델 구현: CIFAR-10 데이터셋을 활용하여 다양한 딥러닝 모델(VGG, ResNet 등)을 구현하고 성능을 비교했습니다.
- 정규화 기법 실험: 동일한 모델에 서로 다른 정규화 기법을 적용하여 성능 변화를 관찰했습니다.
느낀 점
딥러닝은 단순히 모델을 구축하는 것뿐만 아니라, 데이터 전처리, 하이퍼파라미터 튜닝, 정규화 기법의 선택 등 다양한 요소가 성능에 영향을 미친다는 것을 깨달았습니다.
컴퓨터 비전과 프로젝트 경험
고전 컴퓨터 비전부터 딥러닝까지
컴퓨터 비전 과정에서는 이미지 처리의 기본 원리부터 딥러닝 기반의 객체 탐지(Object Detection)까지 폭넓게 학습했습니다.
- 고전 기법: 엣지 검출(Canny Edge Detection), 허프 변환(Hough Transform) 등을 이용한 이미지 분석
- 딥러닝 모델: YOLO, Faster R-CNN 등 최신 객체 탐지 모델의 구조와 구현 방법
팀 프로젝트: 객체 탐지 모델 개발
실제 프로젝트로 교통 표지판 인식 모델을 개발했습니다.
- 데이터 수집 및 라벨링: 직접 도로에서 촬영한 이미지를 수집하고, LabelImg를 활용하여 라벨링했습니다.
- 모델 학습: YOLOv5 모델을 파이토치로 구현하고 학습시켰습니다.
- 결과 평가 및 개선: 초기에는 정확도가 낮았지만, 데이터 증강(Data Augmentation)과 하이퍼파라미터 튜닝을 통해 성능을 향상시켰습니다.
프로젝트를 통해 배운 점
- 팀워크의 중요성: 역할 분담과 지속적인 소통을 통해 프로젝트를 효율적으로 진행할 수 있었습니다.
- 실무 적용 능력 향상: 실제 데이터를 수집하고 모델을 적용해보는 경험은 매우 값졌습니다.
자연어 처리와 경진대회 참여
NLP의 기본 개념과 기술
자연어 처리 과정에서는 텍스트 전처리, 워드 임베딩, 시퀀스 모델링 등 기본 개념부터 Transformer, BERT, GPT 등 최신 모델까지 학습했습니다.
일상 대화 요약 경진대회 참여
팀원들과 함께 일상 대화 데이터를 요약하는 모델을 개발하는 경진대회에 참여했습니다.
- 데이터 전처리: 불필요한 특수문자 제거, 문장 분리 등
- 모델 선택: BART와 T5 등 사전 학습된 모델을 활용
- 하이퍼파라미터 튜닝: 학습률, 배치 크기 등을 조절하여 성능 최적화
- 성능 평가: ROUGE 스코어를 사용하여 모델의 요약 성능을 평가
어려웠던 점과 해결 방법
- 모델의 용량 제한: 대용량 모델을 사용할 때 메모리 부족 문제가 발생하여 모델 경량화와 분산 학습을 시도했습니다.
- 데이터 편향 문제: 학습 데이터의 편향으로 인해 특정 패턴의 요약문이 생성되는 것을 발견하고, 데이터 증강과 재샘플링을 통해 개선했습니다.
얻은 교훈
- 데이터의 품질이 모델의 성능에 직접적인 영향을 미친다는 것을 다시 한번 깨달았습니다.
- 팀원들과의 협업을 통해 다양한 아이디어를 시도해볼 수 있었고, 실패를 통해 배운 점도 많았습니다.
데이터 중심의 AI(Data-Centric AI)
데이터의 중요성 재인식
마지막으로 데이터 중심의 AI에 대해 학습했습니다. 모델의 복잡도나 성능을 높이는 것보다 데이터의 품질을 향상시키는 것이 더 효과적일 수 있다는 것을 배웠습니다.
주요 학습 내용
- 데이터 수집 전략: 필요한 데이터를 효율적으로 수집하는 방법
- 데이터 전처리 및 정제: 결측치 처리, 이상치 제거, 데이터 정규화 등
- 라벨링 및 검수 프로세스: 정확한 라벨링을 위한 가이드라인 작성과 검수 방법
- 데이터 편향과 윤리적 문제: 편향된 데이터가 모델에 미치는 영향과 윤리적 고려 사항
실습 경험
- 합성 데이터 생성: GAN을 활용하여 부족한 데이터를 보완
- 데이터 검수 도구 활용: 슬랙이나 기타 협업 도구를 사용하여 팀원들과 데이터 검수 프로세스를 구축
마무리하며
이번 부트캠프를 통해 저는 기술적인 성장뿐만 아니라, 데이터와 AI를 바라보는 관점에서도 많은 변화를 경험했습니다. 단순히 모델을 만드는 것이 아니라, 문제를 정의하고 데이터를 수집하며, 이를 통해 실제로 가치를 창출하는 전 과정을 이해하게 되었습니다.
감사의 말
- 강사님들: 전문적이고 열정적인 강의로 많은 것을 배울 수 있었습니다.
- 매니저님들: 수강생들의 학습을 지원하고 피드백을 주셔서 감사했습니다.
- 동료 수강생들: 함께 고민하고 해결해나가며 성장할 수 있었습니다.
앞으로의 계획
- 실무 프로젝트 진행: 지금까지 배운 것을 바탕으로 실제 비즈니스 문제를 해결하는 프로젝트를 진행하고자 합니다.
- 지속적인 학습: 빠르게 변하는 AI 분야에서 뒤처지지 않도록 꾸준히 공부하고 최신 기술을 습득할 계획입니다.
- 커뮤니티 참여: 다양한 개발자 커뮤니티에 참여하여 지식을 공유하고 네트워킹을 확대하려고 합니다.
긴 글 읽어주셔서 감사합니다. 이 회고록이 부트캠프 참여를 고민하시는 분들께 도움이 되었으면 좋겠습니다.
#패스트캠퍼스 #UpstageAILab #부트캠프후기 #데이터분석 #인공지능 #머신러닝 #딥러닝 #컴퓨터비전 #자연어처리
