강의 복습 내용

[DAY 15] Generative model

[DLBasic] Generative Models 1

• Learning a Generative Model

  • Suppose we are given images of dogs.
  • We want to learn a probability distribution p(x) such that
    • Generation: If we sample xnew ∼ p(x), xnew should look like a dog (sampling).
    • Density estimation: p(x) should be high if x looks like a dog, and low otherwise (anomaly detection).
      • Also known as, explicit models.
    • Unsupervised representation learning: We should be able to learn what these images have in common, e.g., ears, tail, etc (feature learning).

• Basic Discrete Distributions

  • Bernoulli distribution: (biased) coin flip
  • Categorical distribution: (biased) m-sided dice

• Structure Through Independence

  • What if X1, ..., Xn are independent, then p(x1, ..., xn) = p(x1)p(x2)⋯p(xn)
  • How many possible states? 2^n
  • How many parameters to specify p(x1, ..., xn)? n
  • 2^n entries can be described by just n numbers! But this independence assumption is too strong to model useful distributions.

• Conditional Independence

  • Chain rule:
    
  • Bayes' rule:
    
  • Conditional independence:
    
  • Using the chain rule, p(x1, ..., xn) = p(x1)p(x2 | x1)p(x3 | x1, x2)⋯p(xn | x1, ⋯, xn−1)
  • How many parameters?
    • Hence, 1 + 2 + 2^2 +⋯+ 2^(n−1) = 2^n − 1, which is the same as before.
  • Now, suppose Xi+1 ⊥ X1, ..., Xi−1 | Xi (Markov assumption), then p(x1, ..., xn) = p(x1)p(x2 | x1)p(x3 | x2)⋯p(xn | xn−1)
  • How many parameters? 2n−1
  • Hence, by leveraging the Markov assumption, we get exponential reduction on the number of parameters.
  • Auto-regressive models leverage this conditional independency.

• Auto-regressive Model

  • Suppose we have 28 × 28 binary pixels.
  • Our goal is to learn p(x) = p(x1, ..., x784) over x ∈ {0,1}^784.
  • How can we parametrize p(x)?
    • Let's use the chain rule to factor the joint distribution.
    • p(x1:784) = p(x1)p(x2 | x1)p(x3 | x1:2)⋯
    • This is called an autoregressive model.
    • Note that we need an ordering of all random variables.

• NADE: Neural Autoregressive Density Estimator

  • NADE is an explicit model that can compute the density of the given inputs.

• Pixel RNN

  • We can also use RNNs to define an auto-regressive model.
  • There are two model architectures in Pixel RNN based on the ordering of chain:
    • Row LSTM
    • Diagonal BiLSTM

[DLBasic] Generative Models 2

• Variational Auto-encoder
  • Variational inference (VI)
    • The goal of VI is to optimize the variational distribution that best matches the posterior distribution.
      • Posterior distribution: pθ(z|x)
      • Variational distribution: qφ(z|x)
    • In particular, we want to find the variational distribution that minimizes the KL divergence between the true posterior.

• Key limitation:

  • It is an intractable model (hard to evaluate likelihood).
  • The prior fitting term must be differentiable, hence it is hard to use diverse latent prior distributions.
  • In most cases, we use an isotropic Gaussian.

• Adversarial Auto-encoder : It allows us to use any arbitrary latent distributions that we can sample.

• Generative Adversarial Network

  • A two player minimax game between generator and discriminator.
  • For discriminator:
    
    - where the optimal discriminator is
    
  • For generator:
    
  • 종류
    • DCGAN
    • Info-GAN
    • Text2Image
    • Puzzle-GAN
    • CycleGAN
    • Star-GAN
    • Progressive-GAN

Further Reading

1시간만에 GAN(Generative Adversarial Network) 완전 정복하기

• Better Upsampling
  • Deconvolution Checnkboard Artifacts
  • Deconvolution vs Resize-Convolution
• Machine Translation (GANs)

피어 세션 정리

강의 리뷰 및 Q&A

• [DLBasic] Generative Models 1
• [DLBasic] Generative Models 2

마스터 클래스

마스터 소개

최성준 교수님 (고려대학교 인공지능학과 교수님, 전 disney researcher)

사전 질문 답변

1. 실제 실무에서도 CNN, RNN을 활용하여 모델을 만드는 것인지, 아니면 밑바닥부터 모델을 구축하는지 궁금합니다.

• 실무에서는 텐서플로우
• 연구에서는 파이토치

2. 실습 시간에 배운 코드들을 어느 정도까지 익혀야 하는지 궁금합니다. 코드를 밑바닥부터 구현 가능한 정도까지 익히는 것이 시간이 오래 걸리더라도 투자 할 만 한가요?

• 연구에 있어서는 밑바닥부터 코드를 구현하는 것이 중요
• 실무에 있어서는 라이브러리를 사용해서 코드를 구현하는 것이 중요

3. 국내에서 석사, 박사를 하신 걸로 알고 있는데 영어 공부는 어떻게 하셨나요? 강의 중간중간에 보면 네이티브한 어조가 나오는데 회화나 쓰기 역량은 어떻게 쌓으셨는지 궁금합니다.

• 디즈니에 취직 후 미국에 살게 되면서 영어를 잘하게 되었다.

4. 마스터님만의 논문을 보는 특별한 팁을 가지고 계신지 궁금합니다.

• 본인과 관련된 연구인 경우, 실험 부분을 주의 깊게 본다.
• 일반적으로 공부하는 경우, 도입을 주의 깊게 본다.

5. AI 엔지니어의 역량이 무엇이라 생각하시나요? 데이터 전처리 및 파이프라인 구축 역량, 모델 구현 및 서비스단까지 전달 역량 두 가지 중에서 어떠한 역량을 중점으로 가져가야 할 지 궁금합니다.

• AI 엔지니어의 경우, 둘 다 가져가야 한다.

6. RNN이나 LSTM 같은 모델들을 보면 굉장히 복잡해 보이는데 처음 이러한 네트워크를 만들기 위한 intuition은 어디에서 얻을 수 있을까요?

• 교수님도 잘 모르겠다.
• LSTM 논문의 저자도 처음에는 리젝을 많이 당했다.

7. 모델을 그림으로 표현할 때 사용하는 도구가 있으실까요?

• 키노트를 사용한다.

8. 파라미터를 줄이면 일반화 성능이 오른다고 하셨는데, 실제로 많은 task에서는 파라미터를 줄이기보다 늘릴수록 성능이 올라가는 경우가 많은 것 같습니다. 이에 대한 의견이 궁금합니다.

• 최근에는 역행하는 행보를 보이고 있다.
• 최근에는 파라미터를 엄청 늘리고 있다.
• 최근의 트렌드는 대용량의 데이터가 있다면, 파라미터를 늘리는 추세이다.

9. 설명을 엄청 잘하십니다. 강의나 발표 준비할 때 따로 팁이 있을까요?

• 많이 하면, 실력이 성장한다고 생각한다.

라이브 Q&A

1. 엔지니어와 연구자 사이에서 고민중인 대학생입니다. 대학원에 진학해 연구하고 싶은 마음도 있는데 수학이 어느정도로 중요할까요? 르벡적분이나 대학원 수준의 확률론도 중요할까요??

• 수학은 많이 알면 알수록 좋다.
• 하지만 수학만 너무 많이 하면 취직이 안될 수 있다.

2. 회사에서 머신러닝 엔지니어 직무를 맡길 때 석사로 기대하는 것과 학사로 기대하는 것이 어떤 차이점이 있을까요?

• 대기업이라면, 석사와 학사에게 기대하는 것이 다를 것이라고 생각한다.
• 스타트업이라면, 즉시 전력이 필요하기 때문에, 학사든 석사든 둘 다 잘해야한다고 생각한다.

3. 교수님 랩실에 들어가기 위한 지원자격이 궁금합니다

• 개인적으로 면담

4. 디즈니에서 리서쳐로 계실 때 구체적으로 어떤 업무를 하셨는지 간략하게 소개 부탁드립니다!

• 디즈니 랜드나 월드에서 활용할 기술을 개발하는 업무를 했다.

5. 최신 연구 트렌드를 캐치하는 팁을 얻고 싶습니다. 단순히 논문을 많이 읽어서 트렌드를 잡기에는 매년 나오는 논문의 양도 많고 이들을 선택하는 데도 시간이 너무 많이 소요됩니다. ㅠㅠ

• 논문을 많이 읽는 사람을 옆에 둔다.
• SNS를 통해서 소식을 확인한다.
• 논문 스터디를 진행한다.
• 다만, 자기만의 연구 분야가 생긴다면, 연구 트렌드에 영향을 적게 받는다.

6. 왜 서빙을 할때는 tensorflow가 많이쓰이나요?

• 파이토치로 서빙을 하게 되면 버그가 있다고 한다.
• 따라서 서빙에서는 텐서플로우를 많이 사용한다.

7. 엔지니어를 목표로 하는 캠퍼입니다! 모르는게 너무 많기도 하고, 공부해야 할 양도 많아보여서 그런지, 요즘 대학원 진학에 대한 생각을 다시 해 보게 되었습니다. 교수님이 석사(혹은 박사)로 진학하게 된 계기가 궁금합니다!

• 원래는 학사 졸업 후 스타트업을 하려고 했다.
• 하지만 준비 과정 중, 학부에서 배운 지식들이 미천하다는 것을 알게 되어 대학원에 진학하게 되었다.

8. 딥러닝 자세하게 볼 수있는 책 있으면 추천해주세요(이론위주)

• 책으로 공부해본 적이 없어서 잘 모르겠다.

9. 강의에서 내주신 Further Question: LSTM에서는 Modern CNN 내용에서 배웠던 중요한 개념이 적용되어 있습니다. 무엇일까요?의 교수님 의견이 궁금합니다...... 너무 궁금해요....................................

• Further Question이 기억이 안난다.

10. self supervised learning(이하 ssl)이 뜰거라 하셨는데 회사에서 뉴스에 감성 score나 tag를 적어놓은 data를 비싸게 사오더라고요. ssl을 이용하면 사온 데이터를 이용해score/tag 모델을 리버스 엔지니어링 할 수 있나요? 이런 모델의 한계는 뭘까요?

• 질문에서 언급된 내용과 같이, ssl를 잘 활용하면 돈이 될거라고 생각한다.
• 한계는 정답이라고 할 수 있는 라벨이 없다는 문제가 있다.

11. 데이터 파이프라인이라는게 어떤 것인지 감이 안옵니다 .. dataloader를 말하는 건가요?

• 데이터로더는 데이터 파이프라인의 마지막에 위치한다.
• 데이터 파이프라인에서 데이터 전처리가 가장 중요하다고 생각한다.

12. 논문을 보실때 어떠한 기준으로 보는지 또 어떤 내용을 중점적으로 보는지 알려주세요(수식을 위주로, 결과를 위주로, 기술을 위주로 등)

• 수식은 최대한 덜 보려고 한다.
• 일반적으로 도입부에서 연구를 하게 된 이유, 기존 연구의 한계점 등에 대해서 읽으려고 한다.

13. 교수님이 연구실에서 진행하고 계신 연구 분야가 궁금합니다!

• 로보틱스에 대해서 연구를 하고 있다.
• 로봇의 모션을 쉽고 빠르게 만드는 일을 하고 있다.

14. 슬럼프가 왔을 때 어떻게 극복하셨나요? 벽을 느꼈을 때나..?

• 박사를 졸업하면 슬럼프가 더 나아진다고 하는데, 지금까지도 슬럼프이다.

15. 개인 공부를 하시거나, 연구한 것을 정리하실 때, 노하우가 있다면 조언 부탁드립니다!

• 없다.

16. 기업에서 리서치를 하신다고 하셨는데, 리서치 결과를 실제 서비스에 반영하기 위해 엔지니어는 어떤 일을 하게 되나요? 리서쳐와 여러 커뮤니케이션 과정을 거쳐 모델을 개발하게 되는걸까요?

• 엔지니어는 모든 업무를 한다.
• 엔지니어에게 커뮤니케이션은 엄청나게 중요하다.

17. continuous signal을 입력으로 사용하려면 discrete signal로 바꿔야 할텐데 어떤 방법으로 바꾸는지 궁금합니다.

• 도메인마다 다를 것이다.

18. 교수님 디즈니에서 어떤일을 하셨는지 궁금해요. ai와 디즈니,,,>?> 3D 에니메이션을 AI로 구현하는 일을 하신건가요?

• 반대로 애니메이션을 로봇으로 구현하는 일을 했다.

19. 강의를 보면 논문이 나오고 기술이 바뀌는 시기가 엄청 빠른 것 같던데 AI엔지니어로 살려면 새 논문과 신기술을 항상 check해야 하나요? 아니면 실무에서 쓰는 모델이나 툴은 덜 민감한 편인지..

• 회사에서는 덜 민감하게 반응한다.
• 따라서, 항상 체크할 필요는 없다고 생각한다.
• 하지만, 리서치인 경우에는 항상 새로운 논문과 기술을 체크해야한다.

20. 모델을 만들 때 먼저 수식적으로 연구하고 만드는지, 먼저 모델을 만들고 수식으로 증명하는지 궁금합니다.

• 교수님 본인은 수식을 증명하는 일을 하지 않았다.
• 논문을 작성하면서, 수식을 증명하는 과정을 딱 한번 했었는데 그마저도 리젝되었다.

21. RL을 적용한 Robotics연구에서 역학이나 기계공학적의 학부정도의 지식수준이 필요하나요?

• 교수님 본인의 랩을 기준으로 하면, 기계공학적 지식이 있어야한다고 생각한다.

22. 분류 문제에서 기타 혹은 unknown 클래스를 분류해낼 수 있는 효과적인 방법이 궁금합니다.

• ...(놓쳤습니다...)

23. 강화학습에 관심이 많은 학생입니다. 아직 회사에서는 강화학습 엔지니어? 직군은 잘 없는 것 같아 강화학습을 전공할지 고민이 됩니다. 교수님 생각에는 강화학습이 적용이 어떤 식으로 될 것 같은지 궁금합니다!

• 강화학습이 현실에서 적용되기 위해서는 많은 조건들이 있다고 생각한다.
• 체스 또는 바둑과 같은 규칙이 명확한 게임에서는 성능이 잘 나오지만, 변수가 많은 현실은 다르다.
• 따라서, 교수님 본인은 어렵다고 생각하지만, 다양한 여러 의견들이 있다.

24. 교수님, pyTorch source code를 처음 보는 순간 머리가 하얘졌는데, 계속보다보면 이해가 될까요? 그리고 이러한 소스코드의 원리를 이해하는 것이 도움이 많이 될까요?

• 교수님 본인도 작년에 파이토치를 시작했다.
• 코딩을 잘하는 방법은 무식하게 따라치는 방법이다.

25. 딥러닝 모델을 돌릴 때 학습이 잘 되었다고 말할 수 있을 정도의 데이터 양이 얼마나 될까요? 지금 조별로 데이터셋을 만들어서 실습 중인데, 한 라벨 당 어느 정도의 데이터를 넣어야할지 고민입니다.

• 아무도 알 수 없으며, 정답은 성능이 잘 나올 때까지이다.

26. IT 계에서 유명한 인플루언서들은 SNS 를 통해서도 많은 소통을 한다고 들었어요. 혹시 교수님이 사용하시는 sns 가 있으신지 궁금해요 그리고 AI 관련 정보 얻기 위한 계정도 추천해주세요~. (클럽하우스도 하시나요?)

• 교수님 본인은 페이스북만 사용한다.
• 트위터 쪽은 활발하다고 하는데, 잘 모르겠다.

27. Further questions들 답변을 올려주실 수 있을까요?

• 한번 생각해보겠다.

28. GAN 관련 논문들이 수천가지가 있다고 하셨는데 꼭 봐야될 논문 5개만 추천 부탁드립니다.

• infoGAN, starGAN 등을 재미있게 읽었다.

29. Back통해 파라미터를 업데이트는 하는 과정이, 차원이 적을때는(가령 y=w1X+b) 직관적으로 이해가 되는데..차원이 많아질 수록 직관적 이해가 어렵습니다.머릿속에 안그려진다 해야할까요?? 교수님께서는 차원이 많은 모델들의 파라미터 업데이트 과정을 직관적으로 머릿속에 그려지시나요??

• 질문을 이해 못했다.

30. 코드를 읽을때 파라메터관련해서 복잡하다 느낍니다. 이런 연습을 위한 팁이 있을까요?

• 파라미터를 계산하는 연습을 하면 된다.

31. Transformer에서 key, query, value 의 정확한 역활과 어떤식으로 만들어지는지 잘 이해가 안되서 좀더 설명해주실수 있으실까요?>?

• 수업을 다시 듣거나, 수업 자료를 확인하면 좋을 것 같다.

32. GAN은 상당히 매력적인 기술이라고 생각하지만, 실생활에서 쓰이는 것은 잘 못 본 것 같습니다. 혹시 어느 분야에 쓰이는지 알려주실 수 있으신가요??

• 실생활에서 어떻게 사용되는지 잘 모르겠다.
• 딥페이크 쪽에서 많이 사용될 것으로 예상된다.

33. 그렇다면 어떻게하면 교수님과 면담을 할 수 있을까요? 너무 배우고싶어요!!

• 메일로 면담을 요청하면 된다.

34. Google이 Boston Dynamics 인수를 포기한 이유가 AI에 대한 입장차이 때문이라고 들었습니다. 어떤 입장차이였는지 들으셨는지요? 이번에 현대가 인수했는데 무었때문에 인수했다고 짐작하시는지요?(번외, 교수님은 주식 하시나요?)

• 교수님 본인도 잘 모르겠지만, 예상해보자면 소형 모터 제어 기술 때문에 인수했다고 생각한다.

35. 로봇틱스 제어 분야에 강화학습이 많이 활용되고, 요즘 RL에 많은 연구가 이루어지고 있다고 들었습니다. 혹시 교수님도 이와 관련된 연구를 진행하시는지, 그렇다면 공부할 자료(혹은 강의)를 추천해주시면 감사하겠습니다!

• 강화학습이 로보틱스에 사용되기 위해서는 시뮬레이터를 기준으로 학습이 되는데, 시뮬레이터와 현실은 차이가 있기 때문에 문제가 있다.

36. 교수님은 딥러닝을 어떻게 시작하고 공부하셨나요?

• 2012년 대학원에 입학하면서 관심을 가졌다.
• 박사 졸업 후, 본격적으로 공부했다.

37. unity나 unreal을 사용한VR이나 AR을 tool을 사용해서 motion data set을 얻어내는 방식에대해서 어떻게 생각하시나용

• 실제로도 많이 사용하고 있다.

38. 해외에서 일하다가 국내로 돌아오신 이유가 있으신가요? 국내외 일의 차이가 궁금해요! 분위기라던가 다른점?

• 코로나

39. 리서치에는 파이토치를 많이 사용하고 실제 배포 시에는 텐서플로우를 많이 사용한다면 엔지니어로 취직하려면 텐서플로우를 배워야할까요??

• 엔지니어 기준이라면, 텐서플로우와 파이토치 둘 다 잘해야 한다.

40. 가상환경에서 로봇을 Training 하시나요? 그럼 unity로 Environment를 만드시나요?

• 물리 시뮬레이터를 사용해서 학습한다.

41. 아까 기계공학적인 지식을 질문한 전자전기공학부 학부생입니다. 혹시 교수님께서도 electronic and computer science를 전공하셨다고 들었습니다 그렇다면 처음부터 역학책을 사서 자세하게 공부하셨나요?? 역학은 양이 상당하다고 들었습니다!!

• 포닥을 하면서 독학을 했다.
• 역학이 이론도 어렵지만, 구현은 더 어렵다.

42. CNN 분류할때 필요한 이미지보다 YOLO를 학습시킬 때 이미지가 훨씬 적었던 경험이 있습니다. 문제가 detection 과 classification 으로 다르긴 하지만 YOLO에서 수백장 만으로 잘 training이 될 수있는 이유는 무엇일까요?

• 잘 모르겠다.

43. 제 생각엔 파라미터 수보다 모델의 연산량이 많은지 적은지의 문제가 더 중요하다고 생각이 드는데 파라미터 수가 중요하다고 말씀하신 이유가 궁금합니다.

• ...(놓쳤습니다...)

44. 딥러닝 공부를 책으로 한적이 없다고 하셨는데, 그럼 살짝 공부의 순서나 키워드를 잡을 때 어떻게 잡으셨나요? 책을 쓰는 가장 큰 장점은 그런 순서를 제공하는거라고 생각하는데 처음 공부를 하실 때 어떤 방식으로 하셨는지 궁금합니다.

• 교수님 본인이 공부를 할 때에는 따로 책이 없었기 때문에, 따로 책으로 공부해본 적이 없다.
• 남을 가르칠 기회가 생기면서, 공부를 더 잘하게 되었다.

45. 아까 영어 관련 질문에서 디즈니 근무로 그냥 자연스럽게 사용하게 되었다고 하셨는데, 그럼 영어 공부라는걸 딱히 해본적은 없으신건가요? ㅠㅠ

• 해외 유학을 준비하면서, 열심히 공부했다.

46. 실력이 좋다는 게 정확히 어떤 것을 의미할까요? 차근차근 실력을 키울 수 있는 가이드 라인이 있을까요?

• 다양한 방면이 있다.
• 구현도, 인사이트도 중요하고 실력이다.
• 다만, 아이디어라는 단어는 조심해야한다.
• 아이디어는 누구나 낼 수 있기 때문에, 구현을 할 수 있느냐가 중요하다.

47. 병역 특례로 회사에서 근무하셨던 경험이 대학원 생활에 큰 도움이 되었나요?

• 블랙기업이라서 도움이 되었다.

48. 교수님 인생의 목표나 사명같다고 느껴지는 것이 있으신가요? 있으시다면 설명부탁드리겠습니다!

• 교수님이 본인이 만든 로봇이 많이 팔리고 사용되었으면 좋겠다.

49. 저는 스스로 공부하는 힘이(과제나 시험 아니면 안해요) 부족한데 교수님은 공부가 재밌으셔서 하셨나요?

• 공부가 재미있으면 이상한거다.
• 그렇기 때문에, 강제성이 있는 학교가 중요하다.

50. 유학파이신가요?

• ㄴㄴ

51. 강의에서 스타벅스 드시던데, 평소에 스타벅스 음료 뭐 드시나요?

• 바닐라 라떼 콜드 브류

52. 교수님이 현재 관심있는 분야가 궁금합니다.

• 로보틱스

53. 훈련된 모델은 새 데이터가 들어오면, 데이터를 조금 추가해서 변경하는 업데이트는 안될까요?

• 가능하다.

54. RNN을 베이즈 법칙으로 이해해보려 했는데 잘 안됩니다. MLP에서 엔트로피로 설명하는 것처럼 RNN의 학습과정을 수식적으로 이해하게 해주는 자료가 없을까요?

• 수학이 많이 필요한 질문이기 때문에, 이번 시간에서는 답변하기 어렵다.

55. 논문에서는 많은 중간과정들이 생략되어 있는 경우가 많은 것 같은데, 중간과정을 알기 위해서는 어떤 것을 찾아봐야할까요?

• 논문을 직접 구현해보는 것이 가장 좋다.

56. 머신러닝 학회에 직접(물리적으로) 가시는 편인가요? 학회에 직접 가서 얻을 수 있는 장점들이 있을까요?

• 돈이 있다면 학회에 참여하겠지만, 일반적으로는 논문을 발표하러 가는 편이다.
• 학회의 핵심은 네트워킹과 대가의 키노트를 청강하러 간다.

57. 대학원 랩실을 고를 때, 어떤 것을 중점적으로 보는것이 좋을까요? (학교 이름, 교수님 논문 등등,,)

• 신생 랩실은 성과가 중요하기 때문에, 많은 것을 배울 수 있다.
• 대가의 랩실은 추천서의 힘이 강하다.

58. robotics는 continuous learning랑 상관없나요?

• 잘 모르겠다.

59. 대학원에 진학하고싶은데 나이때문에 고민입니다. 30대에 석사 시작하는 분들도 꽤 있나요?

• 연구를 하고 싶다면, 박사를 해야한다.
• 엔지니어를 하고 싶다면, 학벌은 상관없다고 생각한다.

60. 다양한 분야들에 대해 어떻게 정보를 얻고 흥미가 가는 분야를 정할 수 있을까요?

• 사람을 많이 만나는 것이 좋은 것 같다.
• 오프라인에서 사람들을 만나면서 이야기를 듣는게 굉장히 도움이 되었다.

61. 사실 대학원이 연구를 위해 존재하는 기관인데, 엔지니어를 목표로 하고 있으면서 더 공부를 하기위해 석사를 진학한다는 게 어떻게 보면 조금 어불성설같다고 느껴지기도 하는데, 어떻게 생각하시나요??

• 대학원은 연구 기관이 아니라, 학교다.
• 돈을 내고 공부하러 가는 곳이기 때문에, 공부를 많이 하는 것이 중요하다.

후기

질문에 굉장히 쿨하게 답변을 해주셔서 그런지, 속도감 있게 진행된 마스터 클래스였습니다.
무슨 이유에서인지는 모르겠지만, 마스터 클래스를 들으면서 대학원 진학에 대해 고민을 하게 되었습니다.
아마도 부족한 실력에서 비롯된 생각인 것 같은데, 한 번 진지하게 생각해볼 필요는 있을 것 같습니다.

총평

설날을 맞아 다음 주부터, 한 주 동안 휴강입니다.
휴식을 취하면서 재충전하고, 복습과 재정비의 시간을 가져야겠습니다.
특히, 못다 한 과제와 프로젝트를 진행할 계획입니다.

이 글을 읽으신 분들 모두, 새해에는 행운과 평안이 가득하기를 기원합니다!

오늘보다 더 성장한 내일의 저를 기대하며, 다다음 주에 뵙도록 하겠습니다.

읽어주셔서 감사합니다!