[패스트캠퍼스]딥러닝 강의, 모두를 위한 딥러닝 입문: 머신러닝부터 딥러닝까지! 학습 일지

제공되는 노션 페이지

강의 화면

공부를 시작하게 된 계기

 

빅 데이터의 활용도와 효율성이 저의 업무에서도 중요성을 가지게 될 것이라는 예상을 하였습니다. 과거에는 취업과 30대를 위한 준비를 위해 공부를 해왔지만, 이제는 40대 이후의 삶을 위한 공부를 해보고자 하였습니다.

 

입문 과정

 

직장 생활과 병행하여 독학을 하는 것은 쉽지 않았습니다. 유튜브와 다른 강의들을 찾아보며 공부하였지만, 무엇을 공부해야 할지, 어디서부터 시작해야 할지 명확하게 알지 못하였습니다. 이 과정에서 제가 제조업의 데이터 사이언티스트가 되고자 한다는 목표를 세우게 되었고, 머신러닝, 딥러닝, 클러스터링, 분류, 회귀 등, 처음에는 생소했던 개념들에 대해 어느 정도 이해하게 되었습니다.

 

그동안의 공부의 한계점

 

그러나 제가 해온 공부는 조금 단편적이었습니다. 전체적인 흐름을 잡지 못한 채로, 각각의 개념을 이해하려고 하니, 퍼즐 조각을 맞추는 것처럼 하나하나가 잘 연결되지 않았습니다.

 

국비 지원 교육

 

이런 상황에서 국비 지원 교육을 알게 되었는데, 보편적으로 이에 대한 평가는 그리 좋지 않았습니다. 실제로 검색해보면 국비지원 강의에 대한 부정적인 의견이 많았습니다. 그럼에도 저에게는 큰 돈을 들여서 공부하기보다는, 국비 지원을 통해 기초를 쌓고, 어떤 것을 공부해야 하는지 방향을 잡는 것이 더 필요했습니다. 그래서 패스트 캠퍼스의 '모두를 위한 딥러닝' 강의를 수강하게 되었습니다. 국비 지원 교육을 어떻게 하는 것인지 궁금하신 분들은 댓글 남겨주시면 답변 드리겠습니다.

 

수강 후기

 

강의는 기본적으로 녹화 영상 수강으로 진행됩니다. 강사분이 화면을 통해 설명해주며 진행되는 방식으로, 강의 노트는 노션으로 제공되며, 노션 페이지를 함께 채워가는 방식으로 설명이 진행됩니다. 강의가 마치고나면 완성된 노션으로 쉽게 배운 내용을 살펴볼 수 있습니다.(노션을 모르더라도 쉽게 사용할 수 있도록 설명해줍니다.) 코딩은 코랩(colab)을 사용하는데 해당 부분도 모르시는 분들도 사용할 수 있도록 설명을 해줍니다. 기초적인 개념 강의 후에는 머신러닝 work flow를 살펴보며, 직접 어떤 식으로 머신러닝을 진행하는지 설명해주십니다. 데이터 분석가는 코딩을 하는 사람으로만 알고 있던 저에게 진정한 데이터 분석가는 어떤 일을 하는지 알게 해주었습니다. 이후에는 머신러닝의 모델들에 대한 설명을 비롯해서 각 절차들을 코딩을 통해 직접 실습할 수 있는 기회가 주어집니다. 이 과정을 통해 머신러닝이 어떻게 활용되는지 알 수 있었습니다. 딥러닝에 대한 설명은 머신러닝에 비해 제 이해도가 떨어지기도 하고, 다소 개념적인 설명이 있기에 여러번 돌려보며, 실습을 많이 해봐야 하는 상황입니다.

 

결과적으로, 패스트 캠퍼스의 '모두를 위한 딥러닝' 강의는 상당히 만족스러운 선택이었습니다. 강의의 짜임새, 내용, 그리고 진행 방식 등이 모두 입문자의 입장에서 고려되어 있었으며, 기초부터 차근차근 배울 수 있어서 매우 도움이 되었습니다. 이 강의를 통해 머신러닝의 기본적인 흐름을 익히고, 세부적인 내용을 자세히 배울 수 있었습니다. 강의 수강을 고민하고 있는 분들을 위해 장점과 단점을 꼽아보겠습니다.

 

장점으로는
1. 적합한 수준: 제가 필요로 하는 수준은 어느 정도의 단어와 기초 개념을 이해하고 있는 사람을 대상으로 한 수준이었습니다. 이 강의는 그런 제 수준에 딱 맞는 수준으로 구성되어 있었습니다.
2. 구성: 강의는 목표에 따른 내용을 제공하려는 강사님의 노력이 느껴졌습니다. 특히, 노션을 통해 제공되는 강의 노트와 코랩을 활용한 강의 진행 방식 등은 입문자들의 입장을 충분히 고려하였다는 인상을 받았습니다. 또한 강의 내용은 기초부터 시작하여 머신러닝의 전체적인 흐름과 세부적인 내용을 체계적으로 배울 수 있도록 구성되어 있었습니다.
3. 보편성: 강의 내용은 집약적이기보다는 보편적인 내용으로 구성되어 있었고, 다른 참고 자료와 비교해봐도 강의에서 제시하는 프로세스, 단어, 개념 등은 크게 다르지 않았습니다. 실제로, 이 강의를 통해 배운 내용을 기반으로 다른 참고 자료를 선택하는 것이 유익할 정도였습니다.

단점으로는 이 강의가 머신러닝이나 딥러닝에 대해 전혀 모르는 사람들에게는 약간 어려울 수 있습니다. 하지만, 이는 제가 공부 시간이 한정적이라는 제한 사항 때문이었을 뿐, 충분한 공부 시간을 보유한 사람들에게는 오히려 새로운 학습 주제를 찾아가는 데 도움이 될 것으로 생각합니다. 결론적으로, 이 강의에 대해 매우 만족하였고, 이 강의를 통해 머신러닝의 입문 단계를 마무리하면 좋을 것 같다는 생각이 들었습니다. 이 강의를 고민하고 계신 분들에게는 강력히 추천드립니다.

 

끝으로

 

제 블로그의 데이터 사이언스 카테고리에 지금껏 쓴 글들은 해당 과정을 진행하며 제 나름대로 공부한 내용을 정리한 글이 대부분 입니다. 해당 강의 내용들을 확장시키며 공부할 것들을 찾아가는 과정을 통해 벽에 부딪혔던 공부의 새로운 길을 찾을 수 있었고, 혼자 힘으로는 상당히 힘들었을 것 입니다. 더군다나, 이 모든 과정을 조건만 만족하면 무료인 과정이니 더할나위 없었습니다. 중간 중간 전화가 와서 응원도 해주시고, 진도율도 알려주시다보니 의지를 항상 불태우며 끝까지 완주할 수 있었습니다. 혹시 데이터 사이언스에 대해 공부하던 중 막히는 곳이 있으시거나, 의지가 꺾이신 분들에게는 해당 강의를 수강해보시기를 적극 권합니다.

 

공부 글 목록

• 함께 읽으면 좋은 글 ↓

Data Science 거스를 수 없는 시대의 흐름

일상을 유용하게 하는 도구: 통계

통계학의 기본, 통계량

예측을 위한 통계기법

회귀(Regression)은 무엇일까요?

분류(Classification)은 무엇일까요?

머신러닝(Machine Learning)은 무엇일까요?

머신러닝(Machine Learning)의 절차와 이해 - 1편

머신러닝(Machine Learning)의 절차와 이해 - 2편

머신러닝(Machine Learning)의 절차와 이해 - 분석 문제 정의

머신러닝(Machine Learning)의 절차와 이해 - 데이터 수집

머신러닝(Machine Learning)의 절차와 이해 - 탐색적 데이터 분석(Exploratory Data Analysis, EDA)

머신러닝(Machine Learning)의 절차와 이해 - 피처 엔지니어링(feature engineering)

머신러닝(Machine Learning)의 절차와 이해 - 예측 모델 개발

머신러닝(Machine Learning) 알고리즘 기초 정리

머신러닝(Machine Learning) 데이터 분할(Data Split) 기초

머신러닝(Machine Learning) 학습(Training) 기초

머신러닝(Machine Learning) Loss function 기초

머신러닝(Machine Learning) Evaluation metric 기초

그동안 강의 감사합니다.