G검정 (G-Kentei)에 합격했기에, 공부 중에 느꼈던 점이나 해보길 잘했다고 생각한 것들을 정리합니다.

이 기사는 굉장히 깔끔한 학습 로드맵이라기보다는, 오히려 "실제로 공부해 보니 여기서 막혔다", "하지만 이 부분을 이해하니 갑자기 시야가 바뀌었다"라는 체험기에 가깝습니다.

앞으로 G검정을 치를 분들, 특히 공부를 막 시작해서,

• 용어가 너무 많아서 힘들다
• 머신러닝 (Machine Learning)과 딥러닝 (Deep Learning)의 차이가 모호하다
• CNN, RNN 부근에서 머릿속이 엉킨다
• 결국 합격이 목적이라면 무엇을 우선시해야 하는가?

라는 분들에게 참고가 된다면 기쁘겠습니다.

결과는 무사히 합격이었습니다.

=================
【 합 격 】
=================
...

분야별 득점률은 다음과 같습니다.

보시는 바와 같이, 전부 고득점인 것은 아닙니다.

오히려 꽤 아슬아슬한 합격이었다고 생각합니다. 특히 딥러닝의 요소 기술이나 법률·윤리 관련 부분은 아슬아슬한 느낌이 있었습니다.

그럼에도 합격할 수 있었기에, 이 기사에서는 "완벽하게 이해하고 나서 시험을 본다"보다는 "전체상을 파악하고, 문제 연습으로 빈틈을 메운다"는 방향으로 써 내려가겠습니다.

처음 구매한 것은 『딥러닝 G검정 공식 텍스트 제3판』이었습니다.

다만, 저에게는 조금 읽기 어렵게 느껴졌습니다.

물론 책 자체가 나쁘다기보다는, 제 이해 단계나 읽는 방식과의 상성이 있었던 것이라고 생각합니다.

그래서 나중에 『딥러닝 G검정 최강의 합격 텍스트 제2판』을 구매했습니다.

이 책은 상당히 읽기 편하게 느껴졌습니다.

본문 중의 중요 단어를 부속된 빨간색 받침대로 가리면서 확인할 수 있어서, 암기와 이해 체크를 하기 쉬웠습니다.

게다가 모의시험 PDF도 다운로드할 수 있었습니다.

잘 활용한다면 이 책을 중심으로 공부하는 것만으로도 합격을 노릴 수 있을지도 모르겠다는 생각이 들었습니다.

다만 저는 조금 불안했기에, 추가로 아래 사이트의 모의시험도 실시했습니다.

실전 형식에 가까운 문제들을 접하면, 자신의 이해가 모호한 부분이 단번에 보입니다.

참고서를 읽는 것뿐만 아니라, 모의시험으로 빈틈을 찾는 흐름이 상당히 중요하다고 생각했습니다.

G검정 공부를 시작하며 처음 든 생각은, 심플하게 "용어, 너무 많지 않아?"였습니다.

AI, 머신러닝 (Machine Learning), 딥러닝 (Deep Learning), 지도 학습 (Supervised Learning), 비지도 학습 (Unsupervised Learning), 강화학습 (Reinforcement Learning), 과적합 (Overfitting), 정규화 (Regularization), CNN, RNN, LSTM, Attention, Transformer…….

처음에는 모르는 단어들이 줄을 서서 기다리고 있는 듯한 기분이었습니다. 게다가 각각이 완전히 별개라기보다 조금씩 관계되어 있어서 더욱 복잡했습니다.

이 단계에서는 하나하나를 완벽하게 외우려 하기보다, 우선 큰 선반을 만드는 것이 중요하다고 느꼈습니다.

예를 들어, 저는 이런 식으로 정리했습니다.

이 선반이 생기니 용어가 단순한 단어의 무리가 아니라, "어느 상자에 들어가는 이야기인가"로 보이게 되었습니다.

용어로 고전한 뒤 조금 편해진 것은, "머신러닝이란 결국 데이터에서 패턴을 찾는 이야기구나"라고 납득한 뒤부터입니다.

예를 들어, 메일이 스팸인지 분류하는 경우, 인간이 모든 규칙을 수기로 작성하는 것이 아니라 과거의 메일 데이터로부터 특징을 학습시킵니다.

주택 가격을 예측한다면 과거의 가격, 넓이, 역에서의 거리 등으로부터 관계성을 학습시킵니다.

이 부분을 이해하면 지도 학습, 비지도 학습, 강화학습도 갑자기 조금은 인간적인 느낌이 납니다.

• 지도 학습: 정답이 있는 드릴(학습지)
• 비지도 학습: 비슷한 것끼리 스스로 그룹을 나누는 자유 연구
• 강화학습: 잘하면 포인트가 들어오는 게임

대충 보이는 것일 수도 있겠지만, 처음에는 이 정도 이미지로 충분했습니다.

G검정은 범위가 넓기 때문에 처음부터 전부를 엄격하게 이해하려고 하면 체력이 상당히 소모됩니다. 우선은 "이것은 무엇에 관한 이야기인가"를 파악하는 것이 나중에 세부 지식을 얹기 더 쉬웠습니다.

특히 지도 학습, 비지도 학습에 나오는 각 알고리즘을 초반부터 깊게 이해하려고 하면 늪에 빠지기 쉽습니다.

선형 회귀 (Linear Regression), 로지스틱 회귀 (Logistic Regression), SVM, 결정 트리 (Decision Tree), 랜덤 포레스트 (Random Forest), 클러스터링 (Clustering), 주성분 분석 (PCA)…… 등으로 추적하기 시작하면, 어느샌가 "G검정 공부"가 아니라 "머신러닝 각론"으로 빠져들게 됩니다.

다만 시험에서 물어보는 경우도 있으므로, 너무 안 하는 것도 위험합니다.

제 경우에는 우선 「무엇에 사용하는 알고리즘인가」, 「지도 학습 (Supervised Learning)인지 비지도 학습 (Unsupervised Learning)인지」, 「유사한 용어와 무엇이 다른가」를 우선적으로 파악하도록 했습니다.

깊게 파고드는 것도 중요합니다. 하지만 처음부터 모두와 절친이 되려고 하면 시간이 녹아내립니다. 우선 얼굴과 이름, 소속 부서를 익히는 정도의 거리감이 딱 적당했습니다.

공부하면서 개인적으로 「오, 이건 조금 알 것 같아」라고 느꼈던 것이 CNN과 RNN이었습니다.

CNN은 이미지 인식에서 자주 사용되는 모델입니다.

이미지를 작은 영역 단위로 살펴보면서 선이나 형태 등의 특징을 추출해 나가는 이미지입니다.

처음에는 어렵게 보이지만, 사고방식으로는 「이미지 속에서 특징을 찾는 돋보기」 같은 것이라고 파악하니 조금 이해하기 쉬워졌습니다.

반면, RNN은 시계열 데이터 (Time Series Data)나 문장처럼 순서가 중요한 데이터를 다루는 모델입니다.

예를 들어 문장에서는 단어가 단독으로 존재하는 것이 아니라, 앞뒤 흐름에 따라 의미가 변합니다.

「오늘은 비가」라고 오면, 다음에 「온다」, 「왔다」 등이 올 것이라고 예상할 수 있지요.

RNN은 이전 정보를 다음으로 이어받으면서 처리하는 이미지입니다.

물론 실제로는 기울기 소실 문제 (Vanishing Gradient Problem)나 LSTM, GRU 등의 이야기도 나옵니다.

다만 처음부터 전부를 한꺼번에 이해하려고 하지 않고,

• CNN: 이미지의 특징을 찾는 데 특화
• RNN: 순서가 있는 데이터를 다루는 데 특화

라고 파악해 두는 것만으로도 문제문을 읽을 때의 미아 같은 느낌이 줄어들었습니다.

지금 생각해보면 CNN은 「이미지」, RNN은 「자연어 처리 (NLP)나 시계열 데이터」와 같이 대략적인 용도로 기억했던 것이 접근하기 쉬웠던 이유일지도 모릅니다.

물론 엄밀히 말하면 CNN이 이미지뿐이라거나, RNN이 자연어 처리뿐인 것은 아닙니다.

하지만 시험 공부의 입구로서는 「이 모델은 무엇을 잘하는가」를 라벨로 붙여두면 상당히 편해집니다.

이 부분은 솔직하게 쓰겠습니다.

G검정 합격만을 목적으로 한다면, 기출문제나 문제 연습을 중심으로 진행하는 것이 상당히 유효하다고 생각했습니다.

이유는 G검정에서는 「알고 있느냐 모르느냐」로 풀리는 문제가 많기 때문입니다.

물론 개념 이해는 중요합니다. 다만 시험 본방에서는 한정된 시간 내에 많은 문제를 처리해야 합니다.

그래서 제 경우에는,

• 우선 전체적인 모습을 훑어본다
• 문제를 푼다
• 틀린 용어를 조사한다
• 유사한 용어와의 차이점을 메모한다
• 다시 문제를 푼다

라는 흐름이 잘 맞았습니다.

교과서를 처음부터 끝까지 완벽하게 읽기보다는, 문제 연습을 통해 빈틈을 찾아 메워가는 느낌입니다.

단, 기출문제에만 너무 치우치면 「합격은 했지만 설명은 못 하는」 상태가 되기 쉽습니다.

합격 후에도 AI를 사용하거나, 발신하거나, 업무에 활용하고 싶다면 최소한의 개념 이해는 역시 중요하다고 느꼈습니다.

공식 텍스트의 설명을 그대로 외우려고 하면 저는 꽤 괴로워졌습니다.

그래서 예를 들어 다음과 같이 자신의 언어로 바꾸었습니다.

• 과적합 (Overfitting): 연습 문제만 이상하게 잘하게 되어, 실전에 약한 상태
• 정규화 (Regularization): 너무 많이 외우는 것을 방지하기 위한 브레이크
• 지도 학습 (Supervised Learning): 정답을 보면서 배우는 것
• 비지도 학습 (Unsupervised Learning): 데이터 속에서 비슷한 것을 찾는 것

정확성을 잃지 않는 범위 내에서, 우선 자신이 떠올릴 수 있는 말로 만든다.

이것이 상당히 효과적이었습니다.

G검정에서는 유사한 용어가 많이 등장합니다.

• 지도 학습 / 비지도 학습 / 강화학습 (Reinforcement Learning)
• CNN / RNN
• LSTM / GRU
• 정규화 / 드롭아웃 (Dropout) / 배치 정규화 (Batch Normalization)
• Precision / Recall / F1-score

단어를 단독으로 외우기보다 「무엇이 다른가」를 세트로 보는 것이 기억에 더 잘 남았습니다.

읽어서 이해한 것 같아도 문제를 풀면 평범하게 틀립니다. 참 정직한 세계입니다.

하지만 틀린 부분은 성장 가능성입니다.

저는 틀린 문제를 보고,

• 용어를 몰랐던 것인가
• 유사한 용어와 혼동한 것인가
• 문제문의 읽는 법을 틀린 것인가

를 가볍게 분류하도록 했습니다.

이렇게 하면 단순히 풀기만 하는 것보다 복습 효율이 올라갑니다.

시험 본방은 90분에 145문항이었습니다.

수험 전에는 대략 「60분 동안 한 번 다 풀고, 남은 30분 동안 검토하자」라고 생각했습니다.

하지만 실제로는 생각보다 시간이 오래 걸려, 검토에 쓸 수 있었던 시간은 남은 10분 정도였습니다.

여기서 반성한 점은 검토하고 싶은 문제에 체크를 너무 많이 했다는 것입니다.

불안한 문제에 계속 체크를 하다 보니, 마지막에 검토할 때 「어느 것이 정말 자신 없는 문제였더라?」 하게 되어버렸습니다.

체크를 하는 것 자체는 중요합니다.

다만 전부 다 체크할 기세로 하면 체크의 의미가 퇴색됩니다.

다음에 시험을 치를 분들에게는,

• 전혀 모르겠는 문제
• 2지선다까지 좁혔지만 망설여지는 문제
• 계산 실수나 읽기 실수가 있을 것 같은 문제

와 같이, 체크하는 기준을 미리 정해두는 것을 추천하고 싶습니다.

실전에서는 지식뿐만 아니라, 시간 배분과 검토 전략도 상당히 중요했습니다.

반성할 점은, 초반에 용어를 너무 정성스럽게 이해하려고 하다가 조금 손이 멈췄던 점입니다.

물론 이해는 중요하지만, G검정 (G検定)은 범위가 넓기 때문에 초반부터 완벽주의자가 되면 진도가 나가지 않습니다.

처음에는,

• 모르는 용어가 있어도 일단 앞으로 나아간다
• 문제 연습 (Problem Solving)에서 자주 나오는 것을 우선한다
• 중요해 보이는 부분부터 깊게 파고든다

정도의 적당한 타협이 좋았을 것이라고 생각합니다.

공부 중에는 모르는 용어를 마주할 때마다 발걸음을 멈추고 싶어집니다.

하지만 모든 것에 멈춰 서면, 지식의 정체가 일어납니다. 머릿속에서 용어들이 교차로에 너무 많이 모이는 듯한 느낌입니다.

우선은 교통 정리부터. 그리고 나중에 세부적으로 이해하기.

이 순서가 저에게는 더 잘 맞았습니다.

앞으로 G검정 (G検定)을 치를 분들에게는 다음과 같은 흐름을 추천하고 싶습니다.

• 우선 AI · 머신러닝 (Machine Learning) · 딥러닝 (Deep Learning)의 관계를 대략적으로 파악한다
• 지도 학습 (Supervised Learning) · 비지도 학습 (Unsupervised Learning) · 강화학습 (Reinforcement Learning)을 정리한다
• CNN, RNN, Transformer 등 대표 모델의 용도를 파악한다
• 문제 연습을 일찍 시작한다
• 틀린 용어만을 자신의 언어로 메모한다
• 검토 체크 기준을 미리 정해둔다
• 시험 직전에는 빈출 용어와 법률 · 윤리 · 사회 구현 관련 내용을 확인한다

특히 합격이 목적이라면 문제 연습은 빠른 편이 좋다고 생각합니다.

"아직 이해하지 못해서 문제를 풀 수 없다"가 아니라, "문제를 풀면서 이해한다" 정도가 딱 적당했습니다.

G검정 (G検定) 공부는 초반의 용어 러시가 꽤 힘들었습니다.

다만, AI · 머신러닝 · 딥러닝의 관계가 보이기 시작하면 조금씩 정리할 수 있게 됩니다.

CNN이나 RNN 같은 대표적인 모델도 "무엇을 잘하는가"부터 접근하면 상당히 이해하기 쉬웠습니다.

합격만을 목표로 한다면 기출문제나 문제 연습 중심으로도 충분히 싸워볼 만합니다.

하지만 기왕 공부하는 거라면, 용어를 자신의 언어로 설명할 수 있는 수준까지 끌어올리면 합격 후에도 지식이 오래 남기 쉽습니다.

실전에서는 90분 동안 145문제를 풀어야 하는 시간 속에서 생각보다 여유가 없었습니다.

검토 체크를 할 기준도 사전에 정해두면 안심할 수 있습니다.

앞으로 시험을 치를 분들은 처음부터 완벽을 목표로 하지 말고, 우선 전체적인 상을 파악한 뒤 문제 연습을 통해 조금씩 빈틈을 채워나가는 것을 추천합니다.

합격까지의 여정, 용어는 많지만 하나씩 정리해 나가면 제대로 나아갈 수 있습니다.