AI/ML 학습 동반자
AI-ML Companion에서 상호작용적으로 AI/ML을 학습하세요 - 안내된 워크스루, 아키텍처 결정, 실습 과제 및 해설이 포함된 개요.
Python
Projects
Status
License
고전적인 ML부터 프로덕션 LLM 시스템까지 전체 스펙트럼을 다루는 23개의 엔드투엔드 프로젝트를 갖춘 완벽한 AI/ML 학습 플랫폼입니다. 대부분의 프로젝트는 공통된 **업계 모범 사례 구조(industry best-practice structure)**를 따릅니다.
목차
AI-ML Companion 플랫폼 소개
이 24개의 프로젝트는 **AI-ML Companion**의 실습 동반자이며, 이 플랫폼은 작동하는 것을 보면서 AI와 머신러닝을 학습할 수 있는 상호작용적인 환경입니다. 단순히 수동적인 비디오를 보는 대신, 모든 개념은 실시간 애니메이션 시각화와 실행 가능한 코드를 통해 가르쳐집니다: 손실 표면(loss surface)을 따라 내려가는 경사 하강법(gradient descent), 토큰 전반에 걸쳐 빛나는 어텐션 가중치(attention weights), 실시간으로 훈련되는 네트워크 등.
- **28개 트랙(tracks), 400개 이상의 모듈(modules)**을 제공하며, 파이썬 및 수학 기초부터 딥러닝(deep learning), LLM, 에이전트 AI(agentic AI), MLOps, 클라우드 GenAI까지 다룹니다.
- 슬라이드가 아닌 **상호작용적 시각화(Interactive visualizations)**를 제공합니다. 작동 메커니즘을 직접 보고 실험해볼 수 있습니다.
- 브라우저에서 실행 가능한 파이썬 코드(Runnable Python), 퀴즈, 진행 상황 추적이 가능합니다.
- 삼개 국어 내레이션(영어, 힌디어, 스페인어)을 지원하며 기술 용어는 영어로 유지됩니다.
- PWA를 구현하여 휴대폰과 데스크톱에서 작동하며, 설치 및 오프라인 사용이 가능합니다.
- 무료 티어(Free tier): 기초 과정(Foundations), ML용 파이썬(Python for ML), 주피터(Jupyter), 선형 대수학(Linear Algebra), ML 알고리즘(ML Algorithms), Git, AI 도구(AI Tools), 인터뷰 Q&A 등 8개 완전한 트랙과 모든 프리미엄 트랙의 첫 번째 모듈을 제공합니다. 전체 카탈로그는 Premium 구독으로 잠금 해제됩니다.
큐레이션된 학습 경로: 데이터 과학(Data Science) 및 AI 엔지니어링(AI Engineering)이 전 과정을 안내합니다.
둘러보기: Curriculum · Roadmap · Blog
FAQ
AI-ML Companion은 무료인가요? 네, 무료 티어가 있습니다. 8개의 완전한 트랙과 모든 Premium 트랙의 시작 모듈이 포함됩니다. Premium 구독을 하면 28개 전체 트랙과 400개 이상의 모듈에 접근할 수 있습니다.
영상 강의와 무엇이 다른가요? 상호작용적입니다. 개념을 수동적인 영상 대신 라이브 시각화 및 실행 가능한 코드를 통해 가르치기 때문에, 알고리즘이 작동하는 것을 보고 직접 실험해볼 수 있습니다.
누구에게 적합한가요? 직관(intuition) 중심의 입문 과정을 원하는 초보자, ML/MLOps/LLM/에이전트 AI 분야로 진출하려는 엔지니어, 그리고 AI/ML 인터뷰를 준비하는 모든 사람에게 적합합니다.
어떤 언어를 지원하나요? 영어, 힌디어, 스페인어가 지원되며 기술 용어는 영어로 유지됩니다.
프로젝트(Projects)
머신러닝(Machine Learning)
| # | 프로젝트 | 도메인 | 난이도 | 핵심 기술 | 학습/문서 |
|---|
| 1 | IPL 경기 예측기 | 데이터 과학 / EDA | 초급-중급 | Pandas, Plotly, Scikit-learn | 학습하기 → |
| ... | | | | | |
컴퓨터 비전(Computer Vision)
AI/ML 학습 동반자 (Companion) 플랫폼 소개
| # | Project | Domain | Difficulty | Key Tech | Learn / Docs |
|---|
| 8 | Visual Defect Triage | 컴퓨터 비전 (Computer Vision) / 교정 (Calibration) | 고급 (Advanced) | ViT, NumPy, Pydantic | 학습하기 → |
| 9 | Site Safety Monitor | 컴퓨터 비전 (Computer Vision) / 엣지 추론 (Edge Inference) | 고급 (Advanced) | YOLO, ByteTrack, NumPy | 학습하기 → |
딥러닝 (Deep Learning)
| # | Project | Domain | Difficulty | Key Tech | Learn / Docs |
|---|
| 10 | Deep Learning Classifier | 컴퓨터 비전 (Computer Vision) / DL | 중급~고급 (Intermediate-Advanced) | PyTorch, TorchVision | 학습하기 → |
LLM
| # | Project | Domain | Difficulty | Key Tech | Learn / Docs |
|---|
| 11 | GraphRAG Supply Chain | 그래프 + 벡터 검색 (Graph + Vector Retrieval) | 고급 (Advanced) | Neo4j, Gemini, FastAPI, Streamlit | 학습하기 → |
| ... | | | | | |
에이전트 AI (Agentic AI)
| # | Project | Domain | Difficulty | Key Tech | Learn / Docs |
|---|
| 16 | AI Agents Research System | LLM 에이전트 오케스트레이션 (LLM Agent Orchestration) | 고급 (Advanced) | LangGraph, OpenAI, Tavily | 학습하기 → |
| ... | | | | | |
MLOps
| # | Project | Domain | Difficulty | Key Tech | Learn / Docs |
|---|
| 23 | Model Serving Platform | 모델 배포 / 인프라 (Model Deployment / Infrastructure) | 고급 (Advanced) | FastAPI, Docker, Prometheus, GitHub Actions | 학습하기 → |
포워드 배포 (Forward Deployment)
데이터 엔지니어링
| # | Project | Domain | Difficulty | Key Tech | Learn / Docs |
|---|
| 25 | Star Schema Modelling | 차원 모델링 (Dimensional Modelling) / 데이터 테스트 | 중급 (Intermediate) | dbt, DuckDB, Pytest | Learn → |
| ... | | | | | |
프로젝트 상세 정보 (Project Details)
머신러닝 (Machine Learning)
IPL 데이터셋 분석 - 엔드투엔드 EDA
17개 시즌의 IPL 데이터를 포괄적으로 분석하며, 인터랙티브 시각화, 가설 검정, 피처 엔지니어링, 예측 모델링을 수행합니다.
주요 특징 (Highlights)
- 1000개 이상의 경기
- Plotly 인터랙티브 차트
- 가설 검정
- RF + GB 모델
인터랙티브 워크스루
ML 알고리즘 - 의료 진단 분류기
실제 임상 데이터를 사용하여 6가지 머신러닝(ML) 알고리즘을 비교하고, 비용 민감도 임계값 조정(~95% 악성 재현율 (malignant recall)) 및 규제 검토를 위한 SHAP 설명 가능성을 적용합니다.
주요 특징 (Highlights)
- 6가지 알고리즘 비교
- XGBoost AUC 약 0.994
- SHAP 보고서
- 임계값 조정
인터랙티브 워크스루
임대료 가격 설명기 - 사양(Specification)이 알고리즘을 능가하다
일반적인 직관대로 더 강력한 학습기를 찾으려는 시도가 잘못된 접근 방식인 임대료 모델입니다. OLS 진단(RESET, Breusch-Pagan, VIF, Cook's distance)을 통해 누락된 상호작용 항과 로그 스케일 문제를 발견했으며, 사양을 수정하자 중앙값 절대 백분율 오차(median absolute percentage error)가 8.04%에서 3.77%로 감소하는 동시에 R-squared는 0.774에서 0.784로 미미하게 증가했습니다.
경사 부스터(gradient booster)를 나쁜 사양에 적용한다고 해서 격차를 메울 수는 없습니다.
주요 내용(Highlights)
- 전체 OLS 진단 배터리
- 누락 상호작용 편향(Omitted-interaction bias): 한 계수에서 28.5% 측정됨
- HC3 강건 오차(robust errors) + Duan의 스미어링(smearing)
- SHAP: 선형 모델의 경우 정확히
coef * (x - mean(x))로 나타남
- 32가지 테스트
대화형 워크스루
지원 티켓 분류(Support Ticket Triage) - 독립성 가정 측정
Naive Bayes의 가정은 티켓 텍스트에서 증명적으로 거짓이며, 모델은 그럼에도 불구하고 작동합니다. 이 프로젝트는 두 가지 측면을 모두 측정합니다. 중복 가족(Redundancy families)은 알려진 강도로 심어져 있어 위반이 사전에 알려지며, 이후에는 정답지가 없는 상태로 다시 찾아냅니다.
동일한 데이터에 다항 로지스틱 회귀(multinomial logistic regression)와 나란히 Naive Bayes를 적합시키는 것은 가정이 비용을 얼마나 발생시키는지(2.3 정확도 포인트)와 데이터 자체가 정보가 부족하기 때문에 발생하는 것(6.4 포인트)을 분리합니다.
주요 내용(Highlights)
- 심어진 위반 사항을 블라인드로 복구하고, 정밀도 및 재현율 트레이드를 보여줌
- 네 가지 다중 클래스 전략 모두 적용 (네이티브(native), OvR, OvO, softmax)
- n=9000일 때 카이제곱 p-값(chi-square p-value)이 잘못된 도구인 이유
- 등각성 보정(Isotonic calibration)을 통해 95.4%의 결정값을 유지하면서 ECE를 0.0255에서 0.0097로 낮춤
- 33가지 테스트
프로젝트 README
교차 검증 함정 실험실(Cross-Validation Trap Lab) - CV가 얼마나 거짓말을 하는지 측정하기
모두가 교차 검증(cross-validation)이 낙관적일 수 있다는 것을 알고 있습니다. 하지만 아무도 그것이 얼마나 되는지를 측정하지 않습니다. 왜냐하면 실제 데이터에서는 진실이 결코 관찰될 수 없기 때문입니다. 여기 그 결과가 있습니다: 패널을 분할하여 미래 기간의 보이지 않는 고객들을 남겨두고, 다섯 가지 검증 함정(validation traps) 각각에 대해 그것과의 거리를 측정합니다.
프로젝트를 재구성한 결과는 이 함정들이 두 가족으로 나뉜다는 것입니다. 얼마나 자주 보는가에서 오는 통계적 함정(Statistical traps)은 행이 증가함에 따라 0.18 AUC에서 0.0075로 무너집니다. 어떻게 자르느냐에서 오는 구조적 함정(Structural traps)은 전혀 줄어들지 않습니다.
주요 내용(Highlights)
- 모든 스킴은 서로 간의 비교가 아닌 실제 홀드아웃 데이터셋을 기준으로 점수가 매겨집니다.
- 시간 고정만으로는 오차의 절반만을 회복할 수 있습니다. 왜냐하면 고객들이 여전히 공유되기 때문입니다.
- 신중하게 설계된 어떤 스킴도 진실에 도달하지 못하며, 프로젝트가 이를 증명합니다.
- 트랩을 비활성화하는 컨트롤을 통해 주장이 반증 가능하도록 합니다.
- 36개 테스트
Project README
Lapse Prediction - 두 개의 연결된 모델이 아닌 하나의 순서화된 타겟(Ordered Target)
해지 결정과 결제 시점 분포를 분류기(classifier)가 회귀(regression)에 연결되는 방식이 아니라, 단일한 순서화된 타겟으로 모델링하는 보험 갱신 장부입니다. 총 11개의 모델 패밀리가 하나의 인터페이스 뒤에 배치되어 비교 자체가 측정될 뿐 주장되지 않습니다.
분석 결과, 알고리즘 자체는 거의 중요하지 않으며(모든 합법적인 모델이 AUC 0.802에서 0.818 사이에 도달함), 데이터의 체계화가 중요하다는 것을 알게 되었습니다.
주요 내용 (Highlights)
- 버킷 처리된 결제까지의 기간에 대한 순서형 누적 사슬(Ordinal cumulative chain)
- 2단계 허들 기준선(two-stage hurdle baseline)이 11개 중 10위를 기록함
groupby.shift(1)을 통한 유출 방지(Leakage guard) 및 결과값에 손대고 어떤 피처도 움직이지 않음을 주장하는 테스트- 코호트 성숙도 및 시간 외 분할(out-of-time splits)
- 회귀 시 파이프라인을 실패시키는 릴리스 게이트(Release gate)
- 57개 테스트
Project README
ML Pipeline - 모니터링을 포함한 신용 위험 관리
지저분한 은행 데이터부터 KNN 보간(imputation), 도메인 피처 엔지니어링, PSI 드리프트 모니터링이 적용된 배포 모델까지의 엔드투엔드 파이프라인입니다.
주요 내용 (Highlights)
- 피처 엔지니어링
- 10:1 비용 민감도(cost-sensitive)
- PSI 드리프트 감지
- FastAPI + Docker
Interactive Walkthrough
Computer Vision
Visual Defect Triage - 게이트를 가능하게 하는 것은 캘리브레이션입니다.
3,000개의 레이블에 대한 선형 프로브를 가진 고정된 Vision Transformer(ViT)와
인간이 어떤 예측을 봐야 할지 결정하는 메커니즘입니다. 검증 시 단일 온도를 적용하여 로짓(logits)의 순서를 변경할 수 없으므로 정확도는 그대로 유지하면서 예상 교정 오차(expected calibration error, ECE)를 절반으로 줄이고, 이후 리뷰 예산에 대한 신뢰도 게이트를 설정합니다.
읽을 가치가 있는 결과는 슬라이스 리포트입니다. 전체 정확도 0.975는 0.681의 미세한 균열 클래스를 숨기고 있으며, 이 클래스가 트래픽의 2.6%를 차지하기 때문에 개선할 수 있는 최대치는 건강한 클래스의 0.0167에 비해 0.0083입니다.
이 실행(run)은 최대치들이 오차 예산에 합을 이루도록 주장하므로, 리포트는 모델이 약한 곳뿐만 아니라 어디에 노력을 기울일 가치가 있는지를 알려줍니다.
실행은 numpy만으로 오프라인에서 수행됩니다. Torch와 timm은 지연 임포트(lazy imports) 뒤에 있습니다.
주요 특징 (Highlights)
- 하나의 백본 패스가 분류기, 검색 인덱스 및 드리프트 모니터에 피드됨
- 예측을 변경할 수 없는 온도 스케일링: ECE 0.013에서 0.009로 감소
- 오차 예산에 합이 되는 슬라이스 최대치(Slice ceilings)
- 평가 세트에 절대 들어갈 수 없도록 태그가 지정된 채굴된 리뷰 결정
- 29개의 테스트
Project README · Interactive Walkthrough · Kaggle Notebook
Site Safety Monitor - 프레임 예산이 아키텍처를 결정합니다
