서론

"12주, 24개 레슨, 모두를 위한 AI!"

이 글은 "One Open Source Project a Day" 시리즈의 138번째 기사입니다. 오늘의 프로젝트는 AI For Beginners입니다. 이는 고전적인 심볼릭 AI (Symbolic AI)부터 현대의 딥러닝 (Deep Learning)까지 모든 것을 다루는 Microsoft의 12주 과정, 24개 레슨으로 구성된 오픈 소스 체계적 AI 커리큘럼입니다.

55,735개의 Stars를 보유하고 있습니다. 2021년에 발행되었으며 이후 활발히 유지 관리되고 있습니다. Microsoft의 "For Beginners" 시리즈(ML-For-Beginners, Data-Science-For-Beginners, Web-Dev-For-Beginners 등을 포함) 내에서, 이 코스는 ML 애플리케이션이나 클라우드 서비스 래퍼 (Wrapper)가 아닌 AI의 핵심인 딥러닝 (Deep Learning)에 집중합니다.

학습 내용

• 커리큘럼의 완전한 지식 구조: 7개 유닛 + 추가 자료
• 왜 이 코스가 신경망 (Neural Networks)으로 바로 뛰어들지 않고 심볼릭 AI (Symbolic AI)부터 시작하는지
• 각 레슨의 3층 구조: 이론 + 노트북 (Notebook) + 실습 (Lab)
• 코스의 명확한 경계: 의도적으로 다루지 않는 범위
• 자신의 배경에 따라 학습 경로를 선택하는 방법

선수 학습 요건

• 기초 Python
• 고등학교 수학 (선형 대수학 (Linear Algebra) 및 미적분학 (Calculus) 기초가 도움이 되지만 필수 사항은 아님)
• 사전 AI/ML 배경 지식 불필요

프로젝트 배경

개요

AI For Beginners는 GitHub 저장소로 발행된 Microsoft의 공식 AI 기초 커리큘럼으로, VS Code, Codespace 또는 Binder에서 직접 실행 가능한 Jupyter Notebook을 제공합니다.

이 코스의 설계 관점은 API를 호출하는 것에 그치지 않고 원리를 이해하는 것입니다. model.fit()으로 시작하는 대신, 퍼셉트론 (Perceptron)에서 시작하여 직접 신경망 (Neural Network) 프레임워크를 구축한 다음 TensorFlow/PyTorch를 소개합니다. PyTorch를 1년 동안 사용해 본 많은 사람들도 loss.backward() 내부에서 어떤 일이 일어나는지 설명하지 못합니다. 이 코스는 그 부분을 해결합니다.

저자 / 팀

• 출처: Microsoft (오픈 소스 교육 프로젝트)
• 주요 언어: Jupyter Notebook (Python)
• 라이선스: MIT
• 번역: 50개 이상의 언어 (중국어 간체 포함)

프로젝트 통계

• ⭐ GitHub Stars: 55,735+
• 🍴 Forks: 11,200+
• 📄 라이선스 (License): MIT
• 📅 생성일: 2021-03-03

커리큘럼 개요 (Curriculum Overview)

7개 유닛 + 추가 학습, 총 24개 레슨:

유닛별 상세 구성 (Unit-by-Unit Breakdown)

유닛 I: AI 입문 (Unit I: Introduction to AI)

레슨 01: AI의 역사와 접근 방식 (Lesson 01: History and Approaches to AI)

단순히 "AI란 무엇인가"를 다루는 것이 아닙니다. 이 레슨은 AI 역사에서 서로 경쟁하면서도 상호 보완적인 두 가지 연구 전통인 기호주의 AI (Symbolic AI; 지식 표현 및 추론)와 연결주의 (Connectionism; 신경망)를 추적합니다. 이러한 긴장 관계를 이해하는 것이 나머지 커리큘럼을 일관성 있게 만들어 줍니다.

유닛 II: 기호주의 AI (Unit II: Symbolic AI)

레슨 02: 지식 표현과 전문가 시스템 (Lesson 02: Knowledge Representation and Expert Systems)

이 지점이 이 코스가 대부분의 현대적 AI 입문 과정과 차별화되는 부분입니다. 바로 "고전적 AI (Classical AI)"를 먼저 가르친다는 점입니다. 포함된 내용은 다음과 같습니다:

• 동물 식별 전문가 시스템 (Animals.ipynb)
• 온톨로지 모델링 (Ontology modeling, FamilyOntology.ipynb)
• Microsoft Concept Graph (MSConceptGraph.ipynb)

왜 여기서부터 시작할까요? 기호주의 AI (Symbolic AI)의 한계를 이해하는 것이야말로 신경망 (Neural networks)을 마법 같은 속임수가 아닌 하나의 해답으로 느끼게 만들기 때문입니다. "신경망이 더 잘 작동한다"라는 말은 더 이상 블랙박스 (Black-box) 같은 사실이 아니라, 논리적인 결론이 됩니다.

유닛 III: 신경망 기초 (Unit III: Neural Network Fundamentals) (3개 레슨)

레슨 03: 퍼셉트론 (Lesson 03: Perceptron)

가장 단순한 단층 퍼셉트론 (Single-layer perceptron)에서 시작하여, 이를 직접 구현해 보고 선형 분류기 (Linear classifiers)의 능력과 한계를 이해합니다.

레슨 04: 다층 퍼셉트론 + 나만의 프레임워크 구축 (Lesson 04: Multi-Layer Perceptron + Build Your Own Framework)

이 커리큘럼에서 가장 독특한 선택 중 하나입니다. 공식적인 프레임워크를 사용하기 전에, 최소한의 신경망 프레임워크를 처음부터 직접 구축하며 역전파 (Backpropagation)와 경사 하강법 (Gradient descent)의 수학적 원리를 이해합니다. PyTorch를 수년간 사용해 온 사람들 중에서도 loss.backward()가 실제로 무엇을 하는지 설명하지 못하는 사람이 많습니다. 이 레슨은 그 문제를 해결합니다.

레슨 05: PyTorch/TensorFlow/Keras 입문 + 과적합 (Lesson 05: Intro to PyTorch/TensorFlow/Keras + Overfitting)

직접 구축한 프레임워크를 배경 지식으로 삼아, PyTorch와 TensorFlow가 무엇을 추상화하고 있는지 — 그리고 왜 과적합 (Overfitting)이 딥러닝에서 가장 핵심적인 실무적 과제인지 이해합니다.

Unit IV: 컴퓨터 비전 (Computer Vision) (7개 레슨)

커리큘럼에서 가장 밀도가 높은 유닛입니다:

OpenCV 기초부터 CNN (Convolutional Neural Networks) 기본 원리, 그리고 GAN (Generative Adversarial Networks)과 객체 탐지 (Object Detection)에 이르기까지 — 컴퓨터 비전 엔지니어링 실무에서 가장 흔히 사용되는 기술들을 다룹니다.

Unit V: 자연어 처리 (Natural Language Processing) (8개 레슨)

커리큘럼의 또 다른 주요 초점으로, 기초부터 Transformer (트랜스포머)까지 단계별로 진행됩니다:

Bag-of-Words부터 BERT, 그리고 LLM (Large Language Model) 프롬프트 프로그래밍에 이르기까지 — 이 시퀀스는 학습자가 Transformer를 단순히 블랙박스로 받아들이기 전에, 왜 Transformer가 필요했는지를 이해할 수 있도록 보장합니다.

Unit VI: 기타 AI 기술 (Other AI Techniques) (3개 레슨)

Lesson 21: 유전 알고리즘 (Genetic Algorithms) — 최적화 문제를 위한 진화 연산 (Evolutionary computation).

Lesson 22: 심층 강화학습 (Deep Reinforcement Learning) — CartPole 균형 잡기, Q-learning에서 DQN까지, PyTorch 및 TensorFlow 구현.

Lesson 23: 멀티 에이전트 시스템 (Multi-Agent Systems) — 여러 에이전트가 협력하거나 경쟁하는 모델링을 위한 프레임워크.

Unit VII: AI 윤리 (AI Ethics)

Lesson 24: AI 윤리 및 책임감 있는 AI (AI Ethics and Responsible AI) — Microsoft Learn의 책임감 있는 AI 원칙 (Responsible AI Principles) 경로와 연계하여, AI 시스템에서의 공정성 (Fairness), 설명 가능성 (Explainability), 개인정보 보호 (Privacy), 그리고 책임성 (Accountability)을 논의합니다.

Extras: 멀티모달 네트워크 (Multi-Modal Networks)

Lesson 25: 멀티모달 네트워크, CLIP 및 VQGAN (Multi-Modal Networks, CLIP and VQGAN) — OpenAI의 CLIP (텍스트-이미지 정렬)과 VQGAN (생성 모델)을 다룹니다. 커리큘럼에서 가장 최신 콘텐츠입니다.

이 코스에서 의도적으로 다루지 않는 내용

README에는 범위 외(out of scope)인 내용이 명시적으로 나열되어 있습니다:

이러한 명시적인 경계 설정은 진정으로 유용합니다. 학습을 시작하기 전에 이 코스가 자신에게 적합한지 판단할 수 있게 해주며, 과정을 마친 후 다음에 어디로 가야 할지를 알려줍니다.

각 레슨의 구조

각 레슨은 세 가지 계층으로 구성됩니다:

1. 사전 읽기 자료 (Pre-reading material) (README): 핵심 개념 설명, 이론적 배경
2. Jupyter Notebook: 실행 가능한 코드 + 내장된 이론 (PyTorch 또는 TensorFlow, 때로는 둘 다)
3. 실습 (Lab) (일부 레슨): 레슨의 기술을 특정 문제에 적용하는 독립적인 연습

Notebook이 핵심입니다. README에서도 이를 직접적으로 언급합니다: "주제를 이해하려면 적어도 하나의 버전의 notebook(PyTorch 또는 TensorFlow 중 하나)을 반드시 살펴봐야 합니다." 이 코스는 단순히 읽는 것이 아니라, 코드를 실행하고, 파라미터 (parameters)를 조정하며, 결과를 관찰함으로써 학습됩니다.

학습 경로 추천

완전 초보자 경로

"초보자 친화적 예제 (Beginner-Friendly Examples)" (examples/README.md)로 시작하세요. 직관을 기르기 위한 네 가지 작은 프로그램이 준비되어 있습니다:

• Hello AI World (패턴 인식)
• Simple Neural Network (밑바닥부터 구축)
• Image Classifier (상세한 주석 포함)
• Text Sentiment (긍정/부정 분석)

그 다음 레슨 01~12를 순서대로 따라가세요 (도입 → 기호적 AI (symbolic AI) → 신경망 (neural networks) → 컴퓨터 비전 (computer vision)).

머신러닝 (ML) 배경지식이 있는 경우

처음 두 유닛을 건너뛰고 Unit III, Lesson 04 (자신만의 프레임워크 구축)부터 시작하세요. 이는 자신의 이해도가 실제 깊이가 있는지, 아니면 단순히 API 수준인지 테스트할 수 있는 가장 빠른 체크포인트입니다.

NLP 중심 경로

Unit III를 완료하여 (기초를 다지고), Unit V (NLP, 레슨 13~20)로 건너뛴 다음, 선택적으로 컴퓨터 비전의 전이 학습 (transfer learning) (레슨 08)을 위해 다시 돌아오세요.

PyTorch vs TensorFlow

커리큘럼은 두 가지를 모두 지원합니다. 새로운 학습자라면:

• PyTorch: 네이티브 Python 사고방식에 더 가깝고, 디버깅(debug)이 더 직관적이며, 현재 연구 분야에서 지배적임
• TensorFlow/Keras: 프로덕션 배포(production deployment)에서 더 흔히 사용되며, model.fit() API가 더 깔끔함

한 레슨에서 하나의 노트북을 두 버전 모두 실행해 본 다음, 한 가지 경로를 선택하여 더 깊이 학습하세요.

코스 실행하기

온라인, 로컬 설치 없음:

# Binder를 통해 (README의 배지를 클릭하세요)
# 또는 GitHub Codespace를 통해 (레포지토리를 fork한 후, Code → Codespace 선택)

로컬 (속도를 위해 권장됨):

# 핵심 콘텐츠만 클론(clone)하세요 — 50개 이상의 언어 번역 파일은 건너뜁니다
git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
cd AI-For-Beginners
...

리소스

공식 링크

• 🌟 GitHub: microsoft/AI-For-Beginners
• 🗺️ 코스 마인드맵 (Course mindmap): mindmap.html
• 📚 Microsoft Learn 컬렉션: AI 코스 컬렉션
• 🐦 Binder (온라인 실행): mybinder.org
• 💬 Discord: Microsoft Foundry

Microsoft "For Beginners" 시리즈

요약

AI For Beginners는 가장 빠른 진입로가 되려고 노력하는 대신, 실제로 이해를 구축하는 데 집중함으로써 혼잡한 AI 튜토리얼 분야에서 차별화됩니다.

기억할 만한 세 가지 설계 결정:

기호적 AI (symbolic AI)로 시작: 거의 모든 현대적인 AI 튜토리얼이 신경망 (neural networks)으로 바로 뛰어드는 세상에서, 이 코스는 먼저 전문가 시스템 (expert systems)과 지식 표현 (knowledge representation)을 가르칩니다. 해당 접근 방식이 왜 한계가 있는지 이해함으로써, 신경망이 단순히 잘 작동하는 도구가 아니라 실제 문제에 대한 해결책처럼 느껴지게 만듭니다.

사용하기 전에 프레임워크를 직접 구축하기: Lesson 04의 수동 구축 신경망 (neural network) 프레임워크는, 이후에 loss.backward()를 호출할 때 그것이 추상적인 개념이 아니라 여러분이 직접 구현한 무언가로서 실제로 어떤 일이 일어나고 있는지 알게 해줍니다. 이는 단순히 API에 익숙해지는 것과는 의미가 다른 차원의 이해를 만들어냅니다.

명시적인 범위 외 (out-of-scope) 목록: 많은 강의가 모든 것을 다루려다 결국 모든 내용이 얕아지는 결과를 초래합니다. 가르치지 않는 것이 무엇인지 명시하고, 그것이 어디에서 가르쳐지는지 안내하는 것은 학습자의 시간에 대한 존중이자, 강의의 실제 범위에 대한 정직함의 한 형태입니다.

만약 오늘날의 LLM (Large Language Models) 뒤에 있는 Transformer가 실제로 어떻게 작동하는지 — 퍼셉트론 (perceptron)에서 BERT로, Bag-of-Words에서 GPT로 이어지는 경로를 추적하며 — 이해하고 싶다면, 이 커리큘럼은 그 완전한 경로를 구조화되고 실행 가능한 형태로 제공합니다.

_ PrimeSkills를 탐색해 보세요 — 실제 기업 워크플로우 (enterprise workflows)를 기준으로 검증된 AI 에이전트와 기술의 큐레이션 마켓플레이스입니다. 과장 없이, 실제로 작동하는 것들만 제공합니다. _

_ 더 많은 통찰과 흥미로운 제품을 보려면 저의 개인 사이트를 방문해 주세요. _