AI-For-Beginners 딥다이브
— 마이크로소프트가 만든 12주 24강 "딥러닝 + 기호주의 AI" 커리큘럼

이중 프레임워크 병렬 노트북 (PyTorch ∥ TensorFlow)

이 저장소의 정체성. 같은 레슨을 두 프레임워크로 각각 제공한다(...PyTorch.ipynb / ...TF.ipynb). 현업에서 두 프레임워크가 공존하는 현실을 반영해, 학습자가 어느 코드베이스를 만나도 읽을 수 있게 만든다. 대신 "둘 다 공부하라"는 부담을 주지 않도록 하나만 골라 완주하는 걸 기본 동선으로 설계했다.

"프레임워크를 쓰기 전에 프레임워크를 만든다"

3단원의 레슨 순서(퍼셉트론 → 나만의 프레임워크 → 기성 프레임워크)가 이 패턴이다. 4강에서 NumPy만으로 순전파·역전파(backpropagation)·경사하강을 직접 짜서 미니 프레임워크를 만든 뒤에야 PyTorch를 도입한다. "내부를 한 번 열어본" 경험이 이후 모든 단원에서 프레임워크를 덜 두렵게 만든다.

기호주의 + 연결주의를 한 커리큘럼에

대부분의 딥러닝 강의는 신경망만 다룬다. 이 저장소는 II단원에서 전문가 시스템·온톨로지·개념 그래프(규칙 기반 AI)를 먼저 보여준 뒤 신경망으로 넘어간다. "AI = 딥러닝"이라는 좁은 시야 대신 "AI에는 여러 갈래가 있다"는 지도를 먼저 심어주는 설계다.

퀴즈 앱을 별도 SPA로 분리 (etc/quiz-app/)

40개 퀴즈는 커리큘럼 본문과 분리된 독립 Vue.js 애플리케이션이다. 레슨 README의 quiz/숫자 링크가 이 앱의 해당 퀴즈로 연결된다. 콘텐츠(마크다운)와 인터랙티브 퀴즈(웹앱)의 관심사를 깔끔히 분리해, 각각 독립적으로 배포·번역된다.

번역 자동화 파이프라인 (Co-op Translator)

사람이 번역하지 않는다. GitHub Action이 main에 푸시될 때마다 Azure AI로 translations/<lang>/와 translated_images/를 50개+ 언어로 자동 생성한다. 그래서 번역 파일은 절대 손으로 수정하면 안 된다(다음 자동 실행에서 덮어써진다). 원본과 번역의 생성 경로를 완전히 분리한 설계다.

신경망이 아닌 규칙과 논리로 지능을 흉내 낸다. Animals.ipynb는 "다리 4개 + 털 있음 → 포유류" 같은 규칙을 연쇄 추론하는 전문가 시스템을, FamilyOntology.ipynb는 가족 관계를 온톨로지(개념 사이 관계망)로 표현해 질의한다.

배울 것: IF-THEN 규칙 기반 추론, 지식 표현(온톨로지·RDF), 순전파/역전파 추론(forward/backward chaining), "데이터로 배우는 AI"와 "지식을 적어 넣는 AI"의 근본 차이.

이 커리큘럼의 심장. 뉴런 1개(퍼셉트론)에서 시작해, 4강에서 NumPy만으로 역전파를 직접 구현한다. 프레임워크가 자동으로 해주던 "미분"을 손으로 짜보는 경험이 이후 모든 단원의 이해도를 바꾼다.

# 3-NeuralNetworks/04-OwnFramework — 프레임워크 없이 역전파 직접
class Linear:
    def forward(self, x):
        self.x = x
        return x @ self.W + self.b
    def backward(self, dz):        # 핵심: 미분을 손으로 계산
        self.dW = self.x.T @ dz
        self.db = dz.sum(axis=0)
        return dz @ self.W.T       # 이전 층으로 흘려보낼 기울기

배울 것: 퍼셉트론과 활성화 함수, 순전파/역전파의 수학, 경사하강법, 과적합(overfitting)과 정규화, 그리고 5강에서 이 모든 걸 PyTorch·Keras·TensorFlow로 다시 짜며 "프레임워크가 대신 해주는 일"을 체감.

OpenCV 고전 기법으로 몸을 푼 뒤 CNN으로 넘어간다. 핵심은 전이학습(Transfer Learning) — 이미 수백만 장으로 학습된 모델(VGG 등)을 가져와 마지막 층만 내 문제에 맞게 교체한다. 적은 데이터로도 높은 정확도를 내는 실전 필수 기법이다.

# 4-ComputerVision/08-TransferLearning (PyTorch 트랙)
import torchvision.models as models
vgg = models.vgg16(weights='IMAGENET1K_V1')
for p in vgg.features.parameters():
    p.requires_grad = False        # 사전학습 특성 추출부는 동결
vgg.classifier[6] = nn.Linear(4096, 2)  # 마지막 층만 내 문제(2클래스)로 교체

배울 것: 합성곱·풀링·특성 계층, 대표 CNN 아키텍처(VGG 등), 사전학습 모델 재활용, 오토인코더·VAE(9강)·GAN·화풍 변환(10강)으로 이어지는 생성 모델, 객체 탐지(11강)와 U-Net 시맨틱 분할(12강).

"단어를 숫자로 바꾸는 법"부터 트랜스포머까지 NLP의 역사를 순서대로 밟는다. BoW/TF-IDF(13강) → Word2Vec 임베딩(14강) → RNN(16강) → 트랜스포머·BERT(18강). 왜 트랜스포머가 RNN을 대체했는지를 "직접 겪으며" 이해하도록 설계됐다.

# 5-NLP/18-Transformers — 사전학습 BERT 불러오기
from transformers import AutoModel, AutoTokenizer
tok  = AutoTokenizer.from_pretrained('bert-base-uncased')
bert = AutoModel.from_pretrained('bert-base-uncased')
ids  = tok("deep learning is fun", return_tensors='pt')
out = bert(**ids).last_hidden_state   # 문맥이 반영된 단어 벡터

배울 것: 텍스트 벡터화(BoW·TF-IDF), 단어 임베딩의 의미 기하학, RNN/LSTM으로 순서 다루기, 어텐션(attention)과 트랜스포머 구조, BERT 파인튜닝, 개체명 인식(19강).

커리큘럼의 최신 접점. GPT 계열 거대 언어모델(LLM)의 원리와 프롬프트 프로그래밍·few-shot(예시 몇 개로 태스크 지시)를 다룬다. 앞 단원에서 트랜스포머를 이미 이해했기 때문에 "LLM이 왜 이렇게 작동하는지"를 마법이 아니라 구조로 받아들이게 된다.

배울 것: 언어모델의 다음 토큰 예측 원리, 프롬프트 설계, few-shot/zero-shot 개념, 사전학습→파인튜닝 패러다임. (더 깊은 생성형 AI는 자매 저장소 generative-ai-for-beginners로 연결.)

지도학습 바깥의 세계. 유전 알고리즘(21강)은 "진화"로 답을 찾고, 심층 강화학습(22강)은 보상을 통해 스스로 정책을 배운다. OpenAI Gym의 CartPole(막대 세우기)로 표준 RL 인터페이스를 익힌다.

# 6-Other/22-DeepRL — OpenAI Gym 표준 루프
import gym
env = gym.make("CartPole-v1")
obs, _ = env.reset()
for _ in range(1000):
    action = policy(obs)          # 정책이 행동 선택
    obs, reward, done, *_ = env.step(action)  # 환경이 보상을 돌려줌
    if done: obs, _ = env.reset()

배울 것: 유전 알고리즘(선택·교차·돌연변이), 강화학습의 상태/행동/보상, Q-Learning과 정책 경사, Gym 표준 인터페이스(reset/step), 다중 에이전트 시스템(23강)의 개념.

기술로 끝내지 않는다. 24강은 Microsoft의 책임 있는 AI 6대 원칙(공정성·신뢰성과 안전·프라이버시와 보안·포용성·투명성·책무성)을 다룬다. 부록에선 이미지와 텍스트를 한 공간에 매핑하는 CLIP·VQGAN 같은 멀티모달 모델을 맛본다.

배울 것: 편향(bias)과 공정성 지표, 책임 있는 AI 설계 원칙, 멀티모달 표현 학습(이미지↔텍스트), CLIP 제로샷 분류의 아이디어.

실습 1 — 트랙을 정하고 퍼셉트론 레슨 완주하기1~2일

먼저 PyTorch 트랙과 TensorFlow 트랙 중 하나를 정한다. 그다음 3-NeuralNetworks/03-Perceptron에서 프리퀴즈 → README → Perceptron.ipynb 실행 → 포스트퀴즈까지 학습 사이클 하나를 처음부터 끝까지 겪어본다.

git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
cd AI-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
cat lessons/3-NeuralNetworks/03-Perceptron/README.md

확인 포인트: 퍼셉트론이 "직선 하나로 두 그룹을 가르는" 가장 작은 신경망임을 노트북 그래프로 눈으로 확인한다.

실습 2 — 4강 "나만의 프레임워크"로 역전파 손구현하기3~4일

3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb를 따라, NumPy만으로 다층 퍼셉트론과 역전파를 짠다. 그런 다음 lab/MyFW_MNIST.ipynb에서 직접 만든 프레임워크로 손글씨 숫자(MNIST)를 분류해본다.

cd lessons/3-NeuralNetworks/04-OwnFramework
jupyter notebook OwnFramework.ipynb
# backward() 미분식을 한 줄씩 손으로 검산하며 실행

확인 포인트: 학습이 진행되며 손실(loss)이 줄어드는지 확인하고, 이 코드가 이후 5강 PyTorch loss.backward() 한 줄과 같은 일을 한다는 걸 대응시켜 이해한다.

실습 3 — 전이학습으로 내 이미지 분류기 만들기1주

4-ComputerVision/08-TransferLearning의 노트북을 참고해, 사전학습된 CNN의 마지막 층만 교체하고 내가 모은 이미지(예: 강아지 vs 고양이) 폴더로 파인튜닝한다.

cd lessons/4-ComputerVision/08-TransferLearning
jupyter notebook TransferLearningPyTorch.ipynb
# 데이터 경로를 내 이미지 폴더로 바꾸고, 마지막 Linear의 출력 수를 내 클래스 수로

확인 포인트: 사전학습 특성부를 requires_grad=False로 동결했을 때와 안 했을 때 정확도·학습 속도가 어떻게 달라지는지 비교한다.

실습 4 — 같은 레슨을 PyTorch ↔ TensorFlow로 비교하기4~5일

이미 한 트랙으로 완주한 CNN 레슨(07-ConvNets)을 반대 트랙 노트북으로 다시 연다. ConvNetsPyTorch.ipynb와 ConvNetsTF.ipynb를 나란히 놓고 같은 개념이 어떻게 다르게 표현되는지 정리한다.

# 두 프레임워크의 "모델 정의" 방식 비교 노트를 직접 작성
# PyTorch: nn.Module 상속 + forward() 정의
# TF/Keras: Sequential([...]) 또는 함수형 API

확인 포인트: 층 정의·학습 루프·저장/불러오기 세 지점에서 API 철학 차이를 표로 정리하면, 어느 프레임워크 코드를 만나도 읽을 수 있게 된다.

실습 5 — BERT 파인튜닝 또는 CLIP 제로샷 실험2주+

5-NLP/18-Transformers의 BERT로 감성분석 데이터셋을 파인튜닝하거나, 부록 X-Extras/X1-MultiModal/Clip.ipynb로 "학습 없이(zero-shot)" 이미지를 텍스트 라벨로 분류하는 실험을 한다.

# CLIP 제로샷: 이미지와 텍스트 라벨을 같은 공간에 넣고 유사도 비교
labels = ["a cat", "a dog", "a car"]
# 학습 데이터 0장으로도 분류가 되는 원리를 직접 확인

확인 포인트: 사전학습 모델의 "지식"이 얼마나 강력한지 — 내 데이터로 거의 학습하지 않고도 쓸 만한 결과가 나오는 이유를 트랜스포머 구조와 연결해 설명해본다.

목표: 신경망에 들어가기 전에 "모델 학습의 기본 문법"(fit/predict, 과적합, 평가지표)을 고전 ML로 먼저 익힌다.

자료: 자매 저장소 microsoft/ML-For-Beginners(회귀·분류·클러스터링). 이미 익숙하다면 건너뛰어도 된다.

실습: Scikit-learn으로 회귀·분류 노트북 몇 개 완주 → train_test_split·과적합 개념 체화.

목표: AI의 역사와 기호주의를 훑고, 3단원에서 퍼셉트론 → 나만의 프레임워크 → 기성 프레임워크 순서를 반드시 이 순서로 밟는다.

자료: lessons/1-Intro, 2-Symbolic, 3-NeuralNetworks 전체.

실습: 4강 역전파 손구현(실습 2)이 이 구간의 하이라이트 — 여기서 막히지 말고 시간을 들일 것.

목표: CNN·전이학습을 손에 익히고, 오토인코더·GAN으로 생성 모델의 감을 잡는다.

자료: 4-ComputerVision 06~12강, 정한 트랙(PyTorch 또는 TF) 노트북.

실습: 전이학습으로 내 이미지 분류기(실습 3) → 작은 데이터로 높은 정확도를 직접 경험.

목표: 임베딩 → RNN → 트랜스포머·BERT로 이어지는 NLP의 진화를 순서대로 겪고, "왜 트랜스포머가 이겼는지"를 이해한다.

자료: 5-NLP 13~20강, Hugging Face transformers 공식 문서.

실습: BERT 파인튜닝(실습 5) → 사전학습→파인튜닝 패러다임 체득.

목표: 강화학습·유전 알고리즘·다중 에이전트로 지도학습 바깥을 넓히고, AI 윤리로 마무리한다.

자료: 6-Other, 7-Ethics, Gymnasium(OpenAI Gym 후속) 문서.

실습: CartPole 강화학습 루프를 다른 Gym 환경(MountainCar 등)으로 바꿔보기.

목표: 트랜스포머 기반을 갖췄으니, 현대 LLM·프롬프트 엔지니어링·RAG로 넘어간다.

자료: microsoft/generative-ai-for-beginners(생성형 AI 편), microsoft/ai-agents-for-beginners(에이전트 편) — 이 저장소가 직접 안내하는 다음 단계.

실습: 20강에서 배운 few-shot 프롬프트를 실제 LLM API로 확장해 미니 애플리케이션 하나 만들기.