마이캠퍼스 딥러닝 & Python 스쿨
강의 보러 가기 https://study.mycampus.io
NN전공 후에 서버 개발해 온 SW엔지니어. 대기업 연구원, 스타트업 CTO를 수행하면서 계속 개발실무를 해 온 SW엔지니어입니다. 또한, SW인재를 양성하는 ‘소프트웨어 마에스트로’ 프로그램에서 멘토로 활동하며, 머신러닝/데이터분석에 기반한 서비스 개발 관련 멘토링을 많이 하고 있습니다.
한대희 약력
- 현) 마이캠퍼스 촌장 & 강사
- 전) 소프트웨어 마에스트로 멘토 (SW인재 양성, 과학기술정보통신부)
- 포스텍 컴퓨터공학 석사 (Neural Network, 머신러닝 전공, 1997)
- SK텔레콤 연구원(2002), 삼성전자 연구원(2014)
- 벤처 CTO(2010), 스타트업 CTO (2016)
- Slideshare, Linkedin, Facebook
SW 엔지니어의 발전을 돕고, 지식공유문화를 만드는데 보람을 느낍니다. 또한 지식제공자가 정당한 대우를 받을 수 있도록 돕고자 노력하고 있습니다.
경험한 기술분야는 데이터분석 및 머신러닝(딥러닝, 텍스트처리, 검색엔진), 클라우드(서버, 백엔드), 웹 기반의 서비스 개발 등 입니다. 대기업과 벤처 및 스타트업(IoT, Fintech, …)경험을 두루 갖추고 있으며, 사용자에게 가치를 주고 서비스를 만들고 싶어합니다.
인공지능(AI)실현과 딥러닝에 대한 생각
학부과정에서 인공지능 수업시간에 배운 ‘symbolic AI 기법(주로 rule-based, expert system 등)으로는 안되겠다’라고 생각하고, 인공지능을 구현 방법을 알고 싶어서 석사에서 신경망(Neural Network) 및 머신러닝을 전공하였습니다. 그후 직장에서는 대용량의 부하와 데이터를 죽지않고 처리할 수 있는 서버(클라우드) 분야 일을 많이 하였습니다.
여전히 딥러닝이 인공지능의 구현이라고 보지 않습니다. 뇌의 진짜 원리 및 뇌과학에 대한 접목이 있어야 진짜 인공지능에 다가설 수 있을 것입니다.
딥러닝은 “방대한 데이터내에 존재하는 어떠한 함수/관계/매핑/확률분포라도 학습할(보다 정확히 표현하면, 흉내낼) 수 있는 파워를 가지고 있으며, 인공지능류의 기술을 구현하기 위한 최고의 방법론입니다. 그러나 그 자체가 인공지능은 결코 아닙니다.”
수강생과의 소통
열심히 노력하는 분들은 누구나 돕고 싶어합니다. 항상 가능한 것은 아닙니다만, 가끔 아래와 같은 잉여력을 쓸 때도 있습니다 ㅎㅎ.
한대희 기술 이력
- 미래창조과학부 SW인재양성 멘토 (2011년~현재)
- 삼성전자 연구소 수석 연구원 (2012~2014)— SW센터에서 Cloud 기술을 연구개발하였으며, 경력사원 채용 면접위원으로 다수 참여함. MSC에서 검색어 오타교정 개발, 스마트폰에서 사용자의 상황에 맞는 기능 및 콘텐트 추천 서비스(Context-based Recommendation) 개발에 참여함.
- 컴퓨터공학 전공 후, 석사과정에서 데이터분석 및 머신러닝(Neural Network, 딥러닝의 효시)를 전공함
- 프로그래밍 경력: C(1990~), Python(2004~), C++(2003~), Node.js(2015~)
스타트업에 대한 꿈
석사 후 직장1년차 시절이던 1997년때부터 MBC의 ‘성공시대' (변창립 아나운서 진행)을 보면서 벤처를 꿈꿨지만, 성공에 가까이 가본 적은 없습니다. 아래는 2014년 여름, 미국 실리콘밸리 여행 중에 500 startups 사무실 앞에서 찍은 사진입니다. 사용자에게 좋은 가치를 주는 훌륭한 서비스를 만들고 싶은 열정을 언제나 가지고 있습니다.
나름대로 정리해 본 딥러닝 공부/활용 수준 단계입니다
딥러닝 워크샵은 1–1-A, B 단계를 빠르게 달성할 수 있도록 돕고자 하는 것입니다.
1–1-A 단계수준: 현재 나와있는 주요 딥러닝 모델(DNN, CNN, RNN, …) 의 동작원리를 간략히 이해하고, tensorflow로 구현된 기본 소스를 이해하고, 새로운 데이터에 적용할 수 있는 능력 (예제 코드, 예제 데이터가 아닌)
1–1-B 단계수준: 자신의 데이터를 pandas, numpy를 이용해 전처리 및 가공하고, 딥러닝 결과를 분석하고, matplotlib으로 간단한 시각화 능력
1–2단계수준: 현재 나와있는 거의 모든 딥러닝 모델(DNN, CNN, RNN, VAE, GAN, Reinforcement Learning, …)의 동작 원리와 기본 구현 소스를 이해하고, 새로운 데이터에 적용할 수 있는 능력. 자신에 도메인에 따라 성능이 좋은 모델들이 다르므로 모든 모델들을 잘 알아야하는 것은 아니나, 데이터 처리 단계에 따라 다양한 모델들이 사용될 수 있으므로 각 특징을 아는 것이 좋음.
1–3단계수준: 논문에 실린 새로운 딥러닝 기술을 구현한 tensorflow기반 소스를 나의 문제 및 데이터에 적용할 수 있도록 간단한 수정(주로 데이터 처리 단계)을 할 수 있는 능력. 필수는 아님. 1–1, 1–2단계 이후에 모델의 수정 및 튜닝을 하면서 경험이 쌓이면 생길 수 있는 능력
2단계수준: 기존재하는 딥러닝을 모델을 이용하여 자신에 분야/도메인의 데이터/문제에 적용하여 다른 방법론(methodology, 머신러닝/통계적기법)보다 더 좋은 성능을 만드는 수준.
이 수준은 분야에 따라 해외 논문 제출 수준이 될 수 있습니다. 이는 다양한 딥러닝 모델의 적용, 모델 파라미터의 수정, Feature engineering 개선, 데이터 전처리의 개선 등 여러번의 시도과정을 통해 최고 성능의 모델을 찾도록 튜닝해 나가는 과정의 을 수행이 필요합니다. 이 과정을 데이터 사이언스 과정이라고 할 수 있습니다. 딥러닝뿐만 아니라 머신러닝, 데이터분석 분야의 다양한 기법들의 활용이 필요합니다.
3단계수준: 나의 새로운 딥러닝 모델(아키텍쳐)를 창안해내는 수준. 이는 자신의 분야(도메인)의 데이터 및 문제를 오래 다루면서 여러 딥러닝 모델을 적용해 본 경험이 바탕이 되어야 할 것입니다. 해외 논문 제출 수준입니다.
