Machine Learning, Deep Learning, LLM/GenAI로 흩어져 있던 실습과 미션을 하나의 research map으로 다시 엮은 개요 글입니다. 어떤 트랙에서 무엇을 구현했고, 대표 작업물이 무엇인지 빠르게 훑을 수 있게 구성했습니다.

ML 22 · DL 55 · LLM 38

Archive Snapshot

Track Source Notes Main Focus Representative Artifacts
Machine Learning 22 Python, pandas, statistics, classical ML, feature engineering Hotel Booking Demand, Bike Rental System, Portuguese Bank Data Marketing
Deep Learning 55 PyTorch fundamentals, CNN/RNN, detection, segmentation, generation Mission_7_강사공유, Mission_8_강사공유, Mission 9_이미지 생성
LLM / GenAI 38 Embedding, RAG, fine-tuning, LangGraph agents, evaluation 한국어_FAQ_챗봇_LangSmith, Gemma_QLoRA, 미션13, 미션14

Why I Reorganized These Notes

원본 노트에는 수업 실습, 스프린트 미션, 강사 공유 코드, 혼자 확장한 실험이 한꺼번에 섞여 있었습니다.
이 섹션에서는 그 재료를 그대로 나열하지 않고, 아래 기준으로 다시 묶었습니다.

  • 실습 파일을 “무엇을 만들었는가”보다 “어떤 문제를 어떻게 풀었는가” 중심으로 재정리했습니다.
  • 강의용 예제도 그대로 복붙한 기록이 아니라, 실제로 익힌 엔지니어링 포인트가 드러나도록 선별했습니다.
  • 모델 이름만 적는 대신 데이터 전처리, 평가 지표, 실패 지점, 다음 실험 방향까지 남겼습니다.

Track Guide

1. Machine Learning

기초 Python 실습에서 시작해 pandas, 통계, 시각화, scikit-learn 기반 회귀/분류, 앙상블, 차원 축소까지 이어지는 흐름입니다.
특히 스프린트 미션에서는 단순히 모델을 돌리는 수준을 넘어서, 지표에 맞는 전처리와 피처 엔지니어링을 어떻게 고르는지에 집중했습니다.

2. Deep Learning

PyTorch 텐서와 데이터 로더부터 모델링, CNN, RNN, 사전학습 모델, Object Detection, Segmentation, GAN/VAE까지 시야를 확장한 트랙입니다.
정확도만 보는 분류 실습에서 끝나지 않고, IoU, AP, mAP, Dice loss 같은 비전 태스크의 평가 관점으로 넘어간 흔적을 담고 있습니다.

3. LLM / GenAI

텍스트 벡터화와 Transformer 기초부터 BERT/GPT 계열 사전학습, LoRA/QLoRA, RAG, LangChain, LangGraph까지 연결되는 실험 기록입니다.
이 영역은 특히 “모델 호출”이 아니라, 검색, 추적, 평가, 도구 호출, 파이프라인 설계까지 시스템으로 다뤘다는 점을 강조하고 싶었습니다.

What Makes This Section Portfolio-Worthy

  • 수업 내용을 단순히 따라간 흔적이 아니라, 문제를 구조화하는 방식이 보입니다.
  • 회귀에서는 RMSLE, 분류에서는 Precision/Recall/F1/ROC-AUC, 비전에서는 IoU/AP/mAP, LLM에서는 Grounded RAG와 PEFT 효율처럼 태스크에 맞는 기준이 남아 있습니다.
  • 같은 기술을 여러 번 반복한 노트라도, 이번에는 “학습 경로”가 아니라 “실제 역량”으로 읽히도록 재배치했습니다.
  1. 예측 문제와 전통 ML 감각을 먼저 보고 싶다면 Machine Learning Sprint Archive
  2. 컴퓨터 비전과 PyTorch 확장을 보고 싶다면 Deep Learning Vision Track
  3. 최근 관심사인 RAG, LoRA, Agent 흐름을 보고 싶다면 LLM / GenAI Experiment Log

Next Step

이 Research 섹션은 강의 노트를 보관하는 장소라기보다, 앞으로 프로젝트로 확장할 주제를 고르는 실험실에 가깝습니다.
이후에는 여기서 검증한 흐름 중 재사용 가치가 큰 것들을 별도 portfolio 프로젝트로 승격시킬 계획입니다.