2 강의계획서
2.1 과목 개요
| 항목 | 내용 |
|---|---|
| 과목명 | 딥러닝 (Deep Learning) |
| 대상 | 시스템경영공학부 3학년 |
| 담당교수 | 이지환 |
| 교재 | 본 강의 사이트 (이론 챕터 + 도장 + 실습) |
| 도구 | Python, Google Colab, labelImg |
2.2 수업 방향
원리를 손으로 확인하는 딥러닝. 수식의 유도보다 의미와 계산 가능성에 집중한다. 퍼셉트론 → 콘볼루션 → 어텐션으로 이어지는 손계산 훈련이 수업의 등뼈이며, 실습은 백지 구현이 아니라 동작하는 코드를 읽고, 고치고, 실험하고, 해석하는 방식으로 진행한다.
다루는 다섯 축은 실무에서 가장 많이 쓰이는 것들이다: 정형 데이터, 이미지, 객체탐지, 텍스트, LLM.
이 수업의 데이터 원칙
과제와 프로젝트의 학습 데이터는 직접 수집한다. 오픈데이터셋 사용은 금지한다. 모델 코드는 10줄이지만 성능은 데이터 품질이 결정한다는 것 — 그것을 몸으로 배우는 것이 이 수업의 핵심 경험이다.
2.2.1 깊이의 계약
각 주제를 어디까지 다루는지 미리 정한다.
- 원리(손계산 수준): 퍼셉트론 순전파, 손실함수, 경사하강 1스텝, 역전파 개념(2층 연쇄법칙 1회), 콘볼루션 연산, IoU, 어텐션 스코어
- 개념 수준: multi-head, 층 쌓기, 사전학습 스케일, RLHF
- 다루지 않음: LSTM 게이트 수식, GAN·VAE·확산모델, BERT/GPT 계보 상세, 탐지 모델 내부 구조
2.3 주차별 계획
| 주차 | 주제 | 과제/이벤트 | 챕터 |
|---|---|---|---|
| 1 | 딥러닝 개요, 데이터와 모형 | 개요, 1장 | |
| 2 | 퍼셉트론과 다층 퍼셉트론 | 2장 | |
| 3 | 딥러닝의 학습: 손실함수, 경사하강법 | 3장 | |
| 4 | 학습의 실전: 학습률·배치, 역전파 개념, 일반화, 정형 데이터 | 4장 | |
| 5 | 이미지 데이터와 콘볼루션 연산 | HW1 출제 | 5·6장 |
| 6 | CNN 구조와 아키텍처 | 7장 | |
| 7 | CNN 학습 전략과 전이학습 | HW2 출제 | 8장 |
| 8 | 중간고사 (1~7주 범위) | ||
| 9 | 객체탐지 응용: 분류→탐지, 라벨링 실습 | 프로젝트 킥오프 — 팀 구성, 수집계획서 | 9장 |
| 10 | 텍스트 표현: 토큰화, 임베딩, 시퀀스 모델의 한계 | 10장 | |
| 11 | 어텐션과 Transformer — 어텐션 손계산까지 | 중간점검 — 데이터셋 + 베이스라인 | 11장 |
| 12 | LLM의 원리와 활용: 사전학습 개념, 프롬프팅, API | HW3 출제 | 12장 |
| 13 | 프로젝트 워크숍 — 팀별 실험, 교수 피드백 | ||
| 14 | 프로젝트 발표 | 발표 + 자료 제출 | |
| 15 | 기말고사 (9~12주 범위) |
2.4 매주 손계산 문제집 (도장)
이론이 진행되는 모든 주(1~7, 9~12주, 총 11회)에 그 주의 개념을 손으로 계산하는 문제집이 나간다. 계산기 없이(또는 계산기만으로) 풀 수 있는 분량이다. 제출하지 않고, 성적에도 직접 반영되지 않는다 — 대신 중간·기말고사가 문제집과 같은 유형으로 출제된다. 문제집이 곧 시험의 기출이다.
| 주차 | 문제집 주제 |
|---|---|
| 1 | 변수 종류 구분, 모형·파라미터 식별, 학습된 모형으로 예측값 계산 |
| 2 | 퍼셉트론 순전파, 활성화 함수 값 계산, 신경망 파라미터 개수 세기 |
| 3 | MSE·교차 엔트로피 계산, Softmax, 경사하강 1스텝 |
| 4 | 2층 네트워크 역전파(연쇄법칙), 러닝커브 읽고 과적합 진단 |
| 5 | 콘볼루션 연산, 출력 크기 공식(패딩·스트라이드) |
| 6 | 풀링 계산, CNN 파라미터 수, 층별 출력 크기 추적 |
| 7 | 동결 층의 학습 파라미터 수, 전이학습 시나리오 판단 |
| 9 | IoU 계산, NMS 손절차 따라가기 |
| 10 | 토큰화 절차, 임베딩 벡터 유사도(내적·코사인) |
| 11 | 어텐션 스코어 손계산 (소형 Q·K·V) |
| 12 | 다음 토큰 확률 계산, temperature가 Softmax에 미치는 영향 |
- 각 문제집은 강의 사이트의 도장 페이지(문제은행)와 짝을 이룬다. 학번을 입력하면 본인 전용 문제가 생성되어 옆 사람과 다른 문제가 나오고, “새 문제” 버튼으로 같은 유형을 무한히 연습할 수 있다. 답은 즉시 채점되며 단계별 풀이가 제공된다.
- 훈련 기준: 각 유형에서 연속 3문제 무실수가 되면 그 주는 완성이다.
2.5 실습 과제
난이도 사다리: 실험·해석 → 자체 데이터 → LLM 활용.
| 과제 | 시점 | 내용 | 형태 |
|---|---|---|---|
| HW1 | 5주 | 정형 데이터 MLP — 부스팅 계열과 성능 비교, 결과 해석 | 개인 |
| HW2 | 7주 | 내가 찍은 사진으로 이미지 분류 — 전이학습, 클래스 2~3개 × 50장 | 개인 |
| HW3 | 12주 | 프롬프트 개선 과제 — 동일 과업을 프롬프트 개선만으로 성능 향상 | 개인 |
HW2는 팀 프로젝트의 예행연습이다. 개인이 소규모로 수집→학습→평가 전체 파이프라인을 한 번 경험한다.
2.6 팀 프로젝트: 자체 수집 데이터 객체탐지
- 팀: 3~4인
- 과업: 직접 촬영한 이미지로 객체탐지 모델 구축 (사전학습 YOLO 파인튜닝)
- 데이터: 클래스 1~3개, 팀당 200~300장 권장. 오픈데이터 학습 사용 금지
- 촬영 원칙: 사람(얼굴·신체) 촬영 금지 — 사물·시설물 대상 (예: 소화기, 표지판, 자전거, 학식 메뉴)
- 일정: 9주 킥오프(수집계획서) → 11주 중간점검(라벨링 완료 데이터셋 + 베이스라인) → 13주 워크숍 → 14주 발표
실패해도 좋다
데이터가 뜻대로 안 되는 것 자체가 배움이다. 결과 성능이 낮아도 왜 그런지에 대한 분석이 훌륭하면 높은 평가를 받는다. 실패 분석은 원리 이해의 가장 강력한 증거다.
2.7 평가
| 항목 | 비중 | 비고 |
|---|---|---|
| 출석 | 10% | |
| 실습 과제 (HW1~3) | 15% | 각 5% |
| 중간고사 | 30% | 1~7주, 손계산 중심 — 문제집(도장)과 같은 유형 |
| 팀 프로젝트 | 20% | 데이터 품질·수집 설계 / 모델링·실험 / 분석(실패 분석 포함) / 발표 |
| 기말고사 | 25% | 9~12주, 손계산 + 개념 — 문제집(도장)과 같은 유형 |