트랙
머신러닝 핵심
데이터에서 신뢰할 수 있는 예측 모델을 어떻게 만들고 평가하는가?
15부 데이터 설계·처리·품질 관리
15.1 데이터의 의미와 구조
15.2 저장 형식과 대용량 데이터
15.3 전처리와 탐색적 분석
15.4 데이터 분할과 누수 방지
15.5 데이터셋 버전·문서화·라이선스
15.6 합성 데이터와 시뮬레이션 데이터
16부 고전 머신러닝과 통계 모델링
16.1 기준 모델의 철학
16.2 선형 모델과 정규화
16.3 커널 방법과 최근접 이웃
16.4 트리와 앙상블
16.5 비지도학습과 표현 탐색
16.6 모델 선택과 평가
16.7 시계열 분석
16.8 생존분석과 인과추론 기초
17부 딥러닝과 PyTorch
17.1 신경망의 구성 요소
17.2 PyTorch 텐서와 autograd
17.3 nn.Module과 모델 구성
17.4 Dataset과 DataLoader
17.5 학습 루프 해부: forward → loss → backward → update
17.6 평가·추론·체크포인트
17.7 Trainer 설계: 직접 작성과 프레임워크
17.8 학습 모니터링과 대시보드
17.9 학습 실패 진단
17.10 PyTorch 생태계와 대안
18부 신경망 아키텍처와 표현학습
18.1 귀납적 편향과 아키텍처 선택
18.2 CNN과 공간 구조
18.3 순환 모델과 상태공간 모델
18.4 Attention과 Transformer
18.5 언어모델과 LLM의 기초
18.6 그래프 신경망과 기하학적 딥러닝
18.7 시계열 딥러닝
18.8 표현 분석