AI를 처음부터 배우는 52주 로드맵: 공개 강의에서 독립 프로젝트까지
Python, 수학, 머신러닝, 언어 모델, 강화학습, 에이전트를 선수 지식과 과제, 구현 및 검증으로 연결하는 독학 튜토리얼.
출처 및 버전 정보
이 글의 목차
지식의 연결 구조
강의 목록만으로는 다음에 무엇을 왜 배워야 하며 무엇을 만들 수 있는지 알기 어렵습니다. 이 글은 Stanford, MIT, Berkeley, Harvard, Cornell의 공개 자료에 독립 교육자와 공개 엔지니어링 과정을 연결한 Token Lab의 학습 설계입니다. 대학 학위 과정이나 해당 기관의 공식 추천은 아닙니다.
주당 10–15시간씩 52주, 약 520–780시간을 가정합니다. 핵심 강의 일부와 범위를 제한한 프로젝트를 위한 예산이며, 목록의 모든 강의와 과제를 완료하는 일정이 아닙니다. 완전 초보자는 18–24개월로 늘려도 됩니다. 숙련된 SDE는 Python을 줄일 수 있지만 확률, 수치적 추론, 실험 설계는 생략하지 않아야 합니다. 연구 역량에는 더 긴 시간이 필요합니다.
공개 자료와 무료 등록·채점·인증서·컴퓨팅은 다릅니다. 일부 Stanford 최신 녹화는 수강생 전용이지만 이전 공식 영상은 공개되어 있습니다. Code in Place는 기수별 모집을 확인해야 합니다. Coursera, GPU, 외부 API에는 비용이 발생할 수 있습니다. 이 로드맵에서 Token Lab이 유료 모델을 자동 호출하지는 않습니다.
현실적인 1년과 주간 루틴
과목별 주 교재는 하나를 선택합니다. 대안은 직관, 느린 유도, 구현 연습, 전문 분야 같은 구체적인 부족을 보완합니다. 비슷한 입문 강의 세 개를 연달아 보면 독립 구현만 늦어질 수 있습니다. 어떤 부족을 해결하는지 설명할 수 있을 때 추가 교재를 사용합니다.
주 12시간이라면 강의·노트 3시간, 유도 2시간, 구현·디버깅 5시간, 기술 보고서 2시간을 배정합니다. 설명 전에 영상을 멈추고 다음 단계를 예측합니다. 잘못된 가정, 최소 반례, 수정 내용을 기록하고 1주 및 1개월 뒤 복습합니다.
1–10주는 기초, 11–18주는 ML, 19–27주는 신경망, 28–38주는 언어 모델, 39–46주는 RL, 47–52주는 에이전트입니다. 강제 마감이 아니라 시간 예산입니다. 프로젝트가 끝나지 않았다면 구현 시간보다 선택 과목을 줄이세요. 학업 윤리를 지키고 공개 금지된 현행 과제 해답을 게시하지 마세요.
| 주 | 핵심 목표 |
|---|---|
| 1–10 | 0단계: Python과 수학 언어 |
| 11–18 | 1단계: 누출이 아닌 데이터에서 학습 |
| 19–27 | 2단계: 신경망과 시각 표현 |
| 28–38 | 3단계: 텍스트에서 학습 가능한 언어 모델까지 |
| 39–46 | 4단계: 행동과 보상을 통한 학습 |
| 47–52 | 5단계: 경계와 관측 가능성을 갖춘 에이전트 |
0단계: Python과 수학 언어
Python으로 재사용 계산, 배치 데이터, 테스트를 표현합니다. 자율 학습에는 CS50P, 적절한 모집 기수가 있다면 Code in Place를 선택합니다. 파일, 예외, 가상 환경, Git, 재현 명령을 익힌 뒤 NumPy 브로드캐스팅과 PyTorch 텐서로 넘어갑니다. 문법 학습만으로 수치 계산을 익힌 것은 아닙니다.
3Blue1Brown으로 행렬을 변환으로 이해하고 MIT 18.06에서 선형계, 생성 공간, 랭크, 투영, 고유벡터, 특이값을 공부합니다. ENGR108은 Boyd–Vandenberghe 기반 응용 대안이지만 현재 Julia를 사용합니다. Python 노트북으로 기대하지 말고 수학적 개념을 옮기세요. 과목 번호의 계승도 현행 강의 내용의 동일성을 보장하지 않습니다.
확률은 데이터의 불확실성, 미적분은 매개변수에 대한 민감도를 설명합니다. CS109나 Stat 110으로 조건부 확률, 베이즈, 기댓값, 분산, 표본 추출을 배우세요. 미적분 애니메이션 이후 편미분과 연쇄 법칙을 직접 유도합니다. 교차 엔트로피는 확률 목적 함수이고 역전파는 계산 그래프에 적용한 연쇄 법칙입니다.
X가 n행 d특징, w가 d가중치, y가 n목표이면 Xw는 n예측입니다. 평균 제곱 오차의 절반에 대한 기울기는 Xᵀ(Xw−y)/n이고 d차원입니다.
메커니즘 깊이 이해하기
벡터는 순서 있는 좌표, 행렬은 공간 사이 선형 연산입니다. 랭크는 독립 방향의 수입니다. 두 특징이 항상 함께 변하면 추가 가정 없이 각각의 효과를 식별할 수 없습니다. 미분은 국소 민감도, 기울기는 편미분의 모음입니다. 음의 기울기로 충분히 작게 이동하면 목표가 국소적으로 감소합니다. 확률은 자신감 형용사가 아닌 분포로 불확실성을 표현합니다.
구체적인 판단과 계산
긴급 티켓이 1%, 검출률이 90%, 비긴급 오탐률이 5%라면 10,000개에서 참 경보 90개와 오탐 495개를 기대합니다. 경보 중 진짜 긴급은 90/585≈15.4%입니다. 제품 측정이 아닌 합성 베이즈 예제로, 검출률 외에 기저율이 중요함을 보여줍니다.
권장 주간 순서
1–3주는 함수·자료구조·파일·예외·재현 환경, 4–7주는 벡터·행렬곱·투영·최소제곱, 8–10주는 조건부 확률·기댓값·미분과 회귀입니다. MIT 단원을 골라 시각 설명을 보충하며 수학과 코딩을 병행합니다.
X∈ℝⁿˣᵈ, w∈ℝᵈ, y∈ℝⁿ, n>0. 기울기는 w와 같은 형상입니다. X 첫 열이 상수라 별도 편향은 없습니다.
이 단계의 공식 자료1단계: 누출이 아닌 데이터에서 학습
CS229를 수학적 중심으로 삼고 공개 2018년 강의를 안정적인 입구로 사용합니다. 현재 자료 일부는 제한되므로 공개 판본을 고정하세요. 확률 기호가 어렵다면 Andrew Ng 과정으로 직관을 보충하거나 CS4780 설명을 선택할 수 있습니다. 어느 것도 직접 유도와 기준 구현을 대체하지 않습니다.
지도학습은 라벨로 매핑을 추정하고 비지도학습은 목표 라벨 없이 구조를 찾습니다. 선형 회귀는 실수, 로지스틱 회귀는 이진 확률을 예측하며 k-means는 할당과 중심 갱신을 반복합니다. 알고리즘 전에 목적을 설명하세요. 거리에는 스케일 가정이 숨어 있어 큰 단위의 특징이 지배할 수 있습니다.
공개·합성 데이터로 사고 티켓의 긴급 검토 여부를 판단하는 사례를 이어갑니다. 전처리 학습 전에 시간 또는 고객으로 분할해야 합니다. 유사 티켓이 양쪽에 있으면 높은 점수가 암기일 수 있습니다. 정확도는 드문 긴급 사례를 숨깁니다. 긴급 상황 누락과 불필요한 검토의 비용은 다릅니다.
정규화는 적합도와 안정성을 교환합니다. Ridge의 λ‖w‖²/2는 기울기에 λw를 더합니다. λ가 크다고 항상 좋은 것은 아니며 학습·검증으로 선택하고 최종 테스트를 보존합니다. 상수나 선형 기준을 유지하고 전처리, 분할 목록, 모델을 함께 저장합니다.
메커니즘 깊이 이해하기
추정기는 데이터에서 매개변수를 얻고 예측기는 새 입력에 적용합니다. 학습 손실과 일반화는 다릅니다. 최적화 오차, 통계적 추정 오차, 분포 변화는 서로 다른 문제라 학습 단계를 늘려도 모두 해결되지 않습니다. 튜닝 전에 문제를 구분하세요.
구체적인 판단과 계산
로지스틱 회귀는
권장 주간 순서
11–13주는 회귀·최대우도·기울기, 14–16주는 정규화·검증·스케일·k-means, 17–18주는 허가된 데이터의 기준 프로젝트입니다. CS229 자료를 닫고 유도·구현하며 Cornell은 부족한 부분만 보충합니다.
λ≥0이며 수치 스케일은 특징 정규화와 손실 정의에 의존합니다.
이 단계의 공식 자료2단계: 신경망과 시각 표현
Zero to Hero의 micrograd로 스칼라 계산 노드와 역방향 미분 누적을 구현합니다. 이어 행렬 배치가 빠른 이유와 브로드캐스팅의 조용한 기울기 오류를 이해합니다. CS231n은 손실, 최적화, 합성곱과 학습 실무를 연결합니다. Michigan은 추가 필수가 아니라 대안입니다.
은닉층은 표현을 학습합니다. 선형 변환을 쌓아도 선형이므로 XOR에는 비선형성이 필요합니다. 역전파가 미분을 계산하고 Adam이나 SGD가 갱신합니다. 낮은 학습 손실만으로 일반화는 증명되지 않습니다. 증강은 데이터 분포를 바꾸므로 라벨 의미를 보존해야 합니다.
합성곱은 위치 간 지역 필터를 공유하고 ViT는 어텐션으로 패치를 연결합니다. 가정과 계산 비용이 다릅니다. 첫 프로젝트는 작은 데이터에서 사전학습 인코더 동결과 미세조정을 같은 분할로 비교하세요. ViT를 처음부터 학습하는 것은 입문에 과도할 수 있습니다. 라이선스, 해상도, 학습 매개변수 수, 하드웨어를 기록합니다.
핵심 이후 fast.ai의 실용적 하향식 접근, MIT 6.S191의 개요, CS230의 학습 관점을 고릅니다. CS236은 확률 생성 모델, MIT 6.S184는 ODE/SDE 기반 흐름 매칭과 확산 분기입니다. 모든 분기를 9주에 넣지 마세요.
메커니즘 깊이 이해하기
자동미분은 그래프의 국소 규칙을 연결합니다. 한 값이 두 경로로 갈라지면 기울기는 두 기여의 합입니다. 초기화와 누적을 구분해 forward, loss, 기울기 초기화, backward, update를 수행합니다. 평가에서는 dropout·정규화 동작과 불필요한 그래프 기록도 바꿔야 합니다. update만 없애는 것과 다릅니다.
구체적인 판단과 계산
32입력·64은닉층은 편향 포함2,112개, 10클래스 출력은650개로 총2,762개 매개변수입니다. 학습 메모리에는 활성값, 기울기, 최적화 상태도 포함됩니다. Adam은 보통 두 모멘트를 보관하며 바이트 수는 dtype·마스터 가중치·구현에 의존합니다. 더 큰 GPU 전에 텐서 장부를 만드세요.
권장 주간 순서
19–21주는 micrograd와 작은 신경망, 22–24주는 벡터화·초기화·최적화·합성곱, 25–27주는 비전 과제와 동결/미세조정 비교입니다. 생성은 선택으로 두고 구조 교체 전에 데이터와 기울기를 진단합니다.
X:[n,d], W₁:[d,h], b₁:[h], W₂:[h,c], b₂:[c]. 은닉 상태 [n,h], 예측 [n,c]. σ는 원소별 비선형이며 편향은 행으로 방송됩니다.
이 단계의 공식 자료3단계: 텍스트에서 학습 가능한 언어 모델까지
CS224N은 언어 과제, 임베딩, 시퀀스와 어텐션을 연결합니다. 공개 2024년 공식 영상과 대응 자료를 쓰고 현재 수강생 녹화와 구분하세요. 임베딩은 ID를 학습 벡터로 바꾸지만 통계적 근접성이 진실, 권한, 출처를 보장하지는 않습니다.
토크나이저는 텍스트나 바이트를 이산 ID로 바꿉니다. BPE의 빈번한 결합은 길이와 어휘를 바꿉니다. 디코더 Transformer는 인과 마스크로 다음 토큰을 예측합니다. [T,dₖ]인 Q,K의 QKᵀ는 [T,T], 정규화 어텐션과 [T,dᵥ]인 V의 곱은 [T,dᵥ]입니다. 미래 위치를 읽지 못하게 합니다.
교차 엔트로피는 정답 토큰 확률의 음의 로그 평균입니다. 확률 0.25이면 약 1.386 nat입니다. 비교에는 호환되는 토큰화, 데이터, 집계가 필요합니다. 낮은 손실이 사실성이나 안전한 도구 사용을 증명하지 않습니다. 패딩 마스크, 라벨 이동, 오염은 수학적 결과를 바꿉니다.
CS336 과제 1을 구현 목표로 삼습니다. 토크나이저, 디코더, 최적화기, 작은 말뭉치의 학습 루프입니다. 전체 과정은 강한 Python/PyTorch와 시스템 지식을 요구하므로 누구나 이 기간에 완주할 수 있는 양이 아닙니다. 작은 부분집합에서 설정과 체크포인트를 저장하고 정확성 확인 후 확대합니다. 토큰 수, 문맥, 배치가 메모리와 예산을 결정합니다.
CME295는 구조 개요이며 2025/2026 판본을 구분합니다. Hugging Face는 생태계 실무, CS25는 연구 세미나, CMU 고급 NLP는 구체적 연구 질문의 보조 자료입니다. 사전학습, 지도 미세조정, 검색 증강, 추론은 가중치·문맥·실행을 서로 다르게 바꿉니다.
메커니즘 깊이 이해하기
ID [4,7,9,2]에서 입력[4,7,9], 목표[7,9,2]를 만듭니다. B배치, T길이, V어휘면 logits는[B,T,V]입니다. 교차 엔트로피는 유효 위치의 목표를 골라 집계합니다. 합법적인 reshape도 라벨 대응을 깨뜨릴 수 있습니다. BPE 병합 학습과 Transformer 가중치 학습은 별개입니다.
구체적인 판단과 계산
권장 주간 순서
28–30주는 언어·임베딩·인과 어텐션, 31–33주는 바이트·BPE·디코더 블록, 34–36주는 CS336 과제1의 학습·체크포인트·생성, 37–38주는 미사용 데이터 행동과 모델/데이터 카드입니다. 이후 시스템·다국어·RAG·후학습을 선택합니다.
Softmax는 행 단위이며 j>i이면
4단계: 행동과 보상을 통한 학습
RL은 행동의 이후 효과를 다룹니다. MDP의 상태는 전이에 필요한 정보를 요약하고 행동은 환경을 바꾸며 보상은 목표를 수치화하고 γ는 미래를 할인합니다. 고정 라벨 예측이라면 지도학습이 더 단순합니다. LLM의 도구 호출 자체가 강화학습은 아닙니다.
CS234에서 가치, 벨만, 정책 평가를 익히고 Sutton–Barto나 David Silver로 보충합니다. CS285의 함수 근사, 정책 경사, actor–critic을 선택합니다. DQN은 재생과 목표 네트워크로 이산 행동 가치를 안정화하고 PPO는 클리핑 목적 함수로 갱신을 제한합니다. 클리핑은 보편적 안전 보장이 아닙니다.
r+γ maxₐ Q(s′,a)는 미래 추정값으로 부트스트랩합니다.
LLM 후학습은 작은 환경 이해 이후의 분기입니다. CS224R과 CS329H는 정책과 선호를 연결하지만 CS329H 공개 영상은 보장하지 않습니다. GRPO에는 유효 보상, 그룹 샘플링, KL 제어, 미사용 과제가 필요하며 보상 편법이 개선처럼 보일 수 있습니다. Spinning Up의 옛 코드는 유용하나 최신 Gymnasium에 무수정 실행을 가정하면 안 됩니다.
메커니즘 깊이 이해하기
정책은 행동을 선택하고 가치 함수는 수익을 추정하며 환경이 관측과 보상을 생성합니다. On-policy는 갱신할 정책의 데이터, off-policy는 다른 행동의 데이터도 활용하되 불일치를 관리합니다. 재생은 무조건 안전한 가속이 아닙니다. 부분 관측에서는 현재 관측이 충분한 상태가 아닐 수 있습니다.
구체적인 판단과 계산
보상[1,0,2],
권장 주간 순서
39–41주는 MDP·벨만·표 방식, 42–44주는 함수 근사·DQN·정책 경사, 45–46주는 제한된 DQN/PPO 비교와 실패 분석입니다. LLM-RL 전에 보상 출처, 궤적 생성 정책, 상호작용 예산을 설명하세요.
실제 종료에서만
5단계: 경계와 관측 가능성을 갖춘 에이전트
에이전트는 관측과 목표에 따라 반복적으로 행동을 선택합니다. 워크플로는 순서를 고정하고 에이전트는 일부 선택을 모델에 맡깁니다. 공개 runbook 검색, 근거 인용, 진단 명령 제안처럼 최소 자율성에서 시작하며 운영 변경은 하지 않습니다.
CS329Z는 구성요소 이후 프레임워크를 다룹니다. 2026년 11월 14일 확인한 공식 일정에는 첫 다섯 강의 영상 링크가 있지만 전체 학기 공개를 뜻하지 않습니다. 두 과제는 harness 구축과 평가 설계입니다. API 비용은 소셜 미디어의 고정 총액이 아니라 공식 저장소 조건을 따르세요.
Berkeley 2024 가을은 전체 관점, 2025 봄은 추론과 검증 가능한 과제, 2025 가을 Agentic AI는 시스템 관점을 보충합니다. 지난 인증서 마감은 현재 모집이 아닙니다. 프로젝트 부족에 따라 강의를 선택하세요. Hugging Face는 실습, CS329A와 CS222는 연구·읽기 분기입니다.
Harness는 메시지 원장, 스키마, 파싱, 인가, 실행, 결과 정규화, 중지를 담당합니다. 모델의 제안을 신뢰할 수 있는 코드가 도구명·인자·현재 권한으로 검사합니다. 도구 출력은 신뢰할 수 없는 데이터입니다. 불가역 작업 전에 영속화, 멱등성, 타임아웃과 사람 승인을 설계합니다. 조심하라는 프롬프트는 권한 집행이 아닙니다.
단계·시간·토큰 한도를 설정합니다. 최대 8회 호출에 각각 입력 2,000·출력 300토큰이면 최대 18,400토큰입니다. 재시도와 보조 호출은 별도 예산입니다. 로컬 stub으로 유료 모델 없이 제어를 검사할 수 있지만 도구 실행 성공과 사용자 목표 달성은 다릅니다.
메커니즘 깊이 이해하기
모델 어댑터, harness, 도구 실행기를 분리합니다. model_proposal, tool_denied, tool_started, tool_result를 타입 이벤트로 저장합니다. ready→proposed→authorized→executing→observed 외에 denied,timed_out,stopped를 둡니다. 예외를 성공 관측으로 바꾸면 안 됩니다. 로그 재생은 외부 효과 재실행 권한이 아닙니다.
구체적인 판단과 계산
처음은 search_runbooks(query),get_service_metrics(service,window),fetch_recent_changes(service) 세 읽기 도구입니다. service를 사용자 허용 범위와 대조하고 관측 지표·검색 권고·모델 추론을 구분하세요. 타임아웃은 불완전 증거로 반환하며 정상 값을 꾸미지 않습니다. restart_service는 별도 권한·승인 설계가 필요합니다.
권장 주간 순서
47–48주는 결정적 검색 흐름과 가짜 어댑터, 49–50주는 유계 도구 선택·영속 상태·거절·타임아웃, 51–52주는 미사용 과제·트레이스·재현 시연입니다. Berkeley는 구체적 설계 질문에 활용하며 6주에 공식 전체 과제 완주를 약속하지 않습니다.
입출력 토큰의 합성 상한입니다. 각 호출 제한을 집행해야 하며 재시도·심판·임베딩은 별도 예산입니다.
이 단계의 공식 자료전문 분야 선택
AI 응용 엔지니어는 추론, 신뢰성, 검색, 보안, 관측 가능성을 강조합니다. 연구자는 확률, 최적화, 유도와 통제 실험을 심화합니다. 로봇 분야에는 추정, 제어, 동역학, sim-to-real이 추가로 필요하며 이 여섯 단계만으로 충분하지 않습니다.
고전 기준, 비전 모델, 작은 LM, RL 보고서, 유계 에이전트로 포트폴리오를 연결하세요. 입력, 학습, 실행, 측정, 미지의 부분을 설명합니다. 강의 완료는 숙련이나 취업 보장이 아니며 다음 증거가 재생 목록 완료율보다 유용합니다.
실습·프로젝트·숙련의 증거
개념을 이해한 뒤 실습 검증을 이곳에서 진행합니다. 공식 해답이 아닌 독창적 연습입니다. 판본과 학업 윤리를 지키고 외부 과제는 본인 환경에서 실행하며 비공개 티켓과 자격 증명을 업로드하지 마세요.
기초
프로젝트 증거. CSV→특징과 두 행 회귀 예제를 재현합니다. 깨끗한 환경 명령, 형상 단언, 유한 차분 검사를 포함합니다.
실패 / 공정 비교. 목표만 섞어 형상이 맞아도 데이터 대응이 틀릴 수 있음을 설명합니다.
구현 순서
- src/,tests/,data/,README와 가상 환경·버전을 준비합니다. CSV 행 ID를 보존하고 라이브러리 추정기 전에 수치 예제를 구현합니다.
- 깨끗한 checkout의 한 명령을 남기고 입력 하나를 바꿔 먼저 예측합니다. 테스트 통과만 하지 말고 차이를 설명합니다.
고전 ML
프로젝트 증거. NumPy 선형·로지스틱 회귀와 k-means. 라이선스가 있는 공개 자료로 상수 기준, 시간·개체 분할, 학습에서만 fit한 변환, 미사용 테스트 결과를 제시합니다.
실패 / 공정 비교. 같은 분할로 정규화를 비교하고 희소 클래스 recall과 누출을 검토합니다. 테스트 최고점으로 반복 선택하지 않습니다.
구현 순서
- 결정·라벨·분할을 먼저 정의하고 fit/transform을 분리합니다. 상수·회귀·군집 기준을 만드세요. k-means 학습은 클래스 라벨이 필요 없습니다.
- train/validation/test 역할을 고정하고 검증으로 선택 후 마지막 테스트를 합니다. 희소 그룹·이후 기간의 실패를 포함합니다.
신경망
프로젝트 증거. CS231n 또는 Michigan 선택 과제와 소규모 비전의 동결·미세조정 비교. 시드, 체크포인트, 변환, 학습률, 하드웨어를 기록합니다.
실패 / 공정 비교. 아주 작은 학습 집합에 과적합시켜 디버깅하고 오라벨과 결정적 검증 변환을 점검합니다.
구현 순서
- 로더·모델·손실·최적화기·학습을 분리하고 학습률·손실·기울기 노름과 알려진 배치를 저장합니다.
- 작은 신경망 후 라이선스 있는 체크포인트를 사용합니다. 같은 분할·비교 가능 자원으로 동결/미세조정을 비교하고 사전학습 데이터 이익을 자신의 방법 이익과 구분합니다.
언어 모델
프로젝트 증거. CS336 과제 1 범위를 구현하고 토큰화 규칙, 설정, 데이터 해시, 최적화 상태, 샘플링, 손실 곡선과 형상을 저장합니다.
실패 / 공정 비교. 왕복 토큰화, 인과성, 재로드를 확인합니다. 미사용 말뭉치에서 unigram과 비교하며 다른 토크나이저 perplexity를 직접 비교하지 않습니다.
구현 순서
- encode/decode, 이동 쌍, 임베딩, 인과 어텐션, feed-forward, 출력 투영, 손실, 최적화, 샘플링 순서입니다.
- 정확한 재개에는 모델·최적화기·scheduler·단계·설정·RNG를 저장합니다. 결정적 조건에서 연속 학습과 비교하고 해시와 남은 비결정성을 기록합니다.
RL
프로젝트 증거. 작은 Gymnasium 과제에 DQN/PPO를 구현합니다. 여러 시드, 버전, 상호작용 수, 평가 정책과 결과 분포를 보고합니다.
실패 / 공정 비교. terminal/truncated를 구분하고 상호작용 예산을 맞추며 계산 차이를 별도 보고합니다. 실패와 진단도 포함합니다.
구현 순서
- DQN용 작은 이산 환경과 적절한 PPO 설정을 사용하고 wrapper·종료 제한·변환을 명시합니다. 탐험과 평가를 구분합니다.
- 시드·예산을 미리 정하고 상호작용·벽시계 곡선을 따로 저장합니다. 의도적인 보상·종료 오류를 진단·복구하고 차이를 설명합니다.
에이전트
프로젝트 증거. CS329Z HW1/HW2와 읽기 전용 로컬 사고 도우미. 스크립트 모델, trace ID, 허용 도구 목록, 영속 상태, 중지 조건을 둡니다.
실패 / 공정 비교. 잘못된 출력, 프롬프트 주입, 타임아웃, 중복을 주입합니다. 제어와 품질 테스트를 분리하고 미사용 과제를 쓰며 미보정 심판을 진실로 취급하지 않습니다.
구현 순서
- 어댑터와 세 도구, schema, 현재 권한, 예산, trace, 영속 이벤트를 구현합니다. 스크립트 모델로 재현성을 확보합니다.
- 제어 검증 후 실제 로컬 모델을 연결합니다. 결과·증거·거절·지연·자원을 따로 평가하고 저장소·실행 안내·트레이스·한계를 제공하되 자격 증명은 넣지 않습니다.
Python 3.11+ 표준 라이브러리만 쓰며 네트워크, 난수, API 키가 없습니다. 수치 예제와 중심 차분 기울기를 확인하는 작은 입문 실습이지 여섯 종합 프로젝트 전체 구현은 아닙니다. 이후 공식 저장소와 처음부터 구현하는 튜토리얼을 활용하세요.
코드 다운로드python3 roadmap-foundations.py"""Python 3.11+, standard library only; deterministic synthetic examples."""
import math
X = [[1.0, 0.0], [1.0, 1.0]]
y = [1.0, 3.0]
w = [0.0, 0.0]
def loss(weights):
errors = [sum(a * b for a, b in zip(row, weights)) - target
for row, target in zip(X, y)]
return sum(e * e for e in errors) / (2 * len(y))
def gradient(weights):
errors = [sum(a * b for a, b in zip(row, weights)) - target
for row, target in zip(X, y)]
return [sum(row[j] * e for row, e in zip(X, errors)) / len(y)
for j in range(len(weights))]
def softmax(logits):
if not logits or not all(math.isfinite(v) for v in logits):
raise ValueError("finite, nonempty logits required")
maximum = max(logits)
values = [math.exp(v - maximum) for v in logits]
return [v / sum(values) for v in values]
def td_target(reward, gamma, next_values, terminated):
return reward if terminated else reward + gamma * max(next_values)
g = gradient(w)
eps = 1e-6
for j, analytic in enumerate(g):
plus, minus = w.copy(), w.copy()
plus[j] += eps
minus[j] -= eps
numeric = (loss(plus) - loss(minus)) / (2 * eps)
assert math.isclose(analytic, numeric, abs_tol=1e-8)
updated = [a - 0.1 * b for a, b in zip(w, g)]
assert loss(updated) < loss(w)
p = softmax([1000.0, 1000.0])
assert p == [0.5, 0.5]
assert math.isclose(sum(softmax([1.0, 2.0, 3.0])), 1.0)
try:
softmax([])
except ValueError:
pass
else:
raise AssertionError("empty inputs must fail")
assert td_target(1, 0.9, [2, 4], True) == 1
assert math.isclose(td_target(1, 0.9, [2, 4], False), 4.6)
print(f"gradient={g}")
print(f"weights={[round(v, 2) for v in updated]}")
print(f"loss={loss(updated):.6f}")
print(f"cross_entropy={-math.log(0.25):.6f}")
print(f"td_target={td_target(1, 0.9, [2, 4], False):.1f}")
# Additional synthetic decision/resource examples in the expanded tutorial.
base_rate, sensitivity, false_positive_rate = 0.01, 0.90, 0.05
true_alerts = 10_000 * base_rate * sensitivity
false_alerts = 10_000 * (1 - base_rate) * false_positive_rate
precision = true_alerts / (true_alerts + false_alerts)
assert true_alerts == 90 and false_alerts == 495
assert math.isclose(precision, 90 / 585)
miss_cost, false_alert_cost = 20, 1
threshold = false_alert_cost / (miss_cost + false_alert_cost)
assert math.isclose(threshold, 1 / 21)
for probability in (0.01, 0.05, 0.9):
flag = probability > threshold
assert flag == ((1 - probability) * false_alert_cost < probability * miss_cost)
assert 32 * 64 + 64 + 64 * 10 + 10 == 2762
assert 4 * 128 * 1024 * 4 == 2 * 1024**2
assert math.ceil(100_000 / (4 * 128)) == 196
assert math.isclose(sum(0.9**i * reward for i, reward in enumerate([1, 0, 2])), 2.62)
print("checks=passed")
예상 출력:
독창적 면접 문제와 채점
높은 테스트 점수만으로 왜 부족한가요?
힌트
분할과 전처리를 확인하세요.
답과 분석
중복, 미래 정보, 반복 테스트 튜닝이 증거를 무효화합니다. 시간·개체 분할, 학습만의 변환 fit, 기준과 불확실성을 보고합니다.
병렬 학습이 어떻게 자기회귀일 수 있나요?
힌트
병렬 계산과 허용 정보 흐름을 구분하세요.
답과 분석
인과 마스크와 이동 라벨을 사용합니다. 평가 모드에서 미래 입력을 바꿔도 이전 출력은 수치 허용 범위 내에서 불변이어야 합니다.
에이전트에 RL이 필수인가요?
힌트
행동 선택과 정책 갱신을 구분하세요.
답과 분석
아닙니다. 사전학습 모델과 유계 harness로도 도구를 고릅니다. RL은 보상 설계와 평가 요구를 더하는 개선 방법입니다.
언제 프레임워크를 추가하나요?
힌트
대체하는 반복 메커니즘을 찾으세요.
답과 분석
상태 전이, 파싱, 실행, 실패를 이해한 뒤입니다. 코드 감소는 권한, 영속 실행, 성공의 증명이 아닙니다.
1–5점: 1은 용어 반복, 2는 메커니즘과 가정 설명, 3은 독립 기준 재현과 수치 검사, 4는 실패 진단과 동일 예산 비교, 5는 설계·불확실성·한계·전이 실험의 논증입니다. 정확성, 재현성, 설명에서 각각 3점 이상이어야 다음 단계로 갑니다.
막혔을 때 진행하는 방법
공식은 스칼라나 두 행으로 줄여 중간값을 계산하고 코드는 한 함수로 격리해 형상·상태를 봅니다. 학습은 작은 기준으로 돌아가고 논문은 주장·가정·증거·한계를 구분합니다.
AI에 완성 답보다 힌트·반례·유도 검토를 요청하세요. 답을 닫고 다시 구현하며 빌린 구성요소의 설명·라이선스·테스트를 남깁니다. 생성 코드 통과만으로 유지보수 능력을 입증할 수 없습니다.
예측, 검증, 근거 기록
답을 보기 전에 결과를 예측하세요. 연습 후 차이와 전이 테스트를 기록합니다. 로컬에 저장되며 언어판 간 공유됩니다.
학습 기록 열기 / 내보내기 / 지우기 →수학 검토 범위는 강의별로 기록합니다. 논문의 실증 재현 인증은 아닙니다. 의심되는 오류를 노트에 남겨 주세요. 검토 범위
공식 강의·영상·추가 자료
원 제공자 링크이며 모든 강의·과제·인증서·컴퓨팅의 무료 이용을 보장하지 않습니다. 안정적인 직접 재생 목록을 확인하지 못했다면 공식 일정에서 영상을 찾으세요. 판본과 의존성이 다를 수 있습니다. 확인일: 2026년 11월 14일.
0단계: Python과 수학 언어
CS50Phttps://cs50.harvard.edu/python/
주 교재 후보. 강의와 과제는 공식 일정에서 확인.
Stanford Code in Placehttps://codeinplace.stanford.edu/
기수 모집 확인. 자율 학습 대안은 CS50P.
3Blue1Brown · Linear algebrahttps://www.3blue1brown.com/topics/linear-algebra
시각적 직관 보조. 대학 과목이나 연습을 대체하지 않음.
MIT 18.06 · Gilbert Strang · 2010https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/
주 교재 후보. 강의와 과제는 공식 일정에서 확인.
강의 / 자료https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/ · 영상 / 보조 자료https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/video_galleries/video-lectures/
Stanford ENGR108https://web.stanford.edu/class/engr108/
응용 선형대수. 현재 Julia 사용.
Stanford CS109https://web.stanford.edu/class/cs109/
프로그래머용 확률. 교재 링크, 현행 녹화는 수강 권한이 필요할 수 있음.
강의 / 자료https://web.stanford.edu/class/cs109/ · 영상 / 보조 자료https://probabilitycoders.stanford.edu/
Harvard Stat 110https://stat110.hsites.harvard.edu/
대안 설명. 중복 전체 과정을 기본으로 추가하지 않음.
3Blue1Brown · Calculushttps://www.3blue1brown.com/topics/calculus
시각적 직관 보조. 대학 과목이나 연습을 대체하지 않음.
1단계: 누출이 아닌 데이터에서 학습
Stanford CS229 · 2018 lectureshttps://cs229.stanford.edu/
2018 공개 강의 입구. 현행 자료 일부 제한.
강의 / 자료https://cs229.stanford.edu/ · 영상 / 보조 자료https://www.youtube.com/watch?v=jGwO_UgTS7I
Machine Learning Specialization · Andrew Nghttps://www.coursera.org/specializations/machine-learning-introduction
선택 입문. 전체 접근·인증서 무료 보장 없음.
강의 / 자료https://www.coursera.org/specializations/machine-learning-introduction
Cornell CS4780 · 2018https://www.cs.cornell.edu/courses/cs4780/2018fa/
대안 설명. 중복 전체 과정을 기본으로 추가하지 않음.
강의 / 자료https://www.cs.cornell.edu/courses/cs4780/2018fa/ · 영상 / 보조 자료https://www.youtube.com/playlist?list=PLl8OlHZGYOQ7bkVbuRthEsaLr7bONzbXS
2단계: 신경망과 시각 표현
Karpathy · Neural Networks: Zero to Herohttps://karpathy.ai/zero-to-hero.html
주 교재 후보. 강의와 과제는 공식 일정에서 확인.
Stanford CS231nhttps://cs231n.stanford.edu/
공식 공개 재생 목록. 2026 봄 녹화는 수강생용.
강의 / 자료https://cs231n.stanford.edu/ · 영상 / 보조 자료https://www.youtube.com/playlist?list=PLoROMvodv4rOmsNzYBMe0gJY2XS8AQg16
UMich EECS498/598 · 2019 assignment archivehttps://web.eecs.umich.edu/~justincj/teaching/eecs498/FA2019/assignment2.html
2019 과제 아카이브 접근 가능, 옛 홈페이지는 404. 전체 영상 패키지 검증은 아님.
강의 / 자료https://web.eecs.umich.edu/~justincj/teaching/eecs498/FA2019/assignment2.html
3Blue1Brown · Neural networkshttps://www.3blue1brown.com/topics/neural-networks
시각적 직관 보조. 대학 과목이나 연습을 대체하지 않음.
fast.ai · Practical Deep Learninghttps://course.fast.ai/
대안 설명. 중복 전체 과정을 기본으로 추가하지 않음.
MIT 6.S191https://introtodeeplearning.com/
선택 개요. 현재·과거 판본 구분.
Stanford CS230https://cs230.stanford.edu/
핵심 이후 전문 보충. 구체적 부족에 맞춰 선택.
Stanford CS236 · Deep Generative Modelshttps://deepgenerativemodels.github.io/
생성 모델 분기. 확률·미적분 선행. 보조 링크는 영상 아닌 PDF일 수 있음.
MIT 6.S184 · 2026https://diffusion.csail.mit.edu/2026/index.html
생성 모델 분기. 확률·미적분 선행. 보조 링크는 영상 아닌 PDF일 수 있음.
강의 / 자료https://diffusion.csail.mit.edu/2026/index.html · 영상 / 보조 자료https://diffusion.csail.mit.edu/2026/docs/lecture_notes.pdf
3단계: 텍스트에서 학습 가능한 언어 모델까지
Stanford CS224Nhttps://web.stanford.edu/class/cs224n/
2024 공개 목록. 현행 녹화와 자료 접근 구분.
강의 / 자료https://web.stanford.edu/class/cs224n/ · 영상 / 보조 자료https://www.youtube.com/playlist?list=PLoROMvodv4rOaMFbaqxPDoLWjDaRAdP9D
Stanford CS336 · Spring 2026https://cs336.stanford.edu/
2026 영상·과제. 강한 구현 선수 지식 필요. 우선 과제 1로 제한.
강의 / 자료https://cs336.stanford.edu/ · 영상 / 보조 자료https://www.youtube.com/playlist?list=PLoROMvodv4rMqXOcazWaTUHhq-yembLCV
Stanford CME295https://cme295.stanford.edu/syllabus/
선택 개요. 현재·과거 판본 구분.
Stanford CS25https://web.stanford.edu/class/cs25/
연구 세미나. 기초 구현 후 선택.
CMU 11-711 · Advanced NLP · 2024https://phontron.com/class/anlp2024/
핵심 이후 전문 보충. 구체적 부족에 맞춰 선택.
Hugging Face LLM Coursehttps://huggingface.co/learn/llm-course/
실무 생태계 과정. 의존성과 외부 계산 별도.
4단계: 행동과 보상을 통한 학습
Sutton & Barto · Reinforcement Learning, second editionhttp://incompleteideas.net/book/the-book-2nd.html
저자 공개 무료 교재. 이번 조회 실패로 현재 접근 미확인.
David Silver · RL · 2015https://davidstarsilver.wordpress.com/teaching/
대안 설명. 중복 전체 과정을 기본으로 추가하지 않음.
Stanford CS234https://web.stanford.edu/class/cs234/
주 교재 후보. 강의와 과제는 공식 일정에서 확인.
Berkeley CS285 · 2023 lectureshttps://rail.eecs.berkeley.edu/deeprlcourse/
공식 2023 목록. 대응하는 과제 판본 사용.
강의 / 자료https://rail.eecs.berkeley.edu/deeprlcourse/ · 영상 / 보조 자료https://www.youtube.com/playlist?list=PL_iWQOsE6TfVYGEGiAOMaOzzv41Jfm_Ps
Stanford CS224Rhttps://cs224r.stanford.edu/
핵심 이후 전문 보충. 구체적 부족에 맞춰 선택.
OpenAI Spinning Uphttps://spinningup.openai.com/en/latest/
알고리즘과 옛 구현. 의존 호환 확인.
Hugging Face Deep RL Coursehttps://huggingface.co/learn/deep-rl-course/en/unit0/introduction
실무 생태계 과정. 의존성과 외부 계산 별도.
강의 / 자료https://huggingface.co/learn/deep-rl-course/en/unit0/introduction
Stanford CS329H · Autumn 2026https://web.stanford.edu/class/cs329h/
2026 선호 학습 자료. 공개 영상 미확인.
Stanford CS221https://stanford-cs221.github.io/autumn2025/
MDP·게임 선택. 2025는 Canvas 녹화, 슬라이드·코드 공개.
5단계: 경계와 관측 가능성을 갖춘 에이전트
Stanford CS329Z · Autumn 2026https://cs329z.stanford.edu/
2026 과정. 다섯 강의 링크 확인. HW1 harness, HW2 평가.
강의 / 자료https://cs329z.stanford.edu/ · 영상 / 보조 자료https://youtu.be/DGI4vucR71w
Berkeley LLM Agents · Fall 2024https://llmagents-learning.org/f24
첫 시리즈: 기초. 과거 인증 일정은 현재 모집 아님.
Berkeley Advanced LLM Agents · Spring 2025https://llmagents-learning.org/sp25
두 번째: 고급 추론과 검증 가능한 과제.
Berkeley Agentic AI · Fall 2025https://agenticai-learning.org/f25
세 번째. 세 시리즈 전체를 선수 조건으로 만들지 않음.
Stanford CS329A · Self-Improving AI Agentshttps://cs329a.stanford.edu/
자기 개선 연구 분기. 평가·실패 분석 필요.
Stanford CS222 · Fall 2024https://joonspk-research.github.io/cs222-fall24/
2024 읽기·프로젝트. 전체 공개 영상 미확인.
Hugging Face Agents Coursehttps://huggingface.co/learn/agents-course/en/unit0/introduction
실무 생태계 과정. 의존성과 외부 계산 별도.
강의 / 자료https://huggingface.co/learn/agents-course/en/unit0/introduction
- CS336 · Assignment 1https://github.com/stanford-cs336/assignment1-basics
- CS329Z · HW1https://github.com/cs329z/assignment1-harness
- CS329Z · HW2https://github.com/cs329z/assignment2-evals