AI 입문과 엑셀 머신러닝 실습

학습목표

• 인공지능·머신러닝·딥러닝의 포함관계를 그림으로 설명할 수 있다
• 규칙을 사람이 적는 방식과 데이터로 규칙을 찾는 방식의 차이를 구별할 수 있다
• 생성형 AI가 인공지능 전체가 아니라 그 일부임을 근거를 들어 말할 수 있다

학습내용

• 인공지능·머신러닝·딥러닝의 정의와 포함관계
• 규칙 기반 방식과 학습 기반 방식의 차이
• 머신러닝이 지금 쓰이게 된 계기: 데이터·연산·알고리즘
• 챗봇을 AI 전체로 오해하게 된 경위

학습목표

• 지도학습·비지도학습·강화학습을 학습 방식의 차이로 구분할 수 있다
• 주어진 업무 상황이 세 방식 중 어디에 해당하는지 판단할 수 있다
• 정답이 붙은 데이터가 있느냐가 방식을 가른다는 점을 설명할 수 있다

학습내용

• 지도학습: 정답이 붙은 데이터로 배우기
• 비지도학습: 정답 없이 묶기
• 강화학습: 보상과 벌점으로 배우기
• 생성형 AI가 세 방식과 맺는 관계
• 업무 상황별로 어느 방식이 맞는지 고르기

학습목표

• 특성·라벨·예시·데이터셋이라는 네 용어를 표 위에서 지목할 수 있다
• 공개 실습 데이터를 내려받아 엑셀에서 열고 열의 의미를 확인할 수 있다
• 데이터가 언제 어디서 어떻게 측정되었는지를 근거로 그 한계를 말할 수 있다

학습내용

• 특성·라벨·예시·데이터셋의 정의와 훈련·평가·추론
• Palmer Penguins 데이터 내려받기와 열 구조 확인
• 정제된 표와 원자료의 관계, 뒤 차시를 위한 표 준비와 값 점검
• 측정 방법: 남극 파머 군도에서 2007~2009년에 무엇을 어떻게 쟀나
• 데이터셋의 크기와 다양성이 결과에 미치는 영향
• 원 연구가 이 데이터로 실제 수행한 분류와 그 정확도

학습목표

• 회귀와 분류를 예측 대상의 형태로 구분할 수 있다
• 엑셀에서 산점도와 추세선으로 회귀식을 구하고 기울기와 절편을 읽을 수 있다
• 손실이 무엇을 재는 값인지 설명하고 절대오차와 제곱오차의 차이를 말할 수 있다

학습내용

• 회귀와 분류: 예측하는 것이 숫자인가 범주인가
• 엑셀 산점도로 물갈퀴 길이와 체중의 관계 보기
• 추세선과 SLOPE·INTERCEPT로 회귀식 구하기
• 기울기와 절편이 뜻하는 것: 가중치와 편향
• 손실: 예측과 실제의 거리를 재는 방법
• 절대오차와 제곱오차, 이상치를 대하는 태도의 차이와 최소제곱법의 약점

학습목표

• 엑셀에서 R²를 구하고 그 값이 무엇을 뜻하는지 설명할 수 있다
• R²가 높다는 사실만으로 판단할 수 없는 것이 무엇인지 말할 수 있다
• 상관과 인과를 구분하고 제3의 요인이 개입한 사례를 찾아낼 수 있다

학습내용

• 결정계수 R²의 정의와 계산
• R²가 데이터셋을 건너뛰어 비교되지 않는 이유
• 잔차를 그려 보는 모델 점검
• 상관계수 r의 값이 뜻하는 것
• 상관을 인과로 읽었을 때 생기는 오류와 제3의 요인

학습목표

• AI가 잘하는 일과 못하는 일을 근거를 들어 구분할 수 있다
• 업무에서 AI에 맡길 일과 사람이 확인할 일을 나눌 수 있다
• 원하는 답을 얻기 위해 요청을 구체화하는 방법을 적용할 수 있다

학습내용

• AI가 잘하는 일의 범위
• AI가 구조적으로 못하는 일
• 요청을 구체화하는 방법: 맥락·형식·예시와 메타프롬프트
• 화면을 대신 조작하는 기능과 사람의 감독이 필요한 부분
• 결과를 사람이 확인해야 하는 부분
• 업무별로 맡길 일과 확인할 일 나누기

학습목표

• 데이터를 훈련·검증·테스트로 나누는 이유를 설명할 수 있다
• 엑셀에서 데이터를 섞어 나누고 훈련한 모델을 남겨 둔 자료로 평가할 수 있다
• 과적합과 과소적합을 손실의 변화로 구분할 수 있다

학습내용

• 같은 자료로 배우고 같은 자료로 시험할 때 생기는 문제
• 훈련·검증·테스트 분리와 각 몫의 역할
• 엑셀에서 무작위로 섞어 나누기
• 나눌 수 있는 자료의 조건: 대표성·독립·정상성
• 과적합과 과소적합의 정의
• 훈련 손실과 검증 손실로 확인하는 안정성

학습목표

• k-최근접이웃이 예측을 만드는 절차를 순서대로 설명할 수 있다
• 엑셀 수식으로 거리를 계산해 새 펭귄의 종을 분류할 수 있다
• 특성의 단위를 맞추지 않으면 결과가 뒤집히는 이유를 설명할 수 있다

학습내용

• k-최근접이웃의 원리와 절차(라벨이 숫자일 때의 회귀 포함)
• 엑셀에서 거리 계산하고 가까운 순으로 정렬하기(동률·반지름 기반 대안 포함)
• k 값을 바꾸면 답이 어떻게 달라지는가
• 범위가 다른 특성이 거리를 지배하는 현상
• 최소-최대 스케일링과 Z점수 스케일링

학습목표

• 생성형 AI가 사실과 다른 내용을 만들어 내는 구조적 이유를 설명할 수 있다
• 결과에서 확인이 필요한 대목을 가려낼 수 있다
• 업무에 쓰기 전에 사실을 확인하는 절차를 적용할 수 있다

학습내용

• 환각이라는 말이 가리키는 현상
• 확률로 이어 붙이는 방식이 만드는 오류
• 그럴듯한 형식이 사실 확인을 어렵게 만드는 이유
• 확인이 필요한 대목을 가려내는 기준
• 출처를 되짚어 확인하는 절차
• 신뢰성의 정의와 한 번의 정확한 답이 보장하지 못하는 것
• 확인 없이 나간 결과가 뒤늦게 드러난 사례
• 국내 점검표가 짚는 허위정보 위험과 답의 근거

학습목표

• 결정나무가 조건을 쌓아 예측을 만드는 방식을 설명할 수 있다
• 엑셀에서 조건을 나누어 분류 규칙을 만들고 결과를 표로 셀 수 있다
• 혼동행렬의 네 칸을 읽고 정확도를 계산할 수 있다

학습내용

• 결정나무의 구조: 조건·분기·잎
• 좋은 분할과 나쁜 분할을 가르는 기준
• 엑셀에서 조건 하나로 종을 나눠 보기
• 혼동행렬의 네 칸과 정확도
• 나무가 깊어질수록 생기는 문제

학습목표

• 정밀도와 재현율을 정의하고 혼동행렬에서 계산할 수 있다
• 임계값을 옮겼을 때 두 지표가 반대로 움직이는 것을 확인할 수 있다
• 불균형한 자료에서 정확도가 왜 오해를 만드는지 설명할 수 있다

학습내용

• 정밀도와 재현율의 정의와 계산
• 임계값을 옮기면 무엇이 달라지는가
• 두 지표의 맞바꿈과 F1 점수
• ROC 곡선과 정밀도-재현율 곡선으로 임계값 비교하기
• 한쪽이 아주 드문 자료에서 생기는 정확도의 함정
• 업무 상황별로 어느 지표를 우선할 것인가

학습목표

• 생성형 AI가 문장을 만드는 절차를 다음 낱말 예측으로 설명할 수 있다
• 이 방식이 앞서 배운 지도학습의 확장임을 근거를 들어 말할 수 있다
• 문맥의 길이와 파라미터 수가 결과에 미치는 영향을 설명할 수 있다

학습내용

• 가려진 낱말을 맞히는 훈련
• 다음 낱말 예측과 라벨 예측의 같은 점
• 앞뒤 낱말이 서로에게 얼마나 중요한지 따지는 방식
• 확률이 높은 낱말을 하나씩 이어 붙이는 절차
• 문맥을 넓게 보는 것이 만든 차이
• 자동완성과 무엇이 같고 무엇이 다른가

학습목표

• k-평균이 관성을 최소로 만드는 중심을 찾는 절차임을 순서대로 설명할 수 있다
• 엑셀에서 SUMXMY2·MATCH·AVERAGEIFS로 배정과 중심 재계산을 반복해 군집을 만들 수 있다
• 초기 중심에 따라 결과가 달라질 수 있음을 실제 수치로 설명하고 군집 수를 정하는 기준을 제시할 수 있다

학습내용

• 라벨 없이 묶는다는 것의 뜻(군집화)
• k-평균의 세 단계: 초기 중심·배정·중심 재계산(로이드 알고리즘, 보로노이 다이어그램으로 보기)
• 엑셀에서 SUMXMY2·MATCH·AVERAGEIFS로 반복 계산해 중심 옮기기
• 초기 중심에 따라 결과가 달라지는 현상과 대응(k-평균++, 무표준화 실습 수치)
• 관성의 한계와 군집 수를 정하는 지표(실루엣·칼린스키-하라바츠·데이비스-볼딘)
• 군집 수를 스스로 정하는 방법(친화도 전파·평균이동)과 큰 표에 쓰는 변형(미니배치 k-평균)

학습목표

• 결측값을 처리하는 방법과 각 방법이 결과에 미치는 영향을 설명할 수 있다
• 엑셀에서 결측을 채우거나 제외했을 때 결과가 어떻게 달라지는지 비교할 수 있다
• 표본이 치우쳤을 때 결과에 남는 흔적을 사례로 설명할 수 있다

학습내용

• 결측값이 생기는 경위와 표시 방법
• 제외·평균 대치·이웃 대치의 차이
• 같은 계산을 세 방법으로 돌려 결과 비교하기
• 표본 편향의 유형: 포함·무응답·표집
• 사람의 편향이 데이터에 남는 경로

학습목표

• 업무 정보를 AI에 입력할 때의 판단 기준을 적용할 수 있다
• 어느 경로로 입력했는지가 정보 취급을 가른다는 점을 설명할 수 있다
• 부서 업무에 맞는 입력 기준을 만들 수 있다

학습내용

• 입력한 정보가 어떻게 다뤄지는가
• 개인정보인지 아닌지를 가르는 기준
• 개인용 계정과 회사 계약의 차이
• 실제로 문제가 된 사례
• 부서별 입력 기준 만들기

학습목표

• 국내 AI 관련 법이 요구하는 사항을 설명할 수 있다
• 주요국 규제의 방향 차이를 구분할 수 있다
• 업무에서 규제가 실제로 적용되는 경우를 짚을 수 있다

학습내용

• 국내 AI기본법의 구조와 시행 시점
• 고영향 인공지능을 가르는 기준
• 유럽연합 AI法과 OECD 원칙의 규제 방향
• 기업에 실제로 요구되는 것
• 업무에서 규제가 적용되는 경우 확인

학습목표

• 엑셀로 감당하기 어려운 경우를 판단할 수 있다
• 표 계산 도구와 데이터 분석 도구의 대응 관계를 설명할 수 있다
• 업종별 활용 사례를 자기 업무에 견주어 볼 수 있다

학습내용

• 엑셀이 감당하기 어려워지는 경우
• 워크시트와 데이터프레임, 열과 Series의 대응
• 같은 작업을 두 도구로 나란히 해 보기
• 업종별 활용 사례
• 자기 업무에서 다음 한 걸음 정하기

학습목표

• 조직에서 AI 도입이 성공하거나 실패하는 요인을 설명할 수 있다
• 직무별로 어떤 일이 달라지는지 근거를 들어 말할 수 있다
• 자신의 직무에서 갖춰야 할 역량을 정리할 수 있다

학습내용

• 도입이 실패하는 이유
• 성공한 조직이 공통으로 한 일
• 직무별로 달라지는 일의 내용
• 새로 요구되는 역량
• 자기 직무의 다음 단계 정리