“알아서 잘 해주실 거죠…?” AI 배우기를 포기했던 기획자 동료가 오래전 제게 한 말입니다. 동료는 엄청난 학습량에 겁이 나, 시작도 못 하고 등 돌렸다 했습니다. 안타까웠습니다. 엔지니어가 될 생각이 아니면 힘들게 실무에 필요한 모든 과정을 배울 필요가 없거든요. […] 비전공자 분들에게 ‘핵심 인공지능 지식’ 강의를 시작했습니다. 꼭 알아야 할 개념을 뽑아내고 코드와 수학은 최대한 배제했습니다. 여러 번 반복해서 내용을 알려주다 보니 어느 날은 기획자 동료가 제게 이렇게 말하더군요.
“이미지 분류 AI 모델을 만들었으면 합니다. 사용자가 업로드한 이미지를 10가지 class로 분류하는 CNN 모델로 가면 어떨까요? training data하고 test data는 얼마나 필요할까요?”
깜짝 놀랐습니다. 막연했던 생각은 확신으로 바뀌었습니다.
‘AI를 알려면 꼭 코딩을 알아야 하는 건 아니다! 기본 지식만 알아도 비전공자 역시 AI 활용법을 충분히 고안하겠다!’
---「시작하기 전에 : 저자의 말」중에서

머신러닝에서 질 좋은 데이터는 좋은 식재료와 같습니다. 질이 보장된 풍성한 식재료라면, 완성한 요리의 맛이 좋을 확률이 높을 테니까요. 그 다음 가장 필요한 건 맛이 보장된 레시피 아닐까요? 재료가 아무리 좋아도 색재료나 양념을 넣는 비율이 엉망이라면, 좋은 결과를 얻기는 쉽지 않을 겁니다.
머신러닝도 마찬가지입니다. 모델을 학습시킬 때는 데이터의 비율을 잘 조절하는 것이 중요합니다.
---「Course3. 데이터의 중요성」중에서

누군가 영어 공부를 시작하려 할 때, 우리는 ‘공부의 목적’을 가장 먼저 떠올립니다. […] 머신러닝도 모델을 선택할 때, 가장 먼저 ‘사용 목적’을 떠올려야 합니다. 사용자가 어떤 결과물을 원하는지에 따라 선택은 달라지겠죠. 만약 원하는 결과물이 ‘어떤 값(수치」중에서’이라면 회귀 모델을 선택하는 편이 낫고, ‘어떤 카테고리(라벨」중에서’라면 분류 모델을 선택해야 할 것입니다.
---「Course8. 모델 선택」중에서

인간처럼 행동하는 기계를 만들려는 노력. 머신러닝의 출발점엔 ‘생각하는 기계’에 대한 갈망이 있었죠. 인공지능을 연구하는 과학자들은 계속해서 사람의 뇌를 최대한 모방하면서 새로운 기계를 만들고 있습니다. […] 사람이 만들어 낸 신경망, 인공신경망의 기본 구조와 개념을 알아봅니다.