Skip to content

Latest commit

 

History

History
393 lines (304 loc) · 9.19 KB

README.md

File metadata and controls

393 lines (304 loc) · 9.19 KB

🧑🏻‍💻👩🏻‍💻 AI 기술면접 스터디

데이터 사이언티스트 & AI 엔지니어 취업을 위한 체계적인 기술면접 스터디

Study Duration Participants

🎯 Quick Start

📋 스터디 개요

  • 기간: 2025.07.09 ~ 2025.09.03 (9주간)
  • 형태: 이론 중심 + 토론식 학습
  • 목표: 실무진과의 기술면접 완벽 대비

🏆 학습 성과

  • ✅ 핵심 개념 완벽 이해
  • ✅ 꼬리질문 대응 능력 향상
  • ✅ 실무 적용 경험 축적

📅 커리큘럼 로드맵

Week 주제 학습 내용 핵심 키워드
1
07.09		 🎬 Kick-off • 스터디 진행룰 수립
 스터디 규칙
2
07.16		 🤖 머신러닝 • 회귀/분류 모델 완전정복
• 평가지표 & Ensemble 기법
• Hyperparameter Tuning & Cross-validation
ML 모델
3
07.23		 📊 통계학 • 기초통계 & 확률분포
• 가설검정 & 추론통계
• EDA 그래프 종류 		통계 기초
가설검정
4
07.30		 🧠 딥러닝 기초 • MLP & Backpropagation
• Activation Function & Loss Function
• 경사하강법 & Optimizer & Perceptron 		신경망
역전파
5
08.06		 🔥 딥러닝 심화 • CNN 계열 모델
• RNN 계열 모델
• GPT까지의 발전 과정 		CNN/RNN
GPT
6
08.13		 🌟 LLM 기초 • ChatGPT & LLaMA 분석
• sLLM 모델 이해
• LLM 활용 전략 		GPT
LLaMA
파운데이션 모델
7
08.20		 🔍 RAG 시스템 • RAG 아키텍처 설계
• 벡터 DB & 임베딩
• 실무 RAG 구축 사례 		RAG
Vector DB
Embedding
8
08.27		 ⚡ 기술스택 추후 진행 추후 진행
9
09.03		 🎉 Wrap-up 추후 진행 추후 진행

📚 학습 범위

✅ Core Topics

🎯 머신러닝/딥러닝 기초 이론
📊 통계학 핵심 개념  
🤖 LLM & 최신 AI 기술
⚙️ 실무 기술스택

❌ Out of Scope

🖼️ Computer Vision 심화
🎵 Audio/Speech Processing
💻 시스템 프로그래밍
🔧 인프라 운영

💡 Optional Learning

🗃️ 데이터베이스 - 학습 시 큰 도움이 됩니다

📖 핵심 학습 자료

분야 자료 설명
기본기 AI-Tech-Interview 머신러닝/딥러닝/통계/파이썬 종합
LLM LLM Interview Questions 최신 LLM 기술 면접 질문집

🛠️ 상세 커리큘럼

📈 정형데이터 회귀

🎯 기본 개념

  • 평가지표: MAE, MSE, RMSE, R²
  • Loss Function: 손실함수의 종류와 특성

🔧 모델 유형 (Scikit-learn)

  • 선형 모델:
    • 단순선형회귀, 다중선형회귀
    • 다항회귀
  • 정규화 모델:
    • 릿지회귀(Ridge), 라쏘회귀(Lasso)
    • 엘라스틱넷 회귀(ElasticNet)
  • 트리 기반: 트리기반 회귀모델
  • 딥러닝: 딥러닝 회귀모델

⚙️ Loss Function 최적화 방법

  • 정규 방정식(Normal Equation)
  • 특이값 분해(SVD)
  • 경사하강법(Gradient Descent)
📊 정형데이터 분류

📋 평가지표

  • 혼동행렬: Confusion Matrix (Scikit-learn)
  • 기본 지표:
    • Accuracy, Error Rate (Scikit-learn)
    • Precision, Recall (Scikit-learn)
  • 복합 지표:
    • F1 Score, F-Beta Score (Scikit-learn)
  • 확률 기반:
    • AUROC, AUPRC (Scikit-learn)
  • 통계 기반: KS-stat (Scikit-learn)

🤖 모델 유형

  • 전통적 모델:
    • 로지스틱 회귀 (Scikit-learn)
    • k-NN (Scikit-learn)
    • SVM (Scikit-learn)
  • 트리 모델:
    • Decision Tree (Scikit-learn)
    • Random Forest (Scikit-learn)
  • 부스팅:
    • AdaBoost, Gradient Boosting (Scikit-learn)
    • XGBoost, LightGBM (XGBoost, LightGBM)
  • 딥러닝: 딥러닝 분류 모델 (PyTorch, TensorFlow)
🚀 성능 개선 방법

✅ 교차검증

  • 기본:
    • Holdout (Scikit-learn)
    • k-Fold (Scikit-learn)
    • Stratified k-Fold (Scikit-learn)
  • 특수:
    • LOOCV (Scikit-learn)
    • Time Series Cross Validation (Scikit-learn)
  • 반복: Repeated K-Fold Cross Validation (Scikit-learn)

⚡ 하이퍼파라미터 튜닝

  • Grid Search: 전역 탐색 (Scikit-learn)
  • Random Search: 랜덤 탐색 (Scikit-learn)
  • Bayesian Search: 베이지안 최적화 (Optuna)

📊 샘플링 & 앙상블

  • 샘플링: 언더샘플링, 오버샘플링, 부트스트래핑
  • 앙상블: Voting, Bagging, Boosting, Stacking

🔍 고급 기법

  • 피처 가공: 특성 변환 및 생성
  • 합성데이터 생성: 데이터 증강 기법
  • 성능 모니터링:
    • Drift 탐지 및 대응
    • 성능 하락 대응 방법
🔧 데이터 전처리

🎯 이상치 처리

  • 이상치 종류: 통계적, 도메인 기반 이상치
  • 처리 방식: 제거, 변환, 대체 전략

📝 결측치 처리

  • 결측치 종류: MCAR, MAR, MNAR
  • 처리 방식: 삭제, 대체(평균, 중앙값, 최빈값), 예측 모델링

⚖️ Feature Scaling

  • 정규화: Min-Max Scaling, Robust Scaling
  • 표준화: Standard Scaling, Unit Vector Scaling

🏷️ Feature Encoding

  • 범주형 데이터: One-Hot, Label, Ordinal Encoding
  • 고차원 범주형: Target Encoding, Frequency Encoding
📊 통계학

📈 기술통계

  • 기술통계량 (대푯값과 산포도):
    • 평균, 중앙값, 최빈값
    • 분산, 표준편차, 사분위수
    • 왜도, 첨도
  • EDA 그래프 종류:
    • 히스토그램, 박스플롯, 막대그래프 등

🎲 추론통계

  • 확률분포 종류:

    • 정규분포, t분포, z분포, F분포
    • 베르누이분포, 이항분포, 포아송분포

  • 통계적 추정:

    • 신뢰도, 표준오차
    • 모평균 추정(z추정, t추정)
    • 모비율 추정

  • 가설 검정 종류:

    • 귀무가설/대립가설, 유의수준, p-value
    • 검정 오류 종류 (Type I, Type II)

  • 평균값 검정:

    • 단일표본 t-검정
    • 독립표본 t-검정
    • 대응표본 t-검정

  • 기타 검정:

    • 비율 검정
    • 분산 검정 (F-test, 등분산 검정)
    • 상관성 검정
    • 회귀분석

💡 4단계 학습 프로세스

1️⃣ 개념 학습 핵심 이론을 체계적으로 정리
2️⃣ 장단점 분석 각 방법론의 특징과 한계점 파악
3️⃣ 심화 질문 꼬리질문에 대한 논리적 답변 준비
4️⃣ 실습 확인 주요 라이브러리 활용법 숙지

📝 스터디 운영

  • 📅 정기 모임: 매주 수요일 21:00-22:00
  • 💻 온라인: Zoom

🏆 Contributors

스터디에 참여하고 계신 모든 분들께 감사드립니다!

  • 참여자 추가 예정...

🚀 함께 성장하는 AI 기술면접 스터디

"준비된 자에게 기회는 찾아온다"

Made with ❤️ by AI Crew