[플레이데이터 SK네트웍스 Family AI캠프 16기] 6주차 회고

✅ 일주일 동안 한 일과 느낀 점

6주차는 머신러닝 실습을 마무리하고, 본격적으로 딥러닝에 입문하는 전환점 같은 한 주였다.
비지도 학습 알고리즘들과 차원 축소 기법, 연관 분석까지 실습하면서 머신러닝의 폭을 넓혔고,
후반부에는 텐서 개념부터 MLP 모델 구성, 이미지 및 구조화 데이터 분류까지 딥러닝 기초를 따라가는 흐름을 경험할 수 있었다.

특히 MNIST, Iris, 와인, 타이타닉 데이터셋 등 다양한 입력을 MLP로 분류해보며 딥러닝 구조에 대한 감이 생기기 시작했고,
복잡해 보였던 딥러닝의 학습 흐름이 반복 실습을 통해 점차 익숙해지는 것이 느껴졌다.

---

✅ 주요 실습 내용 및 기술 회고

1. 머신러닝 마무리: 비지도 학습 & 연관 분석

• K-means 클러스터링
  • 군집 수(k)에 따라 결과가 어떻게 달라지는지 확인
  • Elbow Method를 통한 최적의 k 탐색
  • 시각화로 각 클러스터 확인하며 직관적 이해
• DBSCAN
  • 밀도 기반 클러스터링
  • 이상치 탐지와 군집 경계의 유연함을 실습을 통해 체감
  • eps와 min_samples 조절로 결과 비교
• 계층 군집 (Hierarchical Clustering)
  • Dendrogram 시각화로 병합 과정 확인
  • Single, Complete 등 거리 기준 변경에 따른 클러스터 형성 차이 학습
• 차원 축소 (PCA & t-SNE)
  • PCA로 주성분 압축 및 시각화
  • t-SNE를 활용한 고차원 데이터 2D 시각화
  • 차원 축소로 클러스터링이 더 잘 드러나는 경험
• 연관 분석 (Apriori)
  • 장바구니 분석 실습
  • Support, Confidence, Lift 등 주요 지표 직접 계산
  • 실제 추천 시스템과의 연결 가능성 인식

---

2. 딥러닝 입문: MLP와 이미지 처리 실습

• 텐서(Tensor) 개념 이해
  • torch.Tensor 기본 사용법
  • Shape, view, 연산 등 실습
• 이미지 데이터 전처리 & 증강 실습
  • 색상 변환, 밝기·대비 조절 등 (ex_color_image, ex_image_bc, 등)
  • 배치 구성 및 DataLoader 활용 (image_dataset.ipynb 등)
  • 실제 이미지 데이터셋을 불러오고 시각화까지 수행
• MNIST 손글씨 분류 (MLP 모델)
  • Flatten → Linear → ReLU → Linear 구조
  • 학습/검증 정확도 확인 및 시각화
  • 손실 함수 및 optimizer 설정 경험
• MLP 분류 모델 (구조화 데이터)
  • Iris, Wine, Titanic 데이터셋에 MLP 적용
  • 전처리: 정규화, one-hot encoding 등
  • 분류 정확도 및 Confusion Matrix 확인
  • 모델 구조 변경에 따른 정확도 변화 실험

---

✅ 아쉬웠던 점과 개선 포인트

• 아직 MLP 구조 구성에 익숙하지 않아 layer 수나 neuron 개수 선택이 어려웠음
• 하이퍼파라미터 튜닝 경험 부족 → epoch 수, 학습률 등에 따른 변화 체험 부족
• t-SNE와 PCA 결과의 해석이 직관적이지만 원리를 정확히 이해하기에는 시간 부족
• CNN 등 이미지에 특화된 딥러닝 모델에 대한 호기심

---

✅ 마무리

6주차는 머신러닝과 딥러닝의 경계선에 서서, 둘의 연결을 실습을 통해 자연스럽게 체험한 시기였다.
비지도 학습과 연관 분석으로 머신러닝의 다양한 확장 가능성을 느낄 수 있었고,
딥러닝에서는 실제 이미지와 구조화 데이터를 처리하며 모델을 학습시키는 전체 흐름을 처음부터 끝까지 따라가 본 의미 있는 시간이었다.

다양한 도메인의 데이터를 직접 다뤄보며 실전 감각을 키울 수 있었고, 다음 주부터 시작될 CNN, 전이학습 등 심화 딥러닝 주차를 위한 기반을 단단히 다질 수 있었다.
반복 실습과 튜닝 경험을 통해 모델의 구조와 성능을 체계적으로 개선해나가는 연습을 더 해보고 싶다.