새로운 AI 계속 나와서 뭐부터 공부할지 모르겠다면? | 서울 아파트 오를지 맞히는 AI 두뇌, 처음부터 만들기

한 줄 핵심

새로운 AI가 나올 때마다 불안해하기보다, 데이터 전처리·모델 구성·학습·평가의 기본 원리를 익혀 나만의 인공지능 두뇌를 직접 만드는 법을 이해하는 영상이다.

시간별 요약

0:00
새 AI가 나올 때마다 불안한 분들께 최신 AI가 연달아 나와도 휘둘리지 않으려면 남이 만든 도구를 쓰는 데서 멈추지 말고 스스로 AI를 만드는 관점을 가져야 한다. 이 영상은 그 불안을 줄이기 위해 AI의 기초 구조를 쉽게 설명하는 데 초점을 둔다.
0:55
사무실·공항 가기 20분 전, 시작합니다 촬영 환경이 바뀌더라도 흐름은 같으며, 목표는 로컬 AI와 기초 딥러닝의 뼈대를 직접 이해하게 만드는 것이다. 인공지능 연구원·개발자가 처음 배우는 핵심을 처음부터 끝까지 보여 주겠다는 방향이 제시된다.
2:30
오늘 만들 것: 서울 아파트 1년 뒤 예측 두뇌 국토교통부 실거래가 기반의 3,418개 데이터로 서울 아파트가 1년 뒤 5% 이상 올랐는지를 예측하는 간단한 모델을 만든다. 데이터 수집, 전처리, 학습, 검증이라는 공통 뼈대가 어떤 AI에도 그대로 적용된다는 점을 강조한다.
4:17
에포크 = 설명서를 몇 번 읽었나 에포크는 같은 데이터를 몇 번 반복해 학습했는지를 뜻하며, 많이 반복한다고 무조건 좋아지지는 않는다. 너무 외우면 새로운 입력에 약해지므로, 적당히 익히고 응용할 수 있는 균형이 중요하다.
7:08
택시·데이터와 함수 인공지능은 입력값을 넣으면 결과를 내는 함수처럼 볼 수 있지만, 수학처럼 정답이 고정된 세계가 아니라 세상의 불확실성을 데이터로 근사한다. 아파트 가격 예측도 결국 입력 데이터와 결과 사이의 패턴을 찾는 문제로 설명된다.
9:09
공항·전처리, 필요한 요소만 남기기 예측에 도움이 되는 요소만 남기고 쓸모없는 변수는 제거해야 학습이 방해받지 않는다. 넘파이, 판다스, Keras 같은 도구로 데이터를 숫자 형태로 바꾸고 모델이 읽을 수 있게 정리하는 과정이 전처리의 핵심이다.
10:51
Colab 열기 Google Colab을 쓰면 별도 고성능 컴퓨터 없이도 무료로 코드를 실행할 수 있다. 학습용 데이터와 시험용 데이터를 내려받고, 헤드로 일부를 확인해 올랐는지 여부가 1과 0으로 표시된 구조를 확인한다.
12:54
호텔·입지 등급을 AI로 나누기 입지 등급을 1등급부터 10등급까지 세분화해 평단가 평균을 기준으로 나누는 식으로 변수 설계를 바꿀 수 있다. 어떤 열을 모델에 넣을지 직접 판단하는 감각이 중요하며, 코드를 몰라도 AI 기능으로 변환과 설명을 활용할 수 있다.
17:03
인공지능 두뇌 만들기 Keras의 Sequential 모델로 입력층과 Dense 레이어를 쌓아 아주 단순한 신경망을 구성한다. 입력 차원에 맞춰 shape을 지정하고, 숫자들이 흐르며 변환되는 구조가 곧 인공지능 두뇌의 기본 형태다.
21:04
학습시키기, 100번과 200번 100번과 200번 학습을 비교해도 성능이 크게 좋아지지 않을 수 있으며, 더 많이 학습하는 것만이 답은 아니다. 데이터 항목을 더 넣거나 모델 구조를 바꾸는 등 다른 개선 방향을 함께 실험해야 한다.
22:46
에러가 났을 때 하는 법 문자형 데이터가 숫자로 바로 변환되지 않아 에러가 나면, 오류 메시지를 복사해 AI에게 수정하게 할 수 있다. 단순히 빼버리기보다 고유 숫자 부여 같은 방식으로 변환해 패턴 학습이 가능하도록 고치는 접근이 필요하다.
25:27
결과: 내 AI는 몇 % 맞혔나, 순위표에 올리기 학습이 끝나면 예측 답안지를 만들어 웹사이트의 순위표에 제출해 점수를 확인할 수 있다. 실제로 다른 사람들의 결과와 비교하며 모델 성능을 수치로 검증하는 과정이 중요하다.
26:31
드롭아웃으로 점수 올리기 드롭아웃을 넣어 과도한 암기를 줄이면 훈련 점수와 시험 점수의 균형이 달라진다. 학습 횟수와 드롭아웃 비율을 바꿔 보면서 일반화 성능을 높이는 실험이 가능하다.
30:45
휘둘리지 마세요 AI 유행에 휩쓸리지 않으려면 원리를 이해하고 직접 만드는 사람이 되어야 한다. 초보 여부와 자본의 많고 적음보다 중요한 것은 기초를 차근차근 익혀 AI를 빌려 쓰는 수준을 넘어서는 일이다.

실무 인사이트

새로운 AI 제품이 나올수록 핵심은 더 복잡한 기능이 아니라 데이터 전처리, 입력 변수 선택, 모델 평가 같은 기본기를 얼마나 단단히 아느냐에 달려 있다.
성능 개선은 학습 횟수만 늘리는 방식보다, 어떤 변수를 넣고 어떤 변수를 버릴지 설계하는 쪽에서 더 크게 나온다.
에러는 실패가 아니라 데이터 타입·구조를 다시 점검해 모델이 이해할 수 있는 형태로 바꾸라는 신호로 받아들여야 한다.