Machine Learning
데이터에서 패턴을 학습하는 모델을 설계·구현·평가하고, 데이터 준비부터 배포까지 전 과정을 다루는 엔지니어링 역량.
머신러닝은 명시적 규칙을 프로그래밍하는 대신, 데이터로부터 스스로 패턴을 학습하는 모델을 만드는 기술이다. 통계학과 선형대수의 수학적 기반 위에서 지도학습, 비지도학습, 강화학습의 세 가지 학습 패러다임을 이해하고, 데이터 준비부터 모델 배포까지의 전체 파이프라인을 다룬다. 일반 프로그래밍(programming)이 로직과 구조를 다루는 반면, 머신러닝은 통계/수학 기반 모델링에 특화된다. AI 도구를 활용하는 것(ai-utilization)과도 구분되며, 모델 자체를 직접 구축하는 엔지니어링 역량에 집중한다.
7단계 책임 수준(Follow→Assist→Apply→Enable→Ensure/Advise→Initiate/Influence→Set Strategy)으로 ML 역량을 정의. L2 안내하 기법 적용부터 L7 조직 전략 수립까지의 레벨 경계 설계의 1차 기준.
AI/ML 지식 영역의 역량 모델 — 신경망, 표현 학습, 강화학습, 생성 모델을 포함한 커리큘럼 체계. 수학/통계 요구사항의 단계적 심화가 L1-L4 체크리스트 설계 근거.
회귀→분류→신경망→임베딩→LLM→프로덕션의 모듈 시퀀스가 L2-L5 체크리스트 항목의 구체적 행동 지표. ML 공정성과 프로덕션 시스템 모듈이 L4-L5 윤리/배포 역량 근거.
수강생 480만 명 이상의 ML 입문 과정. 지도학습→비지도학습→강화학습 3단계 진행이 ML 학습 경로의 글로벌 표준. Andrew Ng의 교수법적 권위가 L1-L4 역량 범위 설정 근거.
ML 배포 워크플로우의 실무 사례 서베이. 데이터 관리, 모델 학습, 배포, 모니터링 각 단계의 도전 과제를 정리. L4-L6의 프로덕션 배포, MLOps, 조직 표준 수립 체크리스트 항목의 학술적 근거.
