머신러닝 독학 로드맵 2025: 현직 연구원이 알려주는 6단계 학습법

핵심 메시지

• 머신러닝을 배우는 데 필요한 것은 노트북 한 대와 따라갈 단계 목록뿐이며, 6년 넘게 쌓은 경험을 6단계로 압축할 수 있다.
• 첫걸음은 파이썬이다. 리스트·딕셔너리·반복문·조건문·리스트 컴프리헨션·클래스 상속 정도를 익히되, 완벽을 추구하기보다 작은 프로젝트로 재미를 붙이는 게 좋다.
• 머신러닝에 복잡한 수학은 필요 없다. 미분, 벡터·행렬 연산, 확률(특히 베이즈 정리), 로그·합 규칙 같은 학부 수준 개념이면 대부분을 이해할 수 있다.
• 고전 머신러닝과 딥러닝은 Andrew Ng의 강의로 다지고, 강의가 다루지 않는 트랜스포머는 스탠퍼드 CS25와 안드레 카파시의 영상으로 보완한다.
• 결국 실력을 만드는 것은 프로젝트와 자기 PR이다. Kaggle과 논문 재구현으로 손을 움직이고, 블로그·데모로 작업을 공개해야 기회가 열린다.

쉽게 이해하기

영상의 화자는 세계 최고 수준의 AI 스타트업에서 일하는 현직 연구 과학자로, 지금의 위치에 오기까지 6년이 넘게 걸렸다고 말한다. 그는 오늘날에는 너무 적은 사람만 아는 훌륭한 학습 자료가 많아졌다며, 만약 자신이 처음부터 다시 머신러닝을 배운다면 밟을 6단계를 공개한다. 단계의 순서가 절대적이지는 않지만, 가장 중요한 마지막 부분부터 시작하지는 말라고 조언한다.

첫 단계는 파이썬이다. 머신러닝에 종사하는 사람이라면 누구나 쓰는 언어이기 때문이다. 다만 초반에 얼마나 깊이 배워야 하는지가 핵심인데, 리스트와 딕셔너리의 차이, 반복문과 조건문, 나아가 리스트 컴프리헨션과 클래스 상속 정도까지만 익히면 된다. 계산기·간단한 웹사이트·스네이크 게임 같은 초보 프로젝트로 재미를 붙이되, 이 단계에 너무 오래 머물지는 말라고 강조한다.

두 번째는 수학이다. 화자는 수년간 공부한 끝에 머신러닝에 복잡한 수학이 필요 없다고 단언한다. 미분(적분은 거의 쓰이지 않음), 벡터와 행렬의 기본 연산, 확률 이론의 핵심 개념(주로 베이즈 정리), 그리고 로그·합 규칙 같은 잔기술이면 충분히 멀리 갈 수 있다는 것이다. 그는 'Why Machines Learn'이라는 책을 추천하며, 이 책이 선형 방정식이 신경망의 뉴런에 어떻게 적용되는지, 내적·행렬 연산·경사하강법까지 직관적으로 설명한다고 소개한다. 모르는 부분은 유튜브·블로그·LLM으로 찾아보되, LLM은 사실과 다른 답을 줄 수 있으니 주의하라고 덧붙인다.

세 번째와 네 번째는 고전 머신러닝과 딥러닝이다. Andrew Ng의 머신러닝 전문 강의로 로지스틱 회귀·결정 트리·추천 시스템 등을 배우고 실제 파이프라인을 직접 코딩한다. 딥러닝에서는 '취업을 위한 응용 경로'와 '연구를 향한 이론 경로' 중 하나를 선택해야 한다. 응용 경로라면 Ng의 딥러닝 강의에 더해 스탠퍼드 CS25 시리즈와 카파시의 영상으로 트랜스포머를 익히고, 연구 경로라면 'Understanding Deep Learning'(무료 PDF) 같은 책으로 깊이 들어간다.

마지막 두 단계는 프로젝트와 자기 PR이다. 머신러닝은 여전히 경험적·실용적 분야라 무조건 많이 코딩해야 한다. NumPy·pandas·Matplotlib 같은 도구를 익히고 Kaggle의 초급 과제부터 시작하며, 더 나아가면 논문을 재구현하는 도전을 권한다. 또한 학습 과정과 프로젝트를 블로그·LinkedIn·데모 사이트로 공개하라고 강조한다. 화자 자신도 프로젝트 블로그 글 덕분에 구글 딥마인드 연구원과 인턴 면접 기회를 얻었다고 밝힌다.

주요 인사이트

• 같은 개념이라도 책 한 권이나 강의 하나로 단번에 이해되는 경우는 드물다. 책·영상·블로그 등 여러 자료를 교차해서 보는 것이 효과적인 학습 전략이다.
• 'Why Machines Learn' 책의 강점은 수학을 머신러닝의 맥락 안에서 가르친다는 점이다. 추상적 수학이 아니라 신경망·학습과 직접 연결해 동기를 유지시켜 준다.
• 딥러닝 학습 깊이는 목표에 따라 갈린다. 빠른 취업이 목표라면 이론에 시간을 과하게 쏟지 말고 응용과 코딩 경험에 집중하는 편이 합리적이다.
• 첫 프로젝트도 두 번째 프로젝트도 훌륭하지 않을 것이라는 점을 받아들이면, 작업을 공개하는 일이 훨씬 덜 두려워진다. 프로젝트는 거듭할수록 복잡하고 인상적으로 발전한다.
• 학습 과정 공개의 최종 단계는 프로젝트를 논문으로 써서 arXiv에 올리고 좋은 학회에 게재하는 것이지만, 그 지점에 이르려면 상당한 시간이 필요하므로 조급해하지 않는 자세가 중요하다.

자주 묻는 질문

관련 AI 소식