재구성 · 2026-10-13: 1–4주차는 완료된 고정 입력으로 사용한다. LLM 실험은 단일 프로세스로 수행하며, 4개월차 아키텍처 설계·분산 배포를 선수 과제로 요구하지 않는다.
ML 문제 정의·데이터 분할·누수 방지·baseline 평가부터 작은 신경망·토큰·임베딩·어텐션·생성·model serving까지 학습하고 CHO-FAM LLM Gateway의 모델 선택 기준을 만든다.
ML baseline·분할·평가 보고서, 작은 신경망 비교, LLM 구조 노트, 모델 routing 기준, latency/cost/quality 비교 보고서, LLM Gateway 설계 초안.
6주차는 5주차의 고정 split·평가 계약으로 작은 신경망 하나를 선형 모델과 비교하고, 토큰·임베딩·어텐션의 shape를 최소 예제로 확인한다. 대규모 학습·전체 Transformer 학습·분산 구현은 요구하지 않는다. Context window·KV cache의 운영 비용은 8주차 서빙에서 함께 다룬다.
| 주 | 과목 | 연구 질문 | 산출물 |
|---|---|---|---|
| 5 · 현재 | Machine Learning | 데이터 누수 없이 기준 모델과 ML 후보를 어떻게 비교하는가? | ML baseline·split·평가 보고서 |
| 6 | Deep Learning + Transformer | 선형 모델과 작은 신경망은 어떻게 다르며 토큰·임베딩·어텐션은 어떤 입력 구조를 쓰는가? | 작은 신경망 비교·LLM 구조 노트 |
| 7 | Generation | Sampling·Temperature가 품질과 일관성에 미치는 영향은? | 생성 비교표 |
| 8 | Model Serving | GPT·Gemini·Claude·Local Model의 선택 기준은? | latency·cost·quality 보고 |
사용 원칙: O’Reilly를 주교재 플랫폼으로 삼고, Manning은 Agent·LLM 심화 참고자료로 선택한다. 논문·공식문서는 연구 세미나 자료로 읽으며, CHO-FAM 저장소에서 구현과 실험으로 검증한다.
S9 · Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3e — ML·작은 신경망 보조교재. 기존 T1–T8 코드는 유지한다.
Build an AI Agent (From Scratch)의 context·tool 호출 기초
Attention Is All You Need
Deep Learning 공식 온라인판, Hugging Face LLM Course
공식 목차 확인: 2026-09-15. Chapter 번호는 T1~T8의 영문 판본 기준이다. 아래 배치는 CHO-FAM 과목에 맞춘 학습 계획이며 출판사의 권장 순서는 아니다. 집중 범위는 학습용 요약으로, 원문 장 제목이 아니다.
주교재 지정 부분을 먼저 읽고 선택 참고는 필요할 때만 읽는다. 여러 Chapter가 있는 주는 해당 주제의 절을 발췌하며 전 장 완독을 요구하지 않는다. 읽기 약 2–3시간을 기준으로 실습 시간을 확보한다. 논문·공식 규격은 별도로 보완한다. 45–48주는 새 책 없이 기존 자료를 재독한다. 미래 주차는 교재 계획만 표시하며 상세 페이지는 예약 실행 시 생성한다.
| 주차 · 과목 | 주교재 · Chapter | 선택 참고 · Chapter |
|---|---|---|
| 5주차 · 현재 Machine Learning | S9 · Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3e Chapter 1–3 관련 절 문제 유형·split·pipeline·분류 평가 | S3 · Designing Machine Learning Systems 데이터·평가 관련 절 |
| 6주차 · 예정 Deep Learning + Transformer | T4 · Build a Large Language Model (From Scratch) Chapter 1–4 관련 절 집중 범위: 토큰·임베딩·어텐션·GPT; S9 Ch.10–11 신경망 관련 절 발췌 | T1 · AI Engineering Chapter 9 집중 범위: 추론 메모리 |
| 7주차 · 예정 Generation | T4 · Build a Large Language Model (From Scratch) Chapter 5 (§5.1, §5.3) 집중 범위: 손실·샘플링 | T1 · AI Engineering Chapter 2 집중 범위: 생성 변동 |
| 8주차 · 예정 Model Serving | T1 · AI Engineering Chapter 4, 9 집중 범위: 모델선택·서빙 | T4 · Build a Large Language Model (From Scratch) Chapter 6–7 집중 범위: 미세조정 개요 |
읽기를 선호하고 O’Reilly를 구독하는 학습자를 위한 선택 독서 경로다. 기존 T1–T8 필수 교재와 주차별 Chapter는 그대로 유지한다. S1–S8은 별도의 보조교재 코드이며, 아래 자료를 모두 완독할 필요는 없다.
읽기 운영: 기본 읽기 2–3시간에 더해 여유가 있으면 주 60–90분 동안 선택 Chapter의 관련 절 또는 무료 읽을거리 하나를 읽는다. 총 학습시간을 늘리기 어렵다면 기존 선택 참고와 교체한다. 독서 노트에는 핵심 주장 3개, 반론·의문 1개, CHO-FAM 적용 아이디어 1개를 남긴다. 구현·실험 산출물은 유지한다.
| 주차 | 선택 교재 · Chapter · 읽기 초점 | 독서 질문 |
|---|---|---|
| 5주차 | S9 · Hands-On Machine Learning, 3e Chapter 1–3 관련 절 · ML 문제·분할·분류 | 누수 없이 모델의 개선을 입증하려면? |
| 6주차 | S1 · Hands-On Large Language Models Chapter 2–3 · 토큰·임베딩·모델 내부 | KV cache가 줄이는 계산과 늘리는 메모리는? |
| 7주차 | S1 · Hands-On Large Language Models Chapter 6 · 프롬프트 설계 | 프롬프트와 샘플링 효과를 어떻게 분리할까? |
| 8주차 | S3 · Designing Machine Learning Systems Chapter 7 · 예측 서비스 | 배치와 온라인 추론의 선택 기준은? |
Attention Is All You Need
6주차 · 구조 그림, attention 설명, 실험표 순서로 읽는다.
추가 자료 확인: 2026-09-18. 링크된 O’Reilly 영문 판본의 공개 목차 기준이며, 읽기 초점과 질문은 CHO-FAM용 제안이다. 계정별 본문 접근 여부는 로그인 후 확인한다. 분산 시스템·운영 서적은 설계 원리 중심으로 읽고, 오래된 코드/API 예시는 현재 공식 문서와 대조한다. 12개월차는 기존 독서의 재참조이며 새 필독 도서를 추가하지 않는다.