2027 AICE Basic 한권으로 합격하기

제1장 AICE Basic, AI 시대를 항해하는 가장 확실한 첫걸음
1.1 절 AICE Basic 시험, 왜 지금 주목해야 할까?
1.1.1 AI 시대, 코딩의 장벽을 넘어 기회를 잡는 법
1.1.2 AICE Basic: 실무 역량을 증명하는 가장 확실한 표준 15
1.2 절 합격 가능성을 높이는 AICE Basic 초단기 합격 전략
1.2.1 전략 1: '설명할 수 없다면 이해한 것이 아니다' - 메타인지 활용 개념 학습법
1.2.2 전략 2: '따라하고, 바꿔보고, 창조하라' - 경험의 사다리를 오르는 AIDU 실습법
1.2.3 전략 3: '결과를 복기하라' - 실전 감각을 깨우는 모의고사 활용법
1.3 절 합격 거머쥐기

2장
2장 인공지능 기본 개념
2.1 절 AI 정의와 범위
2.1.1 인공지능이란 무엇인가?
2.1.2 인공지능의 범위: 좁은 AI와 일반 AI
2.1.3 역사적 맥락: 꿈에서 현실로
2.2 절 AI vs. 머신러닝 vs. 딥러닝 비교
2.2.1 헷갈리는 세 용어의 정확한 관계
2.2.2 인공지능(AI): 가장 넓은 개념
2.2.3 머신러닝(Machine Learning): 데이터로부터 학습하는 AI
2.2.4 딥러닝(Deep Learning): 인간 뇌를 모방한 학습
2.2.5 전통적인 머신러닝 vs 딥러닝: 특징 추출의 혁명
2.2.6 딥러닝의 상세 구조와 작동 원리
2.2.7 학습 과정: 역전파 알고리즘의 마법
2.2.8 딥러닝의 한계와 과제
2.2.9 실제 적용 사례로 보는 차이점
2.2.10 언제 어떤 AI 기법을 선택해야 할까?
2.3 절 일상 속 AI 활용 사례
2.3.1 개인용 디지털 어시스턴트
2.3.2 소셜미디어와 콘텐츠 추천
2.3.3 전자상거래와 맞춤형 쇼핑
2.3.4 교통과 내비게이션


3장 AI 모델은 어떻게 만들어질까?
3.1 절 AI 개발 이해하기
3.1.1 AI 개발의 생명 주기
3.1.2 각 단계별 역할과 중요성
3.2 절 데이터 수집
3.2.1 어떤 데이터가 필요한가?
3.2.2 데이터의 품질과 양의 중요성
3.3 절 데이터 전처리
3.3.1 데이터 정제와 노이즈 제거
3.3.2 결측치와 이상치 처리
3.4 절 데이터 레이블링과 어노테이션
3.5 절 모델 평가: 성능 측정과 검증
3.5.1 평가 지표의 종류와 선택
3.5.2 실무에서 평가 지표를 선택하는 방법
3.6 절 AI 개발, 이론과 현실 사이의 장벽
3.6.1 'AI의 연료' 데이터, 왜 그렇게 다루기 어려울까?
3.6.2 모델링과 알고리즘: 완벽해 보이지만, 숨겨진 한계
3.6.3 AI의 '평생 관리': 운영과 모니터링의 숨겨진 과제


4장 AI의 핵심 재료, 데이터 제대로 알기

4.1 절 데이터도 종류가 있다고? 정형 vs 비정형부터 시작하기
4.1.1 정형 데이터(Structured Data): 표 형태로 깔끔하게 정리된 데이터
4.1.2 비정형 데이터(Unstructured Data): 자유로운 형태의 데이터들
4.1.3 멀티모달 데이터: 여러 형태가 합쳐진 데이터
4.1.4 정형 vs 비정형, 왜 구분이 중요할까?
4.1.5 핵심 정리
4.2 절 데이터 타입 완전정복 - 연속형, 순서형, 명목형, 텍스트까지
4.2.1 연속형(Continuous) 데이터: 쭉 이어지는 숫자들
4.2.2 순서형(Ordinal) 데이터: 순서가 있는 카테고리들
4.2.3 명목형(Nominal) 데이터: 순서 없는 카테고리들
4.2.4 텍스트(Text) 데이터: 문자로 이루어진 자유로운 표현
4.2.5 핵심 정리
4.3 절 Feature와 Label, 이게 뭔지만 알면 절반 성공!
4.3.1 Feature: AI의 단서, 예측에 사용할 입력 정보들
4.3.2 Label: AI가 맞춰야 할 정답, 예측하고 싶은 결과값
4.3.3 핵심 정리


5장 좋은 모델을 위한 데이터 준비운동

5.1 절 EDA로 데이터와 친해지기 - 시각화로 패턴 찾는 법
5.1.1 데이터 분포 한눈에 보기 - 히스토그램과 박스 플롯
5.1.2 상관관계 분석하기 - 어떤 변수들이 서로 친한지 알아보자
5.1.3 산점도로 관계 패턴 찾기 - 선형과 비선형 구분하기
5.1.4 결측치와 이상치 탐지하기 - 문제 있는 데이터 미리 찾기
5.1.5 핵심 정리
5.2 절 기초 통계량으로 데이터 속마음 읽기
5.2.1 평균, 중앙값, 최빈값 - 데이터의 '중심'을 찾는 세 가지 방법
5.2.2 분산과 표준편차 - 데이터가 얼마나 퍼져 있는지 알아보기
5.2.3 왜도와 첨도 - 분포 모양을 숫자로 측정하기
5.2.4 정규분포 확인과 데이터 변환
5.2.5 핵심 정리
5.3 절 Feature Engineering 마스터하기 - 데이터를 모델이 좋아하는 형태로!
5.3.1 결측치 처리의 달인 되기
5.3.2 이상치 제거하기 - 언제 삭제하고, 언제 살릴까?
5.3.3 스케일링으로 데이터 크기 맞추기
5.3.4 범주형 데이터 숫자로 바꾸기
5.3.5 새로운 Feature 만들어내기
5.3.6 핵심 정리

6장 AI의 작동 원리: 머신러닝과 딥러닝 핵심 이론
6.1 절 들어가며: AI 학습 원리의 이해와 실전 준비
6.2 절 지도 학습 vs 비지도 학습: AI 학습의 두 가지 길
6.2.1 AI에게도 선생님이 필요할까?
6.2.2 지도 학습: 정답이 있는 세상
6.2.3 분류(Classification): 범주를 맞히는 기술
6.2.4 회귀(Regression): 정확한 수치를 예측하는 기술
6.2.5 실전 구분법: 분류 vs 회귀 완벽 판별
6.2.6 비지도 학습: 정답 없는 세상에서 패턴 찾기
6.2.7 지도 학습 vs 비지도 학습: 언제 무엇을 선택할까?
6.2.8 준지도 학습과 강화 학습: 특별한 경우들
6.2.9 핵심 정리
6.3 절 선형 모델군(Linear Models): 직선으로 세상을 설명하기
6.3.1 선형 회귀(Linear Regression): 연속값 예측의 기본기
6.3.2 로지스틱 회귀(Logistic Regression): 확률로 분류하기
6.3.3 핵심 정리

6.4 절 근접 기반 모델(Proximity-Based Models): 이웃의 지혜 활용하기
6.4.1 K-최근접 이웃(K-NN): 비슷한 것끼리
6.4.2 핵심 정리
6.5 절 트리 기반 모델군(Tree-Based Models): 질문으로 세상 나누기
6.5.1 의사결정 트리(Decision Tree): 스무고개의 과학
6.5.2 랜덤 포레스트(Random Forest): 집단지성의 힘
6.5.3 LightGBM: 점진적 개선의 예술
6.5.4 핵심 정리
6.6 절 딥러닝 모델(Deep Learning Models): 인공 신경망의 힘
6.6.1 다층 퍼셉트론(MLP)의 기본 구조
6.6.2 MLP의 작동 원리: 순전파와 역전파
6.6.3 신경망 구조 설계의 원리
6.6.4 딥러닝 학습 과정의 이해
6.6.5 핵심 정리
6.7 절 모델 성능 평가의 이해
6.7.1 회귀 모델 평가 지표: 오차를 바라보는 다양한 관점
6.7.2 분류 모델 평가: 정확성을 넘어선 신뢰성
6.7.3 핵심 정리

7장 코딩 없이 AI 만들기: 시험환경 완벽 적응

7.1 절 AICE Basic 실습 환경 준비하기
7.1.1 시험 전 준비 사항
7.1.2 홈 화면 구성 완전 해부
7.1.3 프로젝트가 제대로 로드되었는지 확인하기
7.1.4 왼쪽 사이드바 메뉴
7.2 절 데이터 가져오기
7.3 절 데이터 분석
7.3.1 데이터 분석 기능의 종류
7.3.2 데이터 샘플 보기
7.3.3 기초 정보 분석
7.3.4 시각화 분석
7.3.5 비지도 학습 분석
7.4 절 데이터 가공
7.4.1 데이터 가공이란?
7.4.2 데이터 가공 경험하기
7.4.3 데이터 가공 실행 영역의 다양한 옵션들 - 데이터 타입이 int, float인 경우
7.4.4 데이터 가공 실행 영역의 다양한 옵션들 - 데이터 타입이 object인 경우

7.5 절 모델 학습
7.5.1 살펴보기
7.5.2 AI 모델 학습 - 머신러닝 AI 모델 학습
7.5.3 AI 모델 학습 - 딥러닝 AI 모델 학습
7.6 절 모델 활용
7.6.1 분석하기
7.6.2 변수 영향도 확인
7.6.3 시뮬레이션
7.6.4 예측하기
7.6.5 다운로드하기
7.6.6 삭제하기


8장 분류: 누가 정기예금에 가입할까?
8.1 절 문제 정의 및 목표
8.1.1 은행 마케팅과 정기예금의 비즈니스 배경
8.1.2 분류 문제의 정의와 목표
8.1.3 비즈니스 목표와 기대 효과
8.2 절 데이터 가져오기
8.3 절 은행 마케팅 데이터셋 탐색적 데이터 분석 (EDA)
8.3.1 EDA의 중요성과 목적
8.3.2 데이터셋 구조의 전체적 이해
8.3.3 제거 대상 변수 분석
8.3.4 데이터 품질 점검
8.3.5 핵심 변수 인사이트 시각화 및 해석
8.4 절 모델 선택 및 학습
8.4.1 AIDU에서 모델 선택하기
8.4.2 AIDU에서 머신러닝 모델 학습하기
8.4.3 AIDU에서 딥러닝 모델 학습하기
8.5 절 모델 평가 및 최종 권장사항
8.5.1 분류 평가 지표의 종합 이해
8.5.2 비즈니스 시나리오별 모델 선택 가이드


9장 회귀: 어떤 요인이 주택 가격을 결정하는가?
9.1 절 문제 정의 및 목표
9.1.1 부동산 시장과 주택 가격 예측의 비즈니스 배경
9.1.2 회귀 문제의 정의와 목표
9.1.3 비즈니스 목표와 기대 효과
9.2 절 데이터 가져오기
9.3 절 주택 가격 데이터셋 탐색적 데이터 분석 (EDA)
9.3.1 데이터셋 구조의 전체적 이해
9.3.2 데이터 품질 점검
9.3.3 핵심 변수 인사이트 시각화 및 해석
9.4 절 모델 선택 및 학습
9.4.1 AIDU에서 모델 선택하기
9.4.2 AIDU에서 머신러닝 모델 학습하기
9.4.3 AIDU에서 딥러닝 모델 학습하기
9.5 절 모델 평가 및 최종 권장사항
9.5.1 모델별 상세 성능 분석
9.5.2 변수 중요도 분석
9.5.3 잔차 분석 (Residual Analysis)

10장 모의고사

10.1 절 모의고사 1회(회귀)
10.2 절 모의고사 2회(분류)
10.3 절 AI/ML 실기 시험 대비 핵심 전략 (회귀 & 분류 공통)
모의고사 1회: 통신 요금 예측 (회귀 문제) 대비 팁
모의고사 2회: 호러 장르 선호 예측 (분류 문제) 대비 팁
부록 ㆍ AI 핵심 용어집
ㆍ 시험 환경 체크리스트
ㆍ 합격 꿀팁 Q&A

최재규 고려대학교 컴퓨터학과 자연어처리 연구실에서 박사과정을 진행 중이며, 현재 콥스랩의 이사로서, 연구, 개발 및 강사 활동을 병행하고 있다. 삼성전자, 현대자동차, LG 등의 기업 및 공공기관에서 AI 강사로도 활발하게 활동하고 있다. 치매 위험 인자 딥러닝 분석 및 다수의 AI 서비스 개발 프로젝트에 참여하였고, 관련 논문 및 특허를 보유하고 있다. 저서로는 '자연어처리 바이블' 공동 집필에 참여했다.