Q) 정수 배열 → Zig Zag Sequence 찾기

• k = (원소개수 + 1) / 2
• 앞의 k개 원소: 오름차순 정렬
• 뒤의 k개 원소: 내림차순 정렬
  

풀이

def findZigZagSequence(a, n):
    a.sort()
    mid = int(n/2) #modified
    a[mid], a[n-1] = a[n-1], a[mid]

    st = mid + 1
    ed = n - 2 #modified
    while(st <= ed):
        a[st], a[ed] = a[ed], a[st]
        st = st + 1
        ed = ed - 1 #modified

    for i in range (n):
        if i == n-1:
            print(a[i])
        else:
            print(a[i], end = ' ')
    return

1. 인덱스에 맞게 mid 수정

• mid = int((n+1)/2) → mid = int(n/2)
• Examples: [2, 3, 5, 1, 4] (n=5)
  • (before) mid = 3 → (after) mid = 2

2. ed의 초기 값 수정

• ed = n-1 → ed = n-2
• Examples: ([1 2 3 4 5 6 7] →) [1, 2, 3, 7, 5, 6, _4_]
  • (before) ed = 4 → (after) ed = 6

3. ed의 값이 좌측으로 이동하도록 수정

• ed = ed + 1 → ed = ed - 1
• Examples: [1, 2, 3, 7, 5, 6, _4_]
  • (before) ed = 6 → ed = 4
  • (after) ed = 6 → ed = 5
    

실행 결과

Q) 정수 배열 → 최대 둘레를 갖는 삼각형 구하기

• Examples: (Input) [1, 1, 1, 3, 3] -> (Returns) [1, 3, 3]
  

풀이

def maximumPerimeterTriangle(sticks):
    sticks.sort(reverse=True)
    for i in range(0, n-2):
        if sticks[i] < (sticks[i+1] + sticks[i+2]):
            return [sticks[i+2], sticks[i+1], sticks[i]]
    return [-1]

1. 배열의 역순 정렬 (큰 숫자가 앞에 오도록)
2. 삼각형을 만들 수 있는지 체크

• 삼각형O: 원소① < (원소② + 원소③) → return [원소③, 원소②, 원소①]
• 삼각형X: 원소① >= (원소② + 원소③) → return [-1]
  

실행 결과

Midjourney 웹사이트

• 사용법: Get Started > Using Discord > Midjourney Discord > 초대 수락하기

• newbies-(number) 방 입장
• /imagine 입력 > prompt 작성 가능 > 원하는 사진 묘사하는 텍스트 입력

• U: Upscale / V: Variations
• 좌상단: 1, 우상단: 2, 우하단: 3, 좌하단: 4
• 무료: 25번 이미지 생성 가능 / 그 후: 유료 구독 필요
  

What was good?

• 사람이 창작하는 경우에 비해 저렴한 비용으로 빠르게 다양한 이미지를 취득 가능한 점
• 완벽하거나 정확하진 않지만 자유도가 높음

What wasn't ideal?

• ChatGPT에서 굉장히 구체적인 prompt를 뽑아냈지만, Midjourney에서 사용했을 때 원하는 구도의 이미지가 제작되진 않았음
• ex) prompt 내용 중 일부: 단호해 보이고 집중한 표정의 햄스터 > midjourney가 만든 이미지: 순진하고 맑은 표정의 햄스터 (아래와 별 차이 없음)
• 햄스터 같은 특정 데이터의 경우, 학습한 이미지의 편향 때문 아닐까 추측 (특징적인 표정을 보이는 햄스터 사진이 극히 적었을 것)
• 좀 더 정확한 아웃풋을 내기 위한 프롬프트 사용법이 따로 있는지 추후 확인 필요

• 시험 테크닉: 아래의 유튜브 내용을 기반으로 익혀뒀다. 토익독학 길잡이 - 토익 RC 공부법 토익의 모든것 - 토익 LC
• 교재: 서점에 가면 1권에 6천 원 미만인 LC, RC 교재가 있다. 영어 실력 기반이 없다면 문제은행식 교재, 기본 실력이 받쳐 준다면 모의고사형 교재를 추천한다. 어느 회사(출판사)에서 낸 책인지는 중요하지 않다. LC 책의 경우 구매 직후 바로 mp3 파일을 다운 받아두길 권한다.
  

내가 공부한 방법

1. 시험 신청/결제

• 응시료가 싼 편이라 준비가 완벽하지 않아도 일단 도전하는 것도 좋은 전략이다. (정기접수: 48,000원 / 추가접수: 52,800원)

  2. 정보 수집

• 유튜브 둘러보기
• (광고 아님) 산타 토익 앱으로 예상 시험점수 확인 괜히 응시료만 날리면 손해기 때문에, 정확히는 시험 신청 전에 해봤다. 이 내용이 제일 앞에 나오면 광고 같을까봐 약간 뒷순서로 미뤘다. 계정별 첫 실력 테스트는 무료로 가능하다. 12문항만 풀면 예상점수를 알 수 있다. 공교롭게도 실제 시험 결과와 동일한 총 점수가 나왔다. LC와 RC 각각의 예상과 실제 점수가 바뀌었다. (LC: 예상 480, 실제 465 / RC: 예상 465, 실제 480) 이유는 내가 LC를 희생하고 RC에 투자했기 때문일 거다.

  3. 교재 풀이

• 돈 많이 쓰기 싫어서 서점에서 각 1만원도 안 하는 LC, RC 모의고사 교재를 사서 공부했다. 스탑워치 세팅해두고 답안지 작성해가며 풀었다.
• 몇 년 전에 사둔 문제은행식 LC, RC 교재가 있었다. 문제 유형에 익숙해지고 시간 조절하는 연습을 하려고 RC 교재만 좀 풀었다.
• LC는 컨디션 기복 없이 처음부터 충분한 점수가 나왔다.
• 반면 RC는 시간 조절 미숙, 요령 부족 등의 이유로 고득점이 가능할지 불안했다. (토익 RC의 특징: 수능 영어와 달리, 내용 자체의 중요도는 떨어진다. 지문 내용을 다 읽으려 하지 마라. 문제의 답을 찾는 데 가장 효과적인 방식으로 글에서 빠르게 단서를 찾아내야 한다.)
• 시험 시간, 규칙, 준비물, 문제 유형 및 개수 등은 교재 앞부분에 보통 나와있다. 꼭 필요한 내용만 익혔다. (시험 준비물: 볼펜, 컴퓨터용 사인펜 가져가면 안 된다. 4B연필, 지우개, 연필깎이 챙겨야 한다. 신분증 필요하고, 수험표는 없어도 된다.)

  4. 시험 응시

• LC part 1, 2 안내 나올 때 RC 푸는 걸 추천한다.
• LC를 완전히 망치지 않을 자신이 있다면, RC에 시간 배분하라.
• LC 일부 문제를 놓쳤더라도 평점심을 유지하라. 몇 문제 틀렸다고 목표 점수가 안 나온다는 법도 없다.
• 가답안을 하는 것도 팁으로 알려져 있다.

Q) 카이사르 암호 (시저 암호): 알파벳을 특정 숫자만큼 옆으로 이동시켜서 치환하기

• Examples (rotation by 2): abcd → cdef

아스키 코드표

• ASCII 코드: 영문 알파벳을 사용하는 대표적인 문자 인코딩 Wikimedia - ASCII TABLE
• 유니코드: 영어 외에도 모든 나라의 문자를 포함하는 문자셋
• ord(): 1개의 유니코드 문자 -> 유니코드 정수
• chr(): 유니코드 정수 -> 1개의 유니코드 문자
• 알파벳 개수: 26개 → A: 65, Z: 90 / a: 97, z: 122

풀이

def caesarCipher(s, k):
    k %= 26
    s2 = ""
    for ch in s:
        if ch.isupper():
            chInt = ord(ch) + k
            if chInt <= ord('Z'):
                s2 += chr(chInt)
            else:
                s2 += chr(chInt - 26)
        elif ch.islower():
            chInt = ord(ch) + k
            if chInt <= ord('z'):
                s2 += chr(chInt)
            else:
                s2 += chr(chInt - 26)
        else:
                s2 += ch        
    return s2

1. k > 26 인 경우 상정 → 26으로 나눈 나머지 활용
2. 대문자/소문자 구분
3. k만큼 자리 이동
4. 끝 알파벳(Z, z)을 넘어가는 경우, 26만큼 빼기 (다시 A, a부터 시작)
5. 알파벳이 아닌 경우 그대로 사용 (ex. ', -)
   

실행 결과

Q) 시간 포맷 변환: 12시간 AM/PM → 24시간 12시간 포맷과 24시간 포맷 비교 Wikipedia - 12-hour clock

풀이

def timeConversion(s):
    s2 = ""

    if s[-2] == "A":
        if s[0:2] == "12":
            s2 += ("00" + s[2:-2])
        else:
            s2 += s[:-2]
    elif s[-2] == "P":
        if s[0:2] != "12":
            s2 += (str(int(s[0:2]) + 12) + s[2:-2])
        else:
            s2 += s[:-2]

    return s2

1. AM 시간

• 12시대 (자정 ~ 새벽1시 전) → 00시로 변환 / AM 글자 제거
• 그 외 시간대 → AM 글자 제거

2. PM 시간

• 12시대 (정오 ~ 오후1시 전) → PM 글자 제거
• 그 외 시간대 → 12시간 더하기 / PM 글자 제거
  

실행 결과

• 직접 작성하여 해결한 파이썬 코드입니다. 더 나은 풀이가 존재할 수 있습니다.
• 유클리드 호제법을 활용한 방법입니다. 증명이 궁금하면 아래 링크에서 확인하실 수 있습니다. 복잡하진 않습니다. 위키백과 - 유클리드 호제법
• 유클리드 호제법의 핵심
  • GCD(a, b) = GCD(b, a%b)
  • a와 b의 최대공약수 = b와 (a를 b로 나눈 나머지)의 최대공약수
  • GCD: 최대공약수 (Greatest Common Divisor)
    

Q) 2개의 분수를 더한 값을 기약 분수로 표현하기

def gcd(num1, num2):
    if num1<num2:
        num1, num2 = num2, num1
    while num1%num2 != 0:
        remainder = num1%num2
        num1 = num2
        num2 = remainder
    return num2

def solution(numer1, denom1, numer2, denom2):
    denom_gcd = gcd(denom1, denom2)
    sum_denom = denom_gcd * (denom1//denom_gcd) * (denom2//denom_gcd)
    sum_numer = numer1*(sum_denom//denom1) + numer2*(sum_denom//denom2)

    sum_gcd = gcd(sum_numer, sum_denom)
    sum_numer //= sum_gcd
    sum_denom //= sum_gcd
    answer = [sum_numer, sum_denom]
    return answer

• 실행 결과
• 해설
  • gcd(num1, num2) → 최대공약수를 구하는 함수
  • 나눗셈에서의 몫: quotient, 나머지: remainder
  • 분수의 분자: numerator, 분모: denominator

• 해커랭크 코테까지 1주, 1달, 3달의 준비 기간을 가정한 문제 키트 해커랭크 Interview Preparation Kits 링크

• LeetCode Explore 탭: 초보자 가이드, 자료구조 등 다양한 문제 풀이 가능 구글 인터뷰 대비 문제 등: 프리미엄 결제 필요 LeetCode Explore 링크
  
• 파이썬튜터 코드 내용을 이해하기 쉽게 시각화해서 보여주는 툴 지원 언어: 파이썬, 자바스크립트, C, C++, 자바 파이썬튜터 사이트 링크

• visualgo 알고리즘을 시각적으로 학습하도록 도와주는 사이트 visualgo.net 사이트 링크

• 방통대 생각이 들었을 때가 마침 2학기 입학생을 모집하는 시기여서 오래 고민하지 않고 바로 지원했다.
• 이미 4년제 대학을 타전공으로 졸업했기에 3학년 편입이 가장 효율적이었다.
• 등록금 + 교재비를 전부 더해도 50만원 이하여서 금전 부담이 없다. 심지어 7분위까지는 필수납부금 전액을 국가장학금으로 돌려받을 수 있다.
• 자연과학대학 - 컴퓨터과학과, 통계·데이터과학과
  • 두 학과 중 어디로 지원할까 고민하다가, 컴퓨터과학과를 선택했다. 졸업했거나 재학 중인 사람들이 남긴 경험담, 팁 등의 정보가 많았다.
• 복수전공 시 제1전공보다 제2전공 과목을 더 많이 이수해야 한다는 걸 알았으면 통계과를 선택했을 거 같다.
  • 다만, 모집 인원이 적기에 통계학과의 입학 경쟁률이 더 높다.
    

수강

1) 복수전공

• 3학년 편입생의 인정 학점은 교양 33, 전공 30이다. 그런데 편입생의 인정 학점은 제1전공에만 반영된다.
• 3학년 편입생 복수전공자의 졸업에 필요한 학점은 아래와 같다.
  • 제1전공: 전공 69학점+, 교양 24학점+ / 제2전공: 전공 51학점+
    • 따라서 제1전공은 39학점, 제2전공은 51학점 이상 추가로 이수해야 한다. 교양 과목은 들을 필요가 없다.
    • 3학년 편입생인데 2년 내에 꼭 졸업하고 싶다면, 복수전공을 권하지 않는다. 5학기 이상 다녀야 할 가능성이 매우 높다.

2) 신청 과목

• 선수 과목을 듣고 후속 과목을 듣는 게 이해하기 좋으니 1학기 입학이 낫다.(ex. C → C++) 난 2학기에 입학해서 적당히 골랐다.
• 졸업 시기를 늦추긴 싫어서 수강 신청 시 교양 과목은 제외했다.
• 복수전공 생각이 있었기에 통계과의 강의도 신청했다.
• 어느 학년에 개설된 수업인지(난이도 고려), 비출석 수업/Zoom출석수업/대면출석수업 등을 고려해서 종합적으로 선택했다.
  

과제 & 시험

1) 중간과제

• 대면 출석 수업을 피해서 과목을 신청했더니, 중간과제 4개를 같은 기한 내에 제출해야 했다. 나는 급하게 몰아서 했는데, 당연한 소리지만 미리 해두는 편이 좋다.
  • 출석x, 과제o: 멀티미디어시스템, 시뮬레이션, 데이터처리와활용, 빅데이터의이해와활용
• 출석 수업은 Zoom이나 대면으로 진행하고 퀴즈나 과제를 내준다. 내 경우엔 'Zoom 출석 + 과제 제출'의 조합이었다.
  • Zoom출석o, 과제o: C++프로그래밍, 파이썬과 R
• 출석 수업의 경우 점수 얻기 수월하거나 난이도가 낮아진다고 들었다. 출석 수업 시간에 힌트는 주시지만, 비출석 과목의 과제 난이도와 큰 차이가 있는지는 모르겠다. 수업이 3시간 가량 진행되어서 생각보다 힘들다.
• 유노캠퍼스의 강의를 제대로 안 듣고 중간과제를 보면 막막한데, 그래도 한번만 해보고 나면 감은 잡힌다.
• 점수는 박하게 주진 않는 거 같다. 틀리거나 못 푼 문제가 없다면 만점이 나온다고 보면 된다. '영상 등의 결과물 제출', '주관적 의견의 서술' 등 채점 기준이 넓을 수밖에 없는 과제는 감점사항에만 해당되지 않게 주의하면 된다.

2) 기말 시험

• 성적 산출은 보통 '형성평가 20점 + 중간평가 30점 + 기말평가 50점'의 비율로 한다.
• 기말을 망치면, 학점이 순식간에 바닥에 곤두박질칠 수 있다.
• 형성평가는 감점 당할 일이 잘 없으니 제외하고, 중간 + 기말에서 감점된 총 점수가 6점만 되어도 A+를 못 받는다.
• 기말은 과목당 25문항이 출제된다. 즉, 중간평가에서 만점을 받았어도 기말에서 3문항만 틀리면 받을 수 있는 최고 학점은 A0가 된다.
• 지역대학에 출석해서 PC나 스마트패드로 시험에 응시한다. 문제은행에서 과목별 랜덤 25문제씩 나온다. 객관식이기에 공부를 했다면 20문제 정도는 충분히 맞힐 것이다. 물론 공부를 안 했다면 정답은 겨우 반을 넘긴다.
• 전업 학생이 아닌 분들에게 첨언하자면, 시험 전날이나 당일이라도 포기하지 않고 워크북이나 기출문제를 훑어보시길 바란다.

3) 성적

• 성적은 이런 식으로 나온다.
• 성적을 어느 정도 이상 받아야 하는 이유엔 다음 세 가지 정도가 있다.
• 1) 국가장학금: 80/100 (B0) 이상*
• 2) 21학점 수강 신청: 3.5/4.5 (B+) 이상*
• 3) 복수전공 신청: 3.5/4.5 (B+) 이상*

2학기 과목 후기

0) 원격대학교육의이해

• 첫 학기에 필수인데다 Pass/Fail이라 듣기만 하면 된다.

1) C++프로그래밍

• 중간 과제는 Zoom 수업 등에서 답에 대한 힌트를 많이 주셔서 어렵진 않았다.
• C++ 언어를 잘 몰라서 시험 칠 때 곤욕을 치렀다. 그런 것치곤 성적이 괜찮게 나왔다.
• 평균적인 수준의 과목으로 생각되지만, 프로그래밍을 전혀 모르고 입학했다면 첫 학기엔 추천하지 않는다.

2) 멀티미디어시스템👍

• 강추. 과제, 시험 모두 노력하면 높은 점수를 받을 수 있다. 시험을 치려면 어느 정도 암기가 필요하다.

3) 파이썬과 R

• R을 잘 모른다. 아쉬움이 남는 과목이다.
• 출석수업 과제는 C++에 비해선 시간을 들여야 했다.
• 통계 혹은 프로그래밍을 전혀 모르고 입학했다면 첫 학기에 권하지 않는다.

4) 시뮬레이션👏

• 개인적으로 진입장벽이 가장 높았던 과목이다.
• 중간 과제와 기말 모두 평이한 수준이라 결과를 잘 받아서, 수강한 보람을 느꼈다.
• 통계에 대한 공포증이 있지 않다면 무난하게 괜찮은 과목 같다.

5) 데이터처리와활용

• MySQL 등의 RDBMS를 다뤄본 경험이 없다면 과제가 쉽지 않을 거 같다. 과제에 충분한 시간을 할애해야 한다.
• 시험은 미흡하게 준비해서 정확한 난이도는 모르겠는데, 준비를 안 해가면 풀기 힘들다. 시험에선 엑셀 VBA의 비중이 크다.

6) 빅데이터의이해와활용😶

• 중간 과제가 기억에 남는데, 자신의 주장과 논리를 서술식으로 쓰는 게 익숙하지 않은 분들은 안 맞을 거 같다. 채점은 까다롭지 않은데, 긴 문장을 쓰는 거 자체가 어려운 분들이 있을 거 같다.
• 기말 난이도는 어렵지 않았던 거 같다.

• 150점: 레벨6 최고점, Intermediate High (IH)
• 160점: 레벨7 최저점, Advanced Low (AL)

응시료가 비싸서 여러 번 보기 부담되는데, 2번만에 원하는 점수를 얻어 다행입니다.

21년에서 22년으로 바뀌고 성적 체계가 개편되었습니다. 현재는 숫자로 표현되는 레벨제가 아니고, 오픽처럼 ‘ACTFL®’ 기준을 사용합니다.

150점, 160점을 받았을 때를 비교하면, 시험 응시일에 이번엔 특별히 잘했다 싶은 느낌상의 큰 차이는 없었습니다. 150점, 160점을 받았을 때 모두 문법상의 오류가 있었고 중간에 말이 멈춘 순간도 있었습니다. 말하는 속도도 일정하지 않았고요.

아마 마지막 문제에서 얼마나 구체적으로 답변했는가에 따라 점수 차이가 난 거 같습니다. 왜냐하면 인터뷰 상황을 가정하고 간단한 질문에 답하는 문항에서는 150점을 받았을 때는 오히려 깔끔하게 답변했고, 160점을 받았을 때는 중간에 말이 꼬여서 실수를 했거든요. 사진 묘사 문항은 160점을 받았을 때에 실수를 덜한 거 같습니다.

마지막 문항에서 자신의 주장에 대한 근거 2개를 들 때, 일반론적으로 설명하기보다 구체적인 사례를 드는 편이 좋다고 해서 그렇게 말하려 했습니다. 각 근거마다 최소 2문장은 덧붙여서 말했습니다.

• First, 근거 1. For example, 나의 사례. (간단해도 됩니다.)
• Secondly, 근거 2. To be specific, 구체적인 설명. (높은 수준의 문장이 아니어도 됩니다.)
  

독학은 유튜브로 했는데, 아래 채널들을 참고했습니다. 모의고사보다는 만능 템플릿 위주로 공부했는데, 점수 향상을 위해서는 모의고사 위주로 하는 걸 추천 드립니다. 1) 시계토끼제니쌤 2) 제이크 토익스피킹 3) 써니토익스피킹

cf) 토스 점수 체계 사진 출처: 해커스영어 공식 블로그 토스 vs 오픽 성적 비교표 출처: 한국 TOEIC 위원회 공식 블로그 TOEIC Speaking 공식 사이트

Q-net: '23년 기사 제1회 필기시험 원서접수 안내

• 국가장학금 1유형 1) 지급대상
  • 재학생은 최종 학기 성적 12학점 이상 이수, 백분위 환산점수 80점 이상
  • 신입·편입생, 재입학생은 첫 학기 성적 기준 적용하지 않음 2) 장학금액
  • 0 ~ 7분위(7,681,620원 이하): 등록금 전액
  • 8분위(10,242,160원 이하): 337,500원 3) 최대 수혜횟수
  • 장학금 수혜횟수가 소속학과의 정규학기 횟수를 초과 불가 / 2년제(4회), 3년제(6회), 4년제(8회), 5년제(10회), 6년제(12회)
  • 장학금 총 수혜횟수: 학생별 총 한도 8회 / 5년제(10회), 6년제(12회)

• 국가장학금 신청 시 필요했던 과정

  • 부 or 모의 가족관계증명서 제출
  • (부모) 가구원 동의

• 우선감면 여부

  • 우선감면금액 -> 대학에 지급
  • 우선감면 미대상자 -> 개인지급
    • 유의점: 장학금 수혜대상자가 학비 감면혜택을 받으려면, 등록금을 납부해야 하며, 등록금전액 수혜대상자는 납부금액이 ‘0원’이라도 반드시 등록금납부 절차를 거쳐야 함

• 교내장학생(성적우수장학생 등)의 경우

  • 학기 미 등록시 장학금은 소멸됨
    • 휴학 예정자인 경우 등록 후 휴학원을 제출해야만 복학 시 유보된 장학금 혜택을 받을 수 있음 (미 등록 휴학 할 경우 장학혜택 소멸)
    • (국가장학금 신청완료, 선발 결과 미발표 ->) 교내장학 선발자 중 국가장학 우선감면을 원하는 학생의 경우 별도로 교내장학 포기신청을 해야만 국가장학금 우선감면이 가능함

유튜브 채널 WIRED Computer Scientist Explains Machine Learning in 5 Levels of Difficulty | WIRED

Hilary Mason

• Computer Scientist
• Cofounder & CEO of Hidden Door

Machine Learning

• when we teach computers to learn patterns from looking at examples in data,
• such that they can recognize those patterns
• and apply them to new things that they haven't seen before.

5단계의 대화상대에게(어린아이~전문가) ML 설명하기

LEVEL 1. Child

ML

• a way that we teach computers to learn things about the world
• by looking at patterns and looking at examples of things.

개, 고양이, 늑대, 자칼, 사람 사진 보여주고 → "Is it a cat or dog?' → 개, 고양이에서 벗어난 답을 했을 때 이유 묻기

ML

• When we teach machines to make guesses about what things are
• based on looking at a lot of different examples.

tests in school

• practice problems before the test → In the test, you're not seeing any problems that you don't know how to solve as long as you did all your practice. → Machines work the same way.

동물 사진을 천만 개 주고 개 or 고양이인지 구분하라 하면 어떻게 할 거니? 빨리 할 수 있겠어? → No

LEVEL 2. Teen

ML

• (Teen) Humans being able to teach machines or robots how to learn themselves.
• (Mason) When we teach machines to learn from data,
• to build a model from that data or a representation of that,
• and then to make a prediction.

Spotify - recommendation system

• "if you like Melanie Martinez, one of the other songs you might like is by Au/Ra."

What machines can understand

• The machine can understand whatever we tell it to understand.
• Things like the pitch or the pacing or the tone.
• Sometimes machines can figure out things about music or images or videos that we don't tell it to discover.

Facebook or Instagram use ML to target ads

• They know so much data. (Where you live, Where your device is)
• People in aggregate are actually pretty predictable.
• They're able to take that data that we already give them
• and make predictions based on that
• as to what ads they should show us.

Algorithms

• (Teen) A set of steps or a process carried out to complete something.

There are thing that machines are really great at that humans are actually not great at.

• watching every video posted on TikTok every day.
• A machine can analyze all of them and then make recommendations to us.

People are really great with only one or two examples of learning something new

• and incorporating that into our model of the world
• to make good decisions.
• Whereas machines often need tens of thousands of examples,

Machines are great at predicting based on what they've seen in the past,

• but they're not creative.
• They're not going to invent.

LEVEL 3. College Student

An undergraduate who study Math and Computer Science in New York University

Gmail program

• (Undergraduate) There would be a lot of machine learning models happening at once.
• (Mason) Models that are operating to do things like figure out if a new email is spam or not.
• (Mason) What would you think about if you were looking at an email and trying to decide if it went in one category or another?
• (Undergraduate) I'd probably look at certain keywords. Maybe if the recipient and the sender had exchanged emails before and generally, those fell into in the past.
• (Mason) So these are things we would call features. And we go through a process where we do feature engineering, where somebody looks at the example and says,
• "Okay, these are the things that I think might allow us to statistically tell the difference from something in one category versus another."
• (Mason) So for example, perhaps you don't speak Russian, you start getting a lot of email in Russian.

Supervised Learning classic classification approach

• A person would need to think about those features and creatively come up with them
• in approach we call the kitchen sink approach.
• which is just try everything you can possibly think of and see what works.

Unsupervised Learning

• We don't have labeled data and we're trying to infer some structure out of the data
• is you're projecting that data into a space and looking for things like clusters.
• And there's a bunch of really fun math about how you do that, how you think about distance
• and by distance, I mean that if we have two data points in space, how do we decide if they're similar or not?

How do the algorithms themselves usually differ between unsupervised and supervised learning?

• Supervised Learning, we have our labels and we're trying to figure out what statistically indicates
• if something matches one label or another label.
• Unsupervised Learning, we don't necessarily have those labels.
• That's the thing we're trying to discover.

Reinforcement Learning

• You can think about it like a turn in a game
• and you can play, you know, millions and millions trials
• so that you're able to develop a system
• that by experimenting with reinforcement learning
• can eventually learn to play these games pretty successfully.
• It also thrives in environments where you have a decision point, a pallette of actions to choose from.
• It actually comes historically from trying to train a robot to navigate a room.
• If it bonks into this chair, it can't go forward anymore.
• If it keeps exploring, it'll eventually get to the goal.

Deep Learning

• which is essentially using neural networks
• and very large amounts of data to eventually iterate on a network structure that can make predictions.

Is there a situation which you'd want to use a deep learning algorithm over a reinforcement learning algorithm?

• So typically, you would choose deep learning if you have sufficient high quality data, hopefully labeled in a useful way.
• If you really are happy not to necessarily understand or be able to interpret what your system is doing
• or you're willing to invest in another set of work afterwards to understand what the system is doing once you've already trained it.
• And this also comes down to the fact that some things are actually really easy to solve with linear regression or simple statistical approaches.

You could build a system that could actually be useless.

• A big telecom company → a data scientist built a deep learning system to predict customer churn. → It was very accurate, but it wasn't useful because nobody knew why the prediction was what it was.
• This is a good example of a very real world kind of machine Learning problems where the solutions to this was to build an interpretable system on top of the accurate predictions not to throw it away.
• but to do a bunch more work to figure out the why.

LEVEL 4. Grad Student

Graduate Student who is in her first year of a PhD in Computer Science and studying natural language processing and machine learning in Columbia University

What have you been working on or interested in lately?

• (graduate) I've been looking at understanding persuasion in online text and the ways that we might be able to automatically detect the intent behind that persuasion or who it's targeted at and what makes effective persuasive techniques.

What are some of the techniques you're applying to look at that debate data?

• (graduate) Something I'm interested in exploring is how well it works to use deep learning and sort of automatically extracted features from this text versus using some of the more traditional techniques that we have, things like lexicons or some sort of template matching techniques for extracting features from texts.

In the last few years, we've seen a lot of changes and improvements in the capabilities of NLP systems. So is there anything in that you're particularly excited about exploring further?

• I'm really interested in, sort of, the creative potential that we've started to see from NLP systems with things like GPT-3 and other really powerful language models.
• It's really easy to write long grammatical passages thinking about the way that we can then harness, like,
• the human ability to actually give meaning to those words and, sort of, provide structure
• and how we can combine those things with the, kind of like, generative capabilities of those models now is really interesting.

LEVEL 5. Expert

Claudia Perlich

• Computer Scientist
  

(Claudia) What types of biases in the data collection, and then also in usage?

• We now call it the bias, but we're still struggling with the society not really living up to its expectations
• and then machine learning bringing it to the forefront.

(Mason) When you're collecting data from the real world and then building machine learning systems that automate decisions based on that data,

• all of the biases and problems that are already in the real world then can be magnified through that machine learning system.

(Mason) And so, it's not just the provenance of that data, but it's, sort of, deeply understanding, "Why does it look the way it looks? Why was it collected this way? What are the limitations of it?"

(Mason) So things like actuarial science, operations research, where they actually are not using machine learning as much as you might think.

(Claudia) I am somewhat frustrated with a generation of students who have standard data sets that they never think about what the model needs to be used for.

• that they never have to think about how the data was collected.

유튜브 채널 Krish Naik AI VS ML VS DL VS Data Science

(영상 기반으로 제작)

유튜브 채널 AI Holic 머신러닝 엔지니어에게 꼭 필요한 역량의 우선순위

백엔드 엔지니어링 기초

• Database
• 파이썬 백엔드 (API 배포 등과 관련)
• 인프라 관리
• 장애 대응

아키텍쳐 디자인 역량

• 제공하고자 하는 기능이 잘 working
• 문제 발생 시 효과적인 대응 방법
• 미래의 기술 부채가 적은 방향으로 설계
  #### 실제 ML 프로젝트를 delievery 할 때, 순수 Researcher와 Backend Engineer
• Backend를 잘 모르는 Reasearcher에게 Model을 올리게 하면 문제 발생 → Engineering과 Research를 연결해주는 게 Machine Learning Engineeer(ML Engineer)

Q-net - 정보처리기사

• 응시자격: 4년제 대학교 졸업자 (전공 무관)
• 2022년 정기 기사는 총 3회 시행

1. 필기시험

• 수수료 19,400원
• 객관식 4지 택일형, 과목당 20문항(과목당 30분)
• 합격기준: 100점을 만점으로 하여 과목당 40점 이상, 전과목 평균 60점 이상
• 시험과목 1) 소프트웨어설계 2) 소프트웨어개발 3) 데이터베이스구축 4) 프로그래밍언어활용 5) 정보시스템구축관리

2. 실기시험

• 수수료 22,600원
• 필답형(2시간30분)
• 합격기준: 100점을 만점으로 하여 60점 이상
• 시험과목: 정보처리 실무

2. 빅데이터분석기사

dataq - 빅데이터분석기사

• 응시자격: 4년제 대학교 졸업자 (전공 무관)
• 2022년 2회 시행 (제4회 ~ 제5회)

1. 필기시험

• 수수료 17,800원
• 합격기준: 과목당 100점을 만점으로 전 과목 40점 이상 & 전 과목 평균 60점 이상
• 시험과목 1) 빅데이터 분석 기획 2) 빅데이터 탐색 3) 빅데이터 모델링 4) 빅데이터 결과해석

2. 실기시험

• 수수료 40,800원
• 합격기준: 100점을 만점으로 60점 이상
• 시험과목 : 빅데이터 분석 실무 (※ 이하는 주요항목) 1) 데이터 수집 작업 2) 데이터 전처리 작업 3) 데이터 모형 구축 작업 4) 데이터 모형 평가 작업

3. ADsP (데이터분석 준전문가)

dataq - ADsP

• 응시자격: 제한x
• 2022년 4회 시행 (제32회 ~ 제35회)

필기시험

• 수수료: 50,000원
• 합격기준: 총점 60점 이상 / 과목별 40% 이상 취득
• 시험과목 1) 데이터 이해 2) 데이터분석 기획 3) 데이터분석

4. SQLD (SQL 개발자)

dataq - SQLD

• 응시자격: 제한x
• 2022년 4회 시행 (제44회 ~ 제47회)

필기시험

• 수수료: 50,000원
• 합격기준: 총점 60점 이상 / 과목별 40% 이상 취득
• 시험과목 1) 데이터 모델링의 이해 2) SQL 기본 및 활용

1. 지원자격

• 대학(전문대학 포함) 졸업자
• 한국방송통신대학교 입학 전에 이수한 학과 및 전공에 관계없이 지원 가능

2. 2022학년도 2학기 정시모집 일정

• 지원서 인터넷 접수: 2022. 6. 13.(월) ～ 7. 12.(화)
• 합격 발표: 2022. 8. 1.(월)
• 합격자 등록: 2022. 8. 1.(월) ～ 8. 4.(목)

3. 컴퓨터과학과 3학년 입학지원 현황

• 모집인원: 887
• 지원현황(누계): 1,064
• 경쟁률: 1.2:1

3. 등록 관련

• 삼성카드, 국민카드로 납부 가능
• 자율경비: 학생회비, 학보대금, 교재대금, 대학발전후원금 → 납부 필수x
• 교재는 종이책보다 eBook 대여가 저렴

4. 수강신청

• 자동으로 신청돼있는 과목들 → 수강 교과목 변경 필요

방통대 컴퓨터과학과 홈페이지 컴퓨터과학과 교재 구매처