끝난지 3주가 지나고 나서야 작성하는 회고글... 개강+인턴 출퇴근으로 인해 시간이 없었다...ㅎㅎ

📍 참가하게 된 이유

2023년 6월 중순이었던걸로 기억합니다. 4학년 1학기를 끝마치고, 마지막 여름방학 기간동안 다음 학기 인턴쉽을 알아보던 중, 서치하다가 어떻게 발견하게 돼서 정말 가벼운 마음으로 지원하게 되었습니다. 그전까지는 코칭스터디라는게 있는지도 몰랐습니다. 부스트코스 무료 강의만 몇 번 찍먹해봤지, 바로 옆 카테고리 코칭스터디는 쳐다도 보지 않았더라구요..

부스트코스 코칭스터디 소개글을 보니, 단순한 프로그래밍 스터디가 아닌, 현업 전문가들의 피드백도 받을 수 있다고 하더군요. 거기서 꽤 큰 관심이 생겼습니다.

아무튼 정리하면 해당 스터디에서 얻고자 하는건 크게 세 가지였습니다.

1. 이력서 외부활동에 어떻게 한줄이라도 더 추가하기(...)
2. 부족하다고 느꼈던 기초 파이썬 실력 키우기
3. 관련분야 전문가들에게 취업과 관련된 질문 및 고민들에 대해 대답을 얻기

이때가 한참 이력서, 포트폴리오, 자기소개서를 작성하던 때라 한줄이라도 더 추가하기 위해 뭐든 해볼려고 하던 때라..ㅋㅋ 어쩌다보니 신청하게 되었습니다ㅎㅎ.. 또한, 파이썬을 어느정도 공부는 했지만, 단기간에 빠르게 학습해야 했기에 놓치는 부분도 있었고, 클래스 수준에서 코드를 다루는 방법을 배워보고 싶어서 지원하게 되었습니다. (코칭스터디를 통해 얼만큼 성장했는지, 얼만큼의 정보를 얻었는지는 수료 후기 파트에서 말씀드리겠습니다.)

리드부스터/부스터로 나누어 신청할 수 있었는데, 이번이 처음 참여하는 코칭스터디에 인턴준비까지 하려면 리드부스터로서의 역할을 충분히 해내지 못할 것 같았기 때문에 저는 부스터로 지원하였습니다!

아무튼 그렇게 되어서 참가신청서를 제출했고, 며칠 뒤 부스터로 선정되었다는 메일을 받았습니다. 😍

📍 커리큘럼

총 6주동안 다음과 같은 커리큘럼으로 진행되었습니다. 소개글에서 본 것처럼 기초적인 내용부터 학습할 수 있는 과정이더군요.

📍 6주간의 스터디 진행

1. 진행 방식

코칭스터디 진행 방법은 매우 간단했습니다. 수요일날 학습계획이 공개되면, 해당 범위의 모두를 위한 파이썬 (PY4E) 강의를 수강하고, 각 챕터의 퀴즈를 풀고 인증캡쳐를 팀 슬랙 채널에 업로드합니다. 또한 '미션'이라 불리는 매 주 4개의 문제에 대해 파이썬으로 풀이하면 됩니다. 그리고 한 주 강의내용을 가지고 매 주 목요일마다 라이브 코칭 세미나를 시청하면 한 주 루틴이 모두 끝나는 시스템입니다.

쉬워 보여도 은근히 하루하루 해야 할 것들이 많았습니다. _라이브한지 이틀밖에 안된거 같은데 벌써 또 라이브라고!?_를 매 주 느꼈습니다ㅎㅎ

2. 미션과 팀

미션은 팀원들과 함께 토론하며 해결하는 것이 코칭스터디의 핵심입니다.

온라인 스터디인만큼, 슬랙을 통해 모든 과정이 진행되었습니다!

제가 소속된 팀은 보야코치 4팀! 시간이 지나면서 팀원의 변동이 조금 있었지만, 모두 열심히 해 주시는 분들이셔서 재미있게 미션을 해결해나갈 수 있어서 좋았습니다.

저희 팀이 한 주의 미션을 제출하는 과정은 다음과 같았습니다.

1. 각자 강의를 듣고 미션 4문제를 최대한 풀고 이를 노션에 업로드한다.
2. 매 주 월요일 오후 9시에, google meet를 통해 돌아가면서 자신이 푼 미션의 접근법과 코드를 설명한다.
   • 미션을 해결하지 못했더라도, 작성한 코드 부분 또는 접근법에 대해 발표한다.
3. 부스터가 발표한 풀이의 좋은점 또는 개선점에 대해 각자의 의견을 공유한다.
4. 회의에서 공유된 내용들을 리드부스터가 정리하여 작성한 코드를 제출한다.

처음 미팅에 들어가 자기소개를 할 때까지만 해도 어색해 죽는 줄 알았지만, 시간이 지날 수록, 분위기도 많이 풀어지고 각자 작성한 코드의 피드백을 해주는 아주 좋은 시간이었습니다.

리드부스터가 미션을 추합하여 슬랙 채널에 업로드하면, 각 팀의 코치님께서 피드백을 주십니다. 그리고! 매주 우수 미션을 선정하여, 최다 우수 미션에 선정된 팀에게는 리워드가 지급됩니다! 저희 보야코치 4팀은 6번 중 총 3번 우수미션에 선정되었습니다!

📍 수료 후기

좋았던 점 😆

*1. 궁금한 것들을 물어볼 수 있는 전문가들이 상시 대기중! *

코칭스터디는 꽤 많은 전문가분들이 함께합니다. 단순히 파이썬 코딩 질문부터 시작해서 진로와 관련된 내용, 현재 기술의 트렌드까지 많은 도움이 되었습니다. 저 역시 기존에 가지고 있던 고민들에 대해 박조은 코치님께서 너무 친절하게 답변해주셔서 좋았습니다😍

*2. 혼자 했다면 절대로 완주 못했을 파이썬 강의듣기 & 문제풀기 *

아마 혼자였다면 절대! 네버! 끝까지 듣지 않았을 강의들을 이번 코칭스터디를 통해 모두 완주할 수 있었습니다.

천 명이 넘는 사람들과 온라인에서 함께 같은 강의를 듣고, 매 주 라이브에 참여하여 해당 내용을 복기하는 것은, 동기부여도 너무 잘 되고 정말 '함께 학습하고 함께 성장한다'라는 느낌이 많이 들어 좋았습니다.

또한, 다른 부스터분들의 미션 문제풀이를 보면서 제가 푼 코드와 비교하면서 알지 못했던 라이브러리, 접근법에 대해 많이 배울 수 있어서 좋았습니다.

*3. 너무나 열심히해줘서 든든했던 운영진분들.. *

천 명이 넘는 대규모 스터디인 만큼, 이를 통솔하는 운영진의 역할이 정말 중요할텐데요, 운영진 점수를 매기라면 저는 정말 100점 만점에 300점을 드리고 싶을 정도로 너무 완벽하게 스터디를 이끌어주셨습니다.

꼼꼼하게 매 주 필요한 공지를 올려주시고, 라이브에서 소개해준 내용을 항상 깔끔하게 정리해주시고, 그리고 다옹님의 안경 패션 구경까지! 단순히 스터디 운영을 넘어 인간적으로도 좋은분들이라는 것을 느낄 수 있었습니다ㅎㅎ

아쉬운 점 🤔

1. 생각보다 너무 기초적이었던 강의 내용

물론 이번 스터디가 코딩을 아예 모르는 분들도 참가할 수 있는 스터디였기에 강의 내용이 정말 기초 파이썬의 사용에 집중하는 정도였습니다. 저는 기존에 파이썬을 어느정도 공부한 사람이었기에, 아무래도 다 아는 내용을 다시 복기하는 정도의 공부만 할 수 있었던 것 같습니다. 만약 파이썬을 어느 정도 하시는 분이 파이썬 공부를 목적으로 코칭스터디를 참가하고 싶다면, 저는 크게 추천하지는 않을 듯 합니다.(사실 저는 파이썬 스터디에만 집중해서 클래드 수준의 파이썬 코딩을 할 것을 기대하고 있었습니다ㅋㅋㅋ)

2. 팀원들과의 커뮤니케이션

코칭스터디는 팀으로 거의 모든 일정이 진행됩니다. 이는 곧 팀원을 잘만나야 코칭스터디의 장점을 빼갈 수 있다는 얘기입니다. 솔직하게 말해서 팀원분들에게 생각했던것 만큼의 열정을 느끼지 못한 것 같습니다..ㅠㅠ 라이브를 진행하면서도 I들 사이에 저 혼자 E인 느낌은 너무 많이 받았습니다. 다들 말 좀 더 많이 해주셨으면 좋았을 거 같아요.. 추가적으로 시간이 지날수록, 점점 다들 의욕이 떨어지는 것 같다는 느낌이 조금 슬펐습니다.. (만약 이 글을 보시는 코칭스터디 참가자분들,,, 조금 더 적극적으로 팀 활동에 참여 부탁드립니다.. 혼자서 적극적으로 참가하는 데에도 한계가 있더라구요 허허)

📍 마치며

파이썬을 처음 접하는 사람들에게는 정말정말 도움이 많이 되는 스터디가 되지 않을까 싶습니다. 나중에 AI 트랙으로 강의가 열린다면, 그때는 다시 한 번 참여할 의지가 있는 스터디였습니다. 좋은 경험하고 갑니다~

단순히 파이썬 강의만을 듣는 것을 넘어, 다양한 사람들의 문제해결 접근법과 코드를 보면서도 생각의 범위를 넓힐 수 있어서 좋은 경힘이 될 것 같습니다.

아 그리고 추가적으로, 은근히 코칭스터디가 자기소개서에서 쓸 내용이 많더라구요ㅋㅋㅋㅋ 지식 습득(파이썬 강의), 팀원과의 협업(미션), 정보 취득(라이브) 등 은근히 소재가 많습니다. 이를 정말 잘 요리한다면, 괜찮은 자기소개서 한 부분을 뚝딱 작성할 수 있을 것 같습니다 ㅋㅋㅋ

현재 <부스트코스 코칭스터디 : Data Science 2023>를 모집중이니, 관심있으신 분들을 참여해보시길 바랍니다.

ChatGPT에서 물어본 내용 정리한겁니다.

1. 레포지토리 생성

GitHub 웹사이트에서 새로운 레포지토리를 생성합니다. 이때, README 파일을 생성하는 옵션을 선택하면 초기 파일이 생성됩니다.

2. Git 레포지토리 복제 (Clone)

이제 터미널(또는 Git Bash, GitHub Desktop 등)을 열고, 레포지토리를 내 컴퓨터로 복제합니다. 레포지토리의 URL은 GitHub 페이지에서 확인할 수 있습니다. 아래 명령어를 사용하세요. {레포지토리 URL}은 실제 레포지토리의 URL로 바꿔주세요.

git clone {레포지토리 URL}

이 명령을 실행하면 해당 레포지토리가 내 컴퓨터로 복제됩니다.

3. 작업 디렉토리 이동

터미널에서 cd 명령어를 사용하여 복제한 레포지토리의 디렉토리로 이동합니다.

cd {레포지토리명}

4. 변경 내용 커밋 (Commit) 하기

파일을 수정하고 변경 사항을 Git에 기록하려면 다음 명령어를 사용하세요.

git add .
git commit -m "커밋 메시지"

git add .는 모든 변경 내용을 스테이징 영역에 추가하고, git commit은 스테이징된 변경 내용을 로컬 저장소에 커밋합니다.

5. 변경 내용 푸시 (Push) 하기

변경 사항을 GitHub 레포지토리로 업로드하려면 다음 명령어를 사용하세요.

git push origin main
Username for 'https://github.com': {유저네임}
Password for 'https://Kimeunseong@github.com': {token 입력}

이 예시에서 main은 기본 브랜치 이름일 수 있으므로 실제 브랜치 이름으로 바꾸세요. 이제 레포지토리가 내 컴퓨터와 GitHub 레포지토리 사이에 연결되었습니다. 변경 사항을 로컬에서 작업하고 GitHub로 푸시하여 공유할 수 있습니다.

코드 모아보기(커밋만 진행)

git add . git commit -m "커밋 메시지" git push origin main Username for 'https://github.com': {유저네임} Password for 'https://Kimeunseong@github.com': {token 입력}

네이버 부스트코스 파이토치로 시작하는 딥러닝 기초 강의를 기반으로 작성하는 스터디 기록입니다.

강의를 통한 스터디를 진행하기 위해선, 첫 번째로 실습 환경을 설정해야 한다. 강의에서는 실습환경을 도커(Docker)를 이용해 세팅하기를 권장한다.

여기서는 파이토치 실습을 위한 도커 이미지 설치와 주피터 노트북 실행에 대한 내용만을 작성한다. 나머지 도커 사용법에 대한 내용은 다른 포스팅을 참고해주세요.

1. 도커 설치하기

1. https://www.docker.com/에서 Get Started 클릭하여 다운받고 설치한다.

설치완료! 2. 설치가 완료되었다면 터미널 창을 열고 docker --version 을 입력하여 버전이 잘 출력되는지 확인하자. 버전이 잘 출력된다면 설치가 제대로 된 것이다!

+) "hello-world" 이미지를 실행하기

설치가 제대로 된 것인지 확인하기 위해 테스트로 hello-world 이미지를 실행해보자.

터미널에 docker run hello-world을 입력하면 도커는 Docker Hub 에서 "hello-world" 이미지를 다운로드하고 실행한다.

이미지를 다운로드 한 뒤에는 위와 같은 메시지가 표시된다. 이것으로 "hello-world" 이미지가 성공적으로 실행된 것을 확인할 수 있다!!

2. 도커 이미지 다운로드 받기

이제 실습에 사용할 도커 이미지를 받아서 컨테이너를 사용할 준비를 하자.

1. 터미널 창에 아래 명령어를 입력하여 이미지를 다운로드 받는다.

   docker pull deeplearningzerotoall/pytorch

필요에 따라 로그인이 필요할 수도 있다고 하지만 나는 안해도 다운로드가 가능했다. 만약, 로그인을 해야 한다면, Docker Hub에서 회원가입을 하면 된다.

설치가 완료되었다면, docker images 명령어를 입력하여 이미지가 제대로 설치되었는지 확인하자.

위 사진과 같이 목록에 설치가 완료된 것을 확인할 수 있다.

2. 도커 이미지로부터 컨테이너 실행한다. 아래의 명령어를 입력하여 실행할 수 있다. 이때, --name 뒤에는 원하는 이름으로 설정할 수 있다. 강의에서는 pt로 설정하였으므로, 나도 똑같이 따라했다.
   

   docker run -i -t --name pt -p 8888:8888 -p 8097:8097 deeplearningzerotoall/pytorch /bin/bash

컨테이너를 끄고 싶다면 exit를 입력하면 된다.

3. 종료된 컨테이너를 다시 실행하고 싶다면, run 명령어가 아닌, docker start pt를 입력하고, docker attach pt를 입력하면, 컨테이너 터미널 창으로 접속 가능하다.

3. jupyter notebook 설치 및 실행

이제 실습에 사용할 주피터 노트북과 파이토치 등 라이브러리를 다운로드 받아보자. 하나하나 다운받으려 했다면 상당히 귀찮을 일이었겠지만, 강의에서는 친절하게 github에 모든 내용을 정리해두었기 때문에, 우리는 이걸 fork와 clone만으로 쉽게 환경을 세팅할 수 있다.

1. 모두를 위한 딥러닝 깃허브의 Pytorch 레파지토리를 자신의 계정으로 fork한다.

2. clone의 링크를 복사한 뒤, 컨테이너 내부로 들어와서

   git clone (복사한 링크)

   를 입력한다.

3. 완료가 되었다면, Pytorch 디렉토리로 들어간다.

   cd Pytorch

   

4. 필수 패키지를 설치해준다.

   pip install --upgrade pip
   pip install -r requirements.txt

5. 필요한 모든 패키지가 설치가 완료되었다. 이제!! 드디어!!!! jupyter notebook을 실행해준다!!

   jupyter notebook --ip 0.0.0.0 --allow-root

6. 127.0.0.1:8888/ 링크로 브라우저에 접속하면, 기대했던 주피터 노트북 홈화면이 아닌, 아래와 같은 화면이 등장한다. 이때, Setup a Password 부분에서 터미널 창에 나온 토큰을 입력하고, 토큰 대신 간단하게 사용할 패스워드를 입력해준다. token= 뒷부분 내용을 복붙해주면 된다.

패스워드까지 입력해 주면, 이제 모든 환경설정이 완료되었다!!!

(추가) 만약 위 사진과 같은 500 : Internal Server Error 가 발생했다면, 주피터 노트북을 종료한 후, 다음의 명령어를 통해 업그레이드를 해주자.

pip install --upgrade jupyter

업데이트가 완료되고 다시 노트북을 실행하면 잘 될것이다.

테스트로 새 노트북 생성해서 torch를 실행해봤다. 잘 되는 것을 확인할 수 있다.

모든 환경 설정이 끝났다!!! 파이토치에 대해 공부를 시작해보자.

+) 재부팅 할 시 주피터 노트북 실행 방법

1. Docker Desktop 실행
2. 터미널에 docker start pt, docker attach pt 입력
3. 터미널에 cd PyTorch/ 입력
4. 터미널에 jupyter notebook --ip 0.0.0.0 --allow-root 또는 sh run_jupyter_docker.sh 입력
5. 링크로 접속

1) 머신러닝 :

• 데이터에서 학습하도록 컴퓨터를 프로그래밍하는 과학.
• 명시적은 프로그래밍 없이 컴퓨터가 학습하는 능력을 갖추게 하는 연구 분야.

2) 용어 설명

• 훈련 세트(training set) : 시스템이 학습하는 데 사용하는 샘플
• 훈련 사례(training instance) or 샘플(sample) : 각 훈련 데이터

2) 머신러닝을 사용하는 이유

1. 전통적인 프로그래밍 기법(=규칙기반) : 유지보수 어려움
2. 머신러닝 기법 : 패턴을 감지하여 자동으로 학습 → 유지보수 용이함
3. 머신러닝이 뛰어난 분야
   • 기존 솔루션으로는 많은 수동 조정과 규칙이 필요한 문제
   • 전통적인 방식으로는 해결 방법이 없는 복잡한 문제
   • 유동적인 환경

머신러닝 사용 사례

• 생산 라인에서 제품 이미지를 분석하여 자동 분류 시스템 : CNN
• 뇌를 스캔하여 종양 진단 : 시맨틱 분할
• 뉴스 기사 분류 : 자연어 처리(NLP)

등등

3) 머신러닝 시스템 종류

분류 기준

1. 사람의 감독/지도 하에 훈련 : 지도, 비지도, 준지도, 강화학습
2. 실시간으로 점진적 학습을 하는지 : 온라인 학습, 배치 학습
3. 알고 있는 데이터 포인트와 새 데이터 포인트를 비교 vs 훈련 데이터셋에서 패턴을 발견 : 사례 기반 학습, 모델 기반 학습

1. 지도/감독하에 훈련

지도 학습

• 레이블(label) 또는 타깃(target) : 원하는 답
• 지도 학습의 예시 : 분류(classification), 회귀(regression)
• 지도 학습 알고리즘 예시 : k-최근접 이웃, 선형 회귀, 로지스틱 회귀, 서포트 벡터 머신, 결정 트리, 랜덤 포레스트, 신경망 등

비지도 학습

• 레이블 없음. 알고리즘이 스스로 연결고리를 찾음
• 비지도 학습 예시 : 군집, 이상치/특이치 탐지, 시각화, 차원 축소, 연관 규칙 학습 등

준지도 학습

• 데이터에 레이블을 다는 것은 시간과 비용이 많이 듦. → 일부만 레이블이 있는 데이터를 다룸
• 준지도 학습 예시 : 심층 신뢰 신경망(DBN), 제한된 볼츠만 머신(RBM)

강화 학습

• 에이전트 : 학습하는 시스템.
• 보상/벌점 : 환경을 관찰해서 행동을 실행하고 나서 얻는 결과
• 정책 : 보상을 얻기 위한 최상의 전략. 주어진 상황에서 에이전트가 어떤 행동을 선택해야 할지 정의함.
• 알파고가 강화 학습의 예시

2. 실시간 여부

온라인 학습

배치 학습

INFO: Created TensorFlow Lite XNNPACK delegate for CPU.

처음 보는 메세지가 나와서 찾아보니,

https://github.com/google/mediapipe/issues/3017

INFO는 오류가 아니라 단순히 정보로그라고 한다. 위의 INFO는 단순히 'CPU용 TensorFlow Lite XNNPACK 대리자를 생성했습니다.'라는 정보라고 한다.

별 걱정하지 않아도 되는 인포 메세지로 보여집니다. 실제로 실행하는 데에는 아무런 문제가 발생하지 않습니다.

출처

• [MediaPipe] MediaPipe를 이용해서 수어 동작 동영상 각도값 저장하기(2/2)

구글링해서 나오는 방법(pip install meidapipe)으로는 정상적으로 설치가 되지 않고 계속 에러만 납니다. 그러나 아래 명령어를 사용하여 맥북에도 정상적으로 설치가 가능합니다. 단 설치된 파이썬의 버전이 3.8 이상이어야 합니다.

pip3 install mediapipe-silicon

참고로 저만 그런지 모르겠으나 설치하는데 생각보다 시간이 오래 걸렸습니다(약 7분).

코랩에서 프로젝트를 진행해도 되지만 아무래도 제 로컬에서 하는게 마음이 편하고, 그리고 비싼 돈 주고 노트북 샀는데, gpu도 한번 써보고 싶으니깐!!

근데 문제발생.. 설치부터 안되고 있다..ㅠㅠ

conda install -c apple tensorflow-deps

위 명령어를 치니 다음과 같은 에러메시지가 리턴되었습니다.

conda 버전은 글을 작성하는 2023년 3월 28일 기준 22.9.0입니다. 혹시나 conda 버전이 낮아 생긴 문제인가 해서 확인해봤는데, 그 문제는 아닌 거 같고ㅜㅜ

아무튼 이렇게 3일동안 구글링하면서 삽질만 하다가 아래 유튜브 동영상대로 진행하니 설치가 완료되었습니다!!!

How to Install Tensorflow Keras GPU for Mac M1/M2 with Conda

ㅠㅠㅠㅠㅠ 그저 갓...

워닝 메시지가 좀 걸리긴 하지만,, 일단은 잘 실행되는걸 확인했습니다. 이후에 문제가 발생하면 추가로 이어붙이겠습니다.

결론은 괜히 뭐 알아서 해보겠다고 나대다가 시간만 잡아먹지 말고 그냥 시키는 대로 해보자ㅋㅋ

1. 가상환경 생성, 실행

conda create -n dl-env python=3.9
conda acitvate dl-env

+) 가상환경 삭제 방법

conda env remove -n 가상환경이름

또는 그냥 해당 경로로 가서 폴더를 직접 삭제하는 방법이 있다.

2. 주피터 노트북 설치

conda install jupyter notebook

3. 필요한 라이브러리 설치

1. numpy

   conda install numpy

2. pandas

   conda install pandas

3. sklearn

   pip install scikit-learn
   pip install scipy

4. matplolib

   pip install matplotlib

5. opencv

   pip install opencv-python

4. 설치 확인

다음과 같이 정성작으로 라이브러리가 설치가 되었음을 알 수 있습니다.

이제 필요한건 딥러닝 모델을 구현하기 위한 텐서플로와 케라스 설치입니다. 이는 맥북 환경에서는 조금 다르게 설치하므로 새로운 포스팅으로 준비하겠습니다.

(추가) 5. Tensorflow 설치

https://velog.io/@silv3r_star/Mac-M2-맥북에-Tensorflow-설치하기

아무튼 동영상이나 이미지를 사진 앱이 아니라 데스크탑 폴더에 저장해서 사용해야 하는 경우, 다음과 같이 사진을 저장하면 됩니다.

1. 사진 앱에 들어가서 원하는 사진을 선택한다.

2. 파일 > 내보내기 > n장의 사진 내보내기 클릭

3. 다음과 같은 화면이 나오고 원하는 형식으로 설정

4. 저장하고자 하는 경로에 이미지 저장하기

위 4단계를 거치면 잘 저장된 것을 확인해 보실 수 있을 겁니다.

이제 진짜 열심히 포스팅 해야지