AICE Associate 시험 구조와 학습 지도

이 챕터에서 배우는 것 — 실기 시험이 어떤 순서로 흘러가는지, 어디까지가 공부할 범위인지, 90분을 어떻게 쪼갤지를 먼저 확정합니다. 나머지 일곱 챕터는 모두 이 지도 위에 놓입니다.

AICE(AI Certificate for Everyone)는 KT가 주관하는 인공지능 활용 능력 자격이고, 그중 Associate 등급은 온라인 실기 시험입니다. 객관식으로 개념을 묻는 시험이 아니라, Jupyter와 비슷한 환경에서 실제로 Python 코드를 작성해 제출하는 시험입니다. 그래서 "무엇을 아는가"보다 "빈 셀 앞에서 손이 움직이는가"가 점수를 가릅니다.

이 챕터에서는 코드를 거의 쓰지 않습니다. 대신 앞으로 일곱 챕터 동안 무엇을 향해 달릴지, 그 목적지를 그림 네 장으로 못 박아 두겠습니다.

ℹ️ 공지 확인 안내 — 시험 시간, 문항 수, 배점 체계, 실기 환경의 라이브러리 버전은 회차에 따라 달라질 수 있습니다. 이 교재의 수치는 공개된 안내를 바탕으로 한 기준선이며, 응시 전에 KT AICE 공식 사이트의 시험 안내 공지를 반드시 직접 확인하십시오.

1. 시험은 어떤 순서로 흘러가는가

한 줄 요약: 실기 시험은 하나의 데이터셋을 놓고 "탐색 → 전처리 → 분리 → 모델링 → 평가" 순서를 그대로 따라가는 단계형 문제 묶음입니다.

문항이 무작위로 흩어져 있지 않다는 점이 이 시험의 가장 큰 특징입니다. 1번 문항에서 데이터를 불러오고, 몇 문항 뒤에서 결측치를 채우고, 그다음 학습 데이터와 평가(테스트) 데이터를 나누고, 후반부에서 딥러닝 모델을 만들어 성능을 출력하는 흐름입니다. 각 문항은 "○○ 컬럼의 결측치를 중앙값으로 대체하시오", "학습 데이터와 평가 데이터를 7:3으로 분리하시오"처럼 지시가 명확한 서술형 과제로 주어집니다.

문항 수는 공개된 안내 기준 14문항 내외로 알려져 있으나 회차별 변동이 있으므로, 정확한 수치는 시험 공지 기준으로 확인하십시오. 중요한 것은 개수가 아니라 비중입니다. 도해에서 딥러닝 구간만 진하게 칠해 둔 이유가 여기 있습니다. 앞쪽 전처리 문항들은 정해진 함수를 정확히 쓰면 되는 확정적인 점수 구간이고, 뒤쪽 딥러닝 문항들은 배점이 크면서 동시에 시간이 부족해 손도 못 대는 사람이 가장 많이 나오는 구간입니다. 이 교재가 딥러닝에 집중하는 이유입니다.

⚠️ 시험 포인트 — 문항은 앞 문항의 결과를 이어받습니다
4번에서 결측치를 처리한 데이터프레임을 6번에서 인코딩하고, 그것을 7번에서 분리합니다. 앞 단계를 건너뛰면 뒤 단계가 통째로 무너집니다. 막히는 문항이 있으면 완벽한 답을 포기하더라도 다음 단계가 이어받을 수 있는 형태의 결과물(예: 결측치를 일단 채운 데이터프레임)을 반드시 만들어 두고 넘어가십시오.

채점 단위도 같은 맥락입니다. 정답 코드 한 벌 전체가 통과/실패로 갈리는 방식이 아니라 문항 단위로 점수가 매겨진다고 보는 편이 안전합니다. 그래서 "완성도 높은 답안 하나"보다 "각 단계마다 결과를 남긴 답안"이 유리합니다. 이 전략은 Ch08에서 답안 구성 방식으로 다시 구체화합니다.

2. 어디까지가 시험 범위인가

한 줄 요약: 시험이 요구하는 딥러닝은 표 형태(정형) 데이터를 다루는 완전연결 신경망 한 종류이며, 그 바깥의 화려한 주제들은 공부할 필요가 없습니다.

수험생이 가장 많이 낭비하는 시간이 여기서 발생합니다. "딥러닝 시험"이라는 말을 듣고 이미지 처리용 CNN이나 시계열용 RNN/LSTM 강의부터 찾아보는 경우가 많은데, Associate 실기가 요구하는 것은 그 앞 단계입니다. 엑셀 표처럼 행과 열로 된 데이터를 받아서, 층을 몇 개 쌓고, 문제 유형에 맞는 출력층과 손실 함수를 고르고, 과적합을 막으며 학습시킨 뒤 성능을 출력하는 것. 여기까지가 전부입니다.

범위 안에 있는 것들을 나열하면 이렇습니다.

📎 더 알아보기 — 시험 무관
CNN, RNN/LSTM, Transformer, 사전학습 모델, PyTorch, 역전파 수식 유도는 Associate 실기 범위 밖입니다. 이 교재에서도 다루지 않습니다. 딥러닝을 더 공부하고 싶다면 시험이 끝난 뒤에 시작하시고, 지금은 위 표의 여섯 줄에만 집중하십시오.

범위를 좁히는 것이 이 시험 준비의 핵심 전략입니다. 시험에 나오는 딥러닝은 패턴이 정해져 있습니다. 이진분류·다중분류·회귀 세 유형 중 하나가 주어지고, 유형에 따라 출력층과 손실 함수 두 곳만 바뀝니다. 그 짝을 외워 두면 딥러닝 문항의 절반이 해결됩니다. 이 짝을 정리한 도해가 Ch05의 손실 함수 선택 분기도이며, 교재 전체에서 가장 중요한 그림입니다.

3. 90분을 어떻게 쓸 것인가

한 줄 요약: 앞 단계에서 시간을 쓰다가 딥러닝 문항을 시작도 못 하는 것이 가장 흔한 실패이므로, 구간별 마감 시각을 미리 정해 두십시오.

위 배분은 정답이 아니라 출발점입니다. 자기 속도에 맞춰 조정하되, 조정할 때 지켜야 할 원칙 세 가지가 있습니다.

첫째, 딥러닝 구간을 먼저 떼어 놓습니다. 배점이 크고 되돌리기 어려운 구간이라 남는 시간으로 처리할 대상이 아닙니다. 총 시간에서 딥러닝 몫을 먼저 빼고, 남은 시간을 앞 단계에 나눠 주는 순서로 계산하십시오.

둘째, 시각화 문항에 완성도를 쏟지 않습니다. 그래프의 색상이나 제목을 다듬는 데 쓰는 5분은, 뒤에서 모델 하나를 살릴 수 있는 5분입니다. 지시된 그래프를 지시된 컬럼으로 그려 출력했으면 넘어갑니다.

셋째, 마지막 10분은 검토용으로 비워 둡니다. 이 시간에는 새 코드를 쓰지 않고, 노트북 셀을 위에서부터 다시 실행해 오류 없이 끝까지 도는지, 지시된 변수명과 파일명을 지켰는지만 확인합니다.

⚠️ 시험 포인트 — 지시된 변수명과 random_state는 그대로 씁니다
문제가 "결과를 X_train, X_test, y_train, y_test에 저장하시오", "random_state=42로 설정하시오"라고 지시하면 그 이름과 값이 곧 채점 기준입니다. x_train처럼 대소문자를 바꾸거나 random_state를 생략하면, 코드가 정상 실행되더라도 의도한 점수를 받지 못할 수 있습니다. 지시문에 등장한 이름·숫자·비율은 그대로 옮겨 적는다를 습관으로 만드십시오.

4. 이 교재의 학습 경로

한 줄 요약: 개념(Ch03) → 모델 구성(Ch04) → 학습(Ch05) → 개선(Ch06) → 평가(Ch07) 순서는 실제 시험 문항이 흘러가는 순서와 같습니다.

챕터 순서는 지식 체계의 순서가 아니라 시험 답안을 위에서부터 써 내려가는 순서입니다. 그래서 앞 챕터를 건너뛰면 뒤 챕터의 코드가 낯설게 느껴집니다. 특히 Ch04(모델 구성)와 Ch05(컴파일·학습)는 붙어 있는 한 덩어리로 보시는 편이 좋습니다.

시간이 부족한 독자를 위한 우선순위는 이렇습니다. Ch04·Ch05·Ch07을 먼저, 그다음 Ch06, 마지막으로 Ch02·Ch03입니다. Ch02는 이미 아는 내용이라면 표만 훑고 넘어가도 되고, Ch03은 코드를 쓰는 챕터가 아니라 이해를 붙잡아 주는 챕터입니다. 다만 Ch08과 모의고사 2회분은 어떤 경우에도 건너뛰지 마십시오. 아는 것과 90분 안에 쓰는 것은 다른 능력이고, 그 차이를 메우는 것이 마지막 두 단계입니다.

5. 시험장 표준 코드

시험이 시작되면 가장 먼저 확인할 것은 환경입니다. 라이브러리 버전에 따라 일부 문법이 달라질 수 있으므로, 첫 셀에서 버전을 찍어 두면 이후 문제가 생겼을 때 원인을 빠르게 좁힐 수 있습니다.

환경 버전을 확인하는 코드입니다.

import sys
import tensorflow as tf

print('python:', sys.version.split()[0])
print('tensorflow:', tf.__version__)
print('keras:', tf.keras.__version__)

출력 요지: tensorflow: 2.x.x와 같이 세 줄이 찍힙니다. TensorFlow 2.x 계열이면 이 교재의 코드가 그대로 동작합니다.

다음은 모든 챕터와 모의고사에서 공통으로 재사용할 표준 import 블록입니다. 시험장에서 노트북 첫 셀에 통째로 적어 두고 시작하는 용도입니다.

# 데이터 처리
import numpy as np
import pandas as pd

# 시각화
import matplotlib.pyplot as plt
import seaborn as sns

# 전처리 · 분리
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, MinMaxScaler

# 머신러닝 베이스라인
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression

# 평가지표
from sklearn.metrics import classification_report, confusion_matrix
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 딥러닝
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Input, Dense, Dropout, BatchNormalization
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint

print('imports ready')

출력 요지: 오류 없이 imports ready 한 줄만 출력되면 준비가 끝난 것입니다. 지금 각 import가 무엇인지 몰라도 괜찮습니다. Ch02부터 Ch07까지 한 줄씩 차례로 설명합니다.

⚠️ 시험 포인트 — 결과는 반드시 print()로 남깁니다
노트북에서는 셀 마지막 줄의 값이 자동으로 표시되지만, 그 앞줄의 값은 표시되지 않습니다. "○○를 출력하시오"라는 지시가 있다면 명시적으로 print()를 감싸십시오. 값을 변수에 담아 두기만 하고 출력하지 않으면 "출력하시오"라는 요구를 충족하지 못한 답안이 됩니다. 셀을 위에서부터 다시 실행했을 때 화면에 결과가 남아 있는지가 판단 기준입니다.

핵심 요약

ㄱ. Dense 층을 쌓아 은닉층 2개짜리 신경망을 만든다
ㄴ. 이미지 데이터를 CNN으로 분류한다
ㄷ. EarlyStopping 콜백으로 학습을 조기 종료한다
ㄹ. Transformer 기반 사전학습 모델을 미세조정한다
ㅁ. 문제 유형에 맞는 손실 함수를 골라 compile에 지정한다

import sys
import tensorflow as tf

print('python:', sys.version.split()[0])
print('tensorflow:', tf.____(가)____)
print('keras:', tf.keras.__version__)

# --- 표준 import 블록 (딥러닝 부분) ---
from tensorflow.keras.models import ____(나)____
from tensorflow.keras.layers import Input, Dense, Dropout, BatchNormalization
from tensorflow.keras.callbacks import ____(다)____, ModelCheckpoint

print('imports ready')

import tensorflow as tf

# 범위 안 주제에 쓰이는 API가 실제로 무엇인지 확인
for name in ['Dense', 'Dropout', 'BatchNormalization', 'Input']:
    print(name, name in dir(tf.keras.layers))

import sys
import tensorflow as tf

print('python:', sys.version.split()[0])
print('tensorflow:', tf.__version__)          # (가) __version__
print('keras:', tf.keras.__version__)

# --- 표준 import 블록 (딥러닝 부분) ---
from tensorflow.keras.models import Sequential                  # (나) Sequential
from tensorflow.keras.layers import Input, Dense, Dropout, BatchNormalization
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint   # (다) EarlyStopping

print('imports ready')