아마 이런 말 많이 들으셨을 거예요.
“Python 배우고, ML 라이브러리 좀 쓰면 Machine Learning Engineer 될 수 있다.”
듣기엔 간단하죠.
현실은… 전혀 안 그렇습니다.
Python으로 machine learning을 한다는 건 단순히 문법 조금 배우고 model.fit() 한 번 호출해 보는 수준이 아니에요.
그 뒤에는 생각보다 거대한 스택이 숨어 있습니다.
- Python 자체를 잘 다루는 실력
- 데이터 다루기 & 분석 능력
- 기본적인 Software Engineering 도구 사용 능력
- (선택이지만 강력한) 수학/통계 기초
- 고전적인 machine learning 알고리즘 이해
- Deep Learning
- 실무 ML workflow (data pipeline, deployment 등)
- 보너스: LLM & Transformer
- 마지막으로, 실제로 “이 사람 할 줄 안다”를 증명해 줄 프로젝트 & 포트폴리오
이 글은 위 내용을 처음부터 끝까지, 어떤 순서로, 왜 배워야 하는지 쭉 정리한 로드맵입니다.
6개월이든 1년이든, 중간에 헷갈릴 때마다 다시 펼쳐볼 수 있는 일종의 “길 안내 지도”라고 생각하시면 돼요.
1단계 — Python Fundamentals: 기초지만, 여기서 승부가 갈린다
너무 당연해서 지나치기 쉬운 부분부터 짚고 갈게요.
많은 분들이 Python 기초를 제대로 다지기도 전에 바로 machine learning 강의로 점프합니다.
솔직히, TensorFlow나 PyTorch 코드 몇 줄 복붙해 보는 건 누구나 할 수 있어요.
문제는, 에러가 터지거나 동작이 이상할 때 직접 코드를 읽고 고칠 수 있느냐죠.
Python으로 ML을 한다는 건 결국 “Python이라는 언어를 제대로 다룬다”는 전제가 깔려 있어야 합니다.
1-1. 꼭 알고 넘어가야 할 Python 기본기
최소한 아래 내용은 “어, 이건 이제 익숙한데?”라는 느낌이 들 정도로 다뤄 보셔야 합니다.
- 변수 & 자료형
정수, 실수, 문자열, boolean, list, tuple, set, dict.
단순히 [] 쓰면 list, {} 쓰면 dict 정도가 아니라,
언제 어떤 자료형을 쓰는 게 자연스러운지 감이 와야 합니다. - Control flow
if / elif / else, for, while, try / except.
흐름 제어가 헷갈리면 복잡한 ML 코드 읽기가 정말 괴로워집니다. - function
매개변수, 기본값, keyword argument, return value.
길어지는 코드를 function 단위로 잘라서 재사용할 수 있어야 해요. - class & OOP
__init__, method, attribute, inheritance, composition.
라이브러리 내부 구현을 보거나, 조금 규모가 있는 코드를 짤 때는
class 구조를 이해하는 게 거의 필수에 가깝습니다. - 조금 더 나아간 Python 문법들
완전 필수는 아니지만, ML 코드에서는 의외로 자주 보이곤 합니다.- lambda
- decorator
- list/dict comprehension
- enumerate, zip, sorted, any, all 같은 built-in
- context manager (with 구문)
- metaclass는 개념 정도만 알아두면, 복잡한 라이브러리 구조가 덜 낯설어집니다.
Python을 완벽히 꿰야 한다는 의미는 아니고,
“언어 자체 때문에 막히는 일이 거의 없다” 수준을 목표로 하시면 좋아요.
1-2. 이론만 보지 말고, 작게라도 “제대로 된 프로그램”을 만들어 보기
machine learning 전에 꼭 해봤으면 하는 것:
- 100~300줄 정도 되는 Python 코드를 직접 작성해 보기
- 문제를 여러 function / class로 쪼개서 설계해 보기
- 에러를 마주쳤을 때, 검색 + 디버깅으로 스스로 해결해 보기
예시 프로젝트:
- Tic-Tac-Toe (콘솔 버전)
- 2인 플레이
- 잘못된 입력 처리
- 승리 조건 체크
- 간단한 AI를 붙여보는 것도 좋습니다.
- 간단한 Terminal App
- To-do list 관리
- 간단한 가계부
- habit tracker 같은 거 하나만 제대로 만들어도, 구조 설계 연습이 꽤 됩니다.
이런 걸 해본 사람과 안 해본 사람은,
나중에 ML 코드 짤 때 문제를 쪼개는 힘부터 차이가 나요.
2단계 — 데이터 다루기 & 분석: “모델”보다 먼저, “데이터”를 읽을 줄 알아야 한다
Machine Learning Engineer라고 하면 대부분 model training을 떠올리지만,
실제로 일해 보면 이런 말이 더 가깝습니다.
“모델 만지는 시간보다, 데이터 씻는 시간이 훨씬 길다…”
현실적으로는 데이터 수집 → 정리 → 가공 → 분석이 업무의 대부분을 차지합니다.
Python에서 이 작업의 핵심은 다음 툴들이에요.
- NumPy — numerical computing의 기반
- pandas — data wrangling, loading
- Matplotlib — 기본 plotting
- Seaborn — Matplotlib 기반 고급 시각화
- Jupyter Notebook — 실험용 인터랙티브 환경
2-1. NumPy: 숫자 계산의 뼈대
NumPy의 핵심은 ndarray.
여기서 하는 일:
- vector, matrix 연산
- broadcasting
- 기본 linear algebra 연산
- image, signal 등도 결국 ndarray로 표현
pandas, scikit-learn, TensorFlow, PyTorch 전부 NumPy랑 손을 잡고 돌아갑니다.
ML 전체 생태계의 “바닥 공사” 역할이라고 보시면 돼요.
2-2. pandas: 데이터 정리의 메인 무기
pandas의 DataFrame은 엑셀 스프레드시트 같은 형태지만, 훨씬 강력한 버전입니다.
pandas로 할 일은:
- CSV, Excel, SQL, JSON 등에서 데이터 로드
- 누락값 처리, 타입 변환, 이상치 제거
- filter / slice / groupby / aggregation
- 여러 데이터 소스 join / merge
현실적인 ML 일을 하려면
“CSV만 주면, 대략 어떤 데이터인지 파악해서 정리할 수 있다” 수준의 pandas 실력이 필요합니다.
2-3. Matplotlib & Seaborn: 눈으로 데이터 읽기
사람은 숫자표보다 그래프에 훨씬 빨리 반응합니다.
시각화를 통해:
- 값이 말도 안 되게 튀는 컬럼 찾기
- 분포가 한쪽으로 심하게 치우친 feature 확인
- target과의 관계 대략 감 잡기
- 팀원이나 비개발자에게 결과 설명하기
Matplotlib은 기본적인 그림판,
Seaborn은 “통계에 특화된 예쁜 그림판” 정도 느낌으로 보시면 됩니다.
2-4. Jupyter Notebook: 데이터/ML용 실험실
Jupyter Notebook은:
- cell 단위로 코드를 실행하면서
- 바로 아래에서 결과(표, 그래프 등)를 확인하고
- 설명 텍스트를 같이 적어 둘 수 있는 환경입니다.
데이터 분석, 실험, 튜토리얼, 논문 재현 등 거의 모든 초기 작업이 이 안에서 이뤄진다고 봐도 과언이 아니에요.
2-5. 이 단계의 목표
여기까지 오면, 이런 말을 자신 있게 할 수 있어야 합니다.
“CSV 파일 하나 주면, 대충 어떤 특성이 있는 데이터인지 설명해 줄 수 있어요.”
구체적으로는:
- pandas로 데이터 로드
- 기본 전처리 (누락값, 이상치, 타입)
- 간단한 통계량과 groupby
- Matplotlib/Seaborn으로 기본 그래프 그리기
이 정도만 되어도 다음 단계로 갈 준비가 꽤 잘 된 상태입니다.
3단계 — “어떻게 배우느냐”가 성능 차이를 만든다 (Active Learning)
잠깐, 로드맵에서 살짝 벗어나서 학습 방식 얘기를 할게요.
많은 분들이 이 패턴을 반복합니다:
- YouTube, 강의, 블로그를 열심히 본다.
- “아~ 이해했다”는 느낌이 든다.
- 막상 코드를 직접 쓰려니까, 손이 안 나온다.
연구 결과도 그렇고, 실제 학습 경험도 그렇고
대략 이런 경향이 있습니다.
- 수동 학습 (영상 보기, 글 읽기만) → 내용의 극히 일부만 남는다.
- 능동 학습 (직접 타이핑, 실습, 프로젝트) → 훨씬 많이 남는다.
그래서 가능한 한 빨리,
“보고 있다”에서 “직접 만든다” 쪽으로 무게를 옮기는 게 중요합니다.
3-1. Interactive 플랫폼은 “보는 용”이 아니라 “치는 용”
원본 스크립트에서는 예시로 DataCamp를 언급했죠.
- Python Data Fundamentals
- Python core
- pandas data manipulation
- Seaborn visualization 등
- Machine Learning Scientist with Python
- supervised learning (scikit-learn)
- unsupervised learning, clustering 등
어떤 플랫폼을 쓰든 상관없지만, 포인트는 하나입니다.
“보는 플랫폼”이 아니라, **“손을 쓰게 만드는 플랫폼”**을 고르자.
Kaggle Notebook, Colab, DataCamp, 자체 Jupyter 환경…
어떤 걸 쓰든, 타이핑과 시행착오가 많이 일어나는 쪽이 결국 더 큰 성장을 가져옵니다.
4단계 — 핵심 SWE Tools: ML도 결국 Software Engineering 위에서 돌아간다
이제 Python, 데이터 다루기가 어느 정도 익숙해졌다면
조금 더 “실무”에 가깝게 시야를 넓힐 타이밍입니다.
machine learning도 결국 software의 한 종류예요.
그러다 보니 기본적인 Software Engineering 도구를 쓸 줄 알아야 합니다.
4-1. Virtual environment & dependency 관리
프로젝트마다 요구하는 라이브러리 버전이 다를 수 있습니다.
- 어떤 프로젝트는 numpy==1.x
- 어떤 프로젝트는 numpy==2.x
이걸 전부 global에 깔기 시작하면,
언젠가 “dependency 지옥”이 열립니다.
그래서 필요한 게 virtual environment입니다.
알아야 할 것들:
- pip으로 package 설치/업데이트/삭제
- venv 등으로 프로젝트별 virtual env 생성
- env 활성화, 비활성화
- requirements.txt 같은 걸로 dependency 목록 관리
이건 딱 한 번 개념을 잡아 놓으면, 이후 모든 Python 프로젝트가 편해집니다.
4-2. Git & GitHub
버전 관리는 선택이 아니라 필수입니다.
최소한:
- git init
- git add, git commit
- branch 생성/병합
- git push로 GitHub에 코드 올리기
여기까지 익숙해지면,
혼자 프로젝트를 하든, 협업을 하든 움직임이 훨씬 부드러워져요.
4-3. Bash & Terminal 기본기
실무 ML 환경에서는:
- remote 서버에 접속해서 script 실행
- log 파일 조회
- 데이터 파일 이동/삭제
같은 걸 자주 하게 됩니다.
기본적으로 알아두면 좋은 명령어:
- cd, ls
- mkdir, rm, mv, cp
- grep으로 특정 문자열 검색
전문 리눅스 엔지니어처럼 될 필요는 없고,
“터미널 때문에 겁먹지 않는다” 정도면 충분합니다.
5단계 — Math & Statistics: 선택 과목 같지만, 장기적으로는 치트키
사실만 놓고 보면,
수학 거의 모르고도 scikit-learn, TensorFlow, PyTorch를 *“사용”*하는 건 가능합니다.
하지만, 어느 지점부터는 꼭 이런 생각이 듭니다.
“이게 왜 이렇게 동작하지?”
“이 설정을 바꾸면, 수학적으로 무슨 일이 일어나는 거지?”
이때 수학/통계 기초가 있으면
감각이 훨씬 빨리 잡힙니다.
5-1. Linear algebra
핵심 키워드:
- vector
- matrix
- dot product
- 고차원 공간에서의 데이터 표현
Neural network의 forward pass도,
사실은 전부 “matrix 연산 묶음”에 불과하다고 볼 수 있어요.
이걸 이해하면, 모델 내부가 훨씬 덜 마법처럼 느껴집니다.
5-2. Probability & statistics
ML은 본질적으로 “불확실성 다루기”입니다.
알아두면 좋은 것들:
- 평균, 분산, 표준편차
- 확률분포(정규분포 등), random variable
- 조건부 확률, 독립성 개념
- 샘플링, 편향(bias) 개념
꼭 공식을 다 암기할 필요까진 없고,
**“이게 대충 어떤 이야기인지”**를 이해하는 수준이면 충분히 큰 도움이 됩니다.
5-3. Optimization & gradient descent
모델 학습 과정의 핵심 키워드들:
- cost / loss function
- parameter를 바꾸면서 loss를 줄이는 과정
- gradient descent, learning rate, local minimum
이제 누가 “learning rate 너무 크다”, “local minima에 빠졌다”라고 말하면
감만 있는 게 아니라, 그려지는 그림이 있어야 합니다.
6단계 — Machine Learning Foundations: 고전 알고리즘부터 단단하게
이제 진짜 machine learning으로 들어갑니다.
하지만, 바로 deep learning이나 LLM으로 가기 전에
꼭 거쳐야 할 구간이 있어요.
바로 scikit-learn 중심의 classical ML입니다.
6-1. Supervised learning
입력 데이터 X, 정답 label y가 있고
X → y를 잘 맞추는 함수를 찾는 게 supervised learning입니다.
대표적인 두 가지:
- regression — 연속값 예측 (집값, 매출, 온도 등)
- classification — 범주 예측 (spam vs ham, cat vs dog 등)
여기서 해볼 것들:
- train / validation / test split
- linear regression, logistic regression, decision tree 등 기본 모델들 학습
- 평가 지표 이해:
- accuracy
- precision / recall / F1
- MSE, RMSE 등
6-2. Unsupervised learning
label이 없는 데이터에서 패턴을 찾아내는 작업입니다.
대표적인 것들:
- clustering
- K-means clustering
- (K-nearest neighbors는 보통 supervised지만, 같이 묶어서 소개되는 경우도 많아요)
- dimensionality reduction
- PCA 등, 고차원을 저차원으로 요약하는 기법
여기에 더해서,
random forest, ensemble 계열 모델도 이쯤 같이 배우는 경우가 많습니다
(엄밀히는 supervised지만, “필수 알고리즘 묶음”에 들어가는 느낌).
6-3. Model evaluation & validation
어떤 알고리즘을 쓰든,
결국 중요한 건 **“이 모델이 정말 잘 하고 있는가?”**입니다.
중요한 개념들:
- validation set, test set의 역할
- k-fold cross-validation
- overfitting vs underfitting
이 단계에서 목표는:
- 여러 모델을 학습시켜 보고
- 적절한 metric으로 성능을 비교하고
- “왜 이 모델이 더 낫다고 판단했는지” 설명할 수 있는 것
7단계 — Deep Learning: Neural Network 세계로 입문
이제 많은 사람들이 가장 기대하는 파트, deep learning입니다.
여기서부터는 neural network를 다루게 됩니다.
수식으로 쓰면 복잡해 보이지만, 컨셉은 “여러 층으로 구성된 함수”입니다.
7-1. TensorFlow vs PyTorch, 하나만 먼저 잡자
처음부터 둘 다 잘하려고 할 필요 없습니다.
일단 하나만 골라서 깊게 파는 게 훨씬 효율적이에요.
- TensorFlow (+ Keras high-level API)
- PyTorch
둘 다 업계에서 널리 쓰이고 있으니, 어느 쪽을 골라도 손해는 없습니다.
7-2. 간단한 neural network부터
처음에는:
- fully-connected neural network
- layer, weight, bias 개념
- forward pass / backpropagation의 흐름
같은 걸 위주로 연습해 봅니다.
여기서 더해 알아야 할 것들:
- activation function: ReLU, sigmoid, tanh 등
- loss function: cross-entropy, MSE 등
- optimizer: SGD, Adam 등
MNIST 같은 classic dataset으로
직접 모델을 만들어 보고 training curve를 관찰해 보는 것만으로도
상당히 많은 걸 배울 수 있습니다.
7-3. CNN & RNN
조금 익숙해지면,
보다 특수한 구조도 건드려 볼 수 있습니다.
- Convolutional Neural Network (CNN)
- image, video 처리에 강함
- convolution layer로 local pattern(엣지, 질감 등)을 포착
- Recurrent Neural Network (RNN)
- sequence data(text, 시계열 등)에 적합
- LSTM, GRU 같은 변형 구조
요즘은 Transformer가 워낙 대세지만,
CNN과 RNN을 이해해 두면 전체 deep learning 역사와 흐름이 시야에 들어옵니다.
8단계 — Real-World ML Workflow: “연구용 코드”에서 “서비스 가능한 시스템”으로
이제부터는
단순히 “모델을 학습시킬 줄 안다”에서
“실제로 쓸 수 있는 걸 만든다” 수준으로 넘어가는 단계입니다.
8-1. Data preprocessing & cleaning (실전 버전)
앞에서 한 전처리보다 훨씬 체계적으로 접근해야 합니다.
- missing value 처리 전략
- scaling, normalization
- categorical feature encoding (one-hot, target encoding 등)
- imbalanced data 처리 (oversampling, class weight 등)
실제로는,
이런 전처리 전략을 잘 세우는 것만으로도
모델 구조를 바꾸지 않고 성능을 꽤 올릴 수 있습니다.
8-2. Data pipeline
실제 프로젝트에서는:
- 한 번만 쓰고 버리는 script가 아니라
- 여러 번 재실행 가능한 pipeline을 만들어야 합니다.
예를 들어:
- raw data load
- cleaning & feature engineering
- train/validation split
- model train
- evaluation & logging
- model 저장
이 과정을 하나의 흐름으로 연결해서,
필요할 때마다 다시 돌릴 수 있게 만들면,
나중에 feature를 바꾸거나 데이터를 추가했을 때도 훨씬 수월해요.
8-3. Feature engineering
raw data에서 의미 있는 feature를 뽑아내는 작업입니다.
예시:
- timestamp → 요일, 주말 여부, 시간대, 월, 분기 등
- text → 길이, keyword count, sentiment score, embedding 등
좋은 feature가 있으면,
동일한 모델로도 성능이 확 튀어 오르기도 합니다.
반대로 feature 구성이 엉망이면, 아무리 모델을 세게 해도 한계가 있어요.
8-4. Model tuning & cross-validation
여기서 다루는 건:
- hyperparameter tuning (learning rate, depth, n_estimators 등)
- grid search, random search 같은 자동화된 탐색 기법
- cross-validation으로 안정적인 성능 추정
실무에서는,
“어떤 기준으로 이 model / setting을 선택했는지”
설명할 수 있어야 하는 경우가 많습니다.
8-5. Deployment: 세상 밖으로 내보내기
Jupyter Notebook 안에서만 돌아가는 model은
연구용으로는 괜찮지만, 서비스 관점에서는 “미완성”입니다.
Python 생태계에서 model을 서비스로 내보낼 때 자주 쓰는 도구:
- Flask
- FastAPI
- Streamlit
일반적인 패턴은:
- model을 학습하고, 파일로 저장
- Flask 또는 FastAPI로 /predict API endpoint 생성
- API 내부에서 model을 로드하고, 입력 받아서 예측값 반환
- 필요하다면 Streamlit으로 간단한 dashboard나 UI 제작
여기까지 하면,
“model이 탑재된 실제 서비스”를 만들 수 있습니다.
회사 내 demo용으로도 아주 좋고, 포트폴리오로 보여 주기도 최고예요.
9단계 — LLM & Transformer: 보너스지만, 요즘 시대엔 알아 두면 좋은 무기
요즘 tech 뉴스만 봐도 온통 LLM 이야기죠.
Machine Learning Engineer라고 해서
맨날 LLM만 만지는 건 아니지만,
기본적인 개념 정도는 알아두면 확실히 도움이 됩니다.
9-1. 어떤 수준까지 알면 좋은가?
- Transformer architecture가 대략 어떤 아이디어인지
- LLM API를 통해서 text generation, summarization, Q&A 등을 어떻게 호출하는지
- open-source LLM을 로컬이나 클라우드에서 어떻게 돌릴 수 있는지
- task에 따라 어떤 LLM을 고를지 판단하는 기준
실제 활용 예:
- customer support용 chatbot
- 문서 요약/검색 시스템
- 코드 리뷰/자동 생성 보조 도구
- 사내 데이터와 결합한 Q&A 시스템 등
다만, 원본 스크립트에서도 강조하듯이:
LLM이 아무리 핫해도, 기본 machine learning 스택이 사라지는 건 아니다.
LLM은 “기본기 위에 올라가는 확장 무기”에 가깝지,
기초를 대체하는 건 아닙니다.
10단계 — Projects & Portfolio: 실력을 증명하는 진짜 증거
이제 마지막이자, 취업/이직 관점에서 가장 중요한 단계입니다.
회사 입장에서는,
“강의 수강 목록”보다 **“이 사람이 실제로 만들어 본 것”**이 훨씬 설득력이 커요.
10-1. 프로젝트 아이디어 & 데이터 찾기
가장 접근성이 좋은 곳 중 하나가 Kaggle입니다.
- 다양한 분야의 public dataset
- competition 형태의 문제
- 다른 사람들이 올린 Notebook 예시
단, Kaggle Notebook을 1:1로 따라만 하는 데 그치지 말고,
아이디어를 가져와서 자기 버전으로 재구성하는 것을 목표로 해 보세요.
10-2. “대표작” 하나는 꼭 만들자
개인적으로 정말 추천하고 싶은 건:
“나 이거 진짜 잘 만들었다”라고 말할 수 있는 대표 프로젝트 1개
구성 요소:
- data pipeline
- raw data → cleaning → feature engineering까지 하나의 흐름으로
- model
- 적절한 알고리즘을 선택하고
- metric을 기준으로 평가/개선한 기록
- deployment & UI
- model을 API 혹은 app으로 배포
- 간단한 web UI나 dashboard에서 직접 입력하고 결과 확인 가능
예를 들어:
- 사용자가 웹 페이지에 정보를 입력 →
- backend에서 model이 예측 →
- 결과를 UI에서 바로 보여 주는 구조
이 정도 완성도가 있는 프로젝트는
이력서/포트폴리오에 적었을 때 임팩트가 다릅니다.
10-3. 프로젝트 “개수”보다 “완성도”
솔직히 말해서:
- 어설픈 Notebook 10개보다
- 제대로 완성한 프로젝트 1~2개가 훨씬 강력합니다.
코드를 보면 티가 나요.
- error handling이 있는지
- README가 정리돼 있는지
- project 구조가 나름대로라도 정돈되어 있는지
- 재실행이 가능한지
이런 것들을 보면,
“이 사람은 진짜로 product를 만드는 마인드가 있다”라는 신뢰가 생깁니다.
한 번에 정리해 보는 Python → ML 전체 로드맵
지금까지 내용을 싹 압축하면, 흐름은 이렇습니다.
- Python Fundamentals
- 변수, 자료형, loop, function, class, decorator 등
- 작은 terminal app을 만들어 볼 정도의 실력까지
- Data Handling & Analysis
- NumPy, pandas, Matplotlib, Seaborn, Jupyter
- CSV만 주면 대략적으로 분석 & 시각화 가능
- Active Learning 습관
- 강의 시청보다 실습 비중 늘리기
- interactive 플랫폼, 프로젝트 중심 학습
- Core SWE Tools
- virtual environment, pip, Git, GitHub, terminal 기본기
- “실제 프로젝트 환경에서 버벅이지 않는 수준”
- Math & Statistics (권장)
- linear algebra, probability, statistics, gradient descent 개념
- model 동작 방식을 더 깊이 이해하는 기반
- Machine Learning Foundations
- scikit-learn으로 supervised/unsupervised 학습
- model 평가, overfitting/underfitting, validation 이해
- Deep Learning
- TensorFlow 또는 PyTorch 중 하나 선택
- 기본 neural network → CNN → RNN 순으로 확장
- Real-World ML Workflow
- data preprocessing, pipeline, feature engineering
- model tuning, cross-validation
- Flask / FastAPI / Streamlit으로 deployment까지
- LLM & Transformer (보너스)
- LLM 개념, API 활용, open-source LLM 활용
- core ML 위에 얹는 추가 스킬로 이해
- Projects & Portfolio
- 실제로 동작하는 end-to-end ML project
- data pipeline + model + deployment + UI까지 갖춘 대표작 1개 이상
이 흐름대로, 자신의 속도에 맞게 조금씩 밟아 나가면
**“관심 있는 사람”**에서 **“실제로 ML 기능을 만들 수 있는 사람”**으로 완전히 다른 레벨에 도달하게 됩니다.
자주 받을 만한 질문들 (FAQ)
Q1. 이 로드맵대로 하면, 보통 얼마나 걸리나요?
사람마다 정말 다르지만, 대략:
- 프로그래밍 경험 있음 + 집중 학습 → 3~6개월
- 완전 처음 + 병행 학습 → 6~12개월 이상
중요한 건 “몇 개월 만에 끝내야 한다”가 아니라,
매주 조금씩이라도 꾸준히 전진하고 있느냐입니다.
Q2. Python을 완벽하게 마스터해야 ML을 시작할 수 있나요?
완벽할 필요는 전혀 없어요.
다만, loop나 function, class 정도에서 계속 막힌다면
ML 공부 자체가 매우 피곤해집니다.
“언어 때문에 발목이 잡히지 않는 수준”
여기까지는 가급적 도달하고 ML을 시작하는 게,
전체적인 속도는 오히려 더 빨라요.
Q3. classical ML 건너뛰고, 바로 deep learning이나 LLM부터 해도 되나요?
가능은 하지만 비추입니다.
classical ML을 모르면:
- 데이터 전처리 감각
- 적절한 metric 선택
- overfitting 감지
- baseline model 세팅
이 모두가 흐릿해져요.
결국 deep learning이나 LLM에서도
**“왜 이게 안 될까?”**를 파악하기가 훨씬 어려워집니다.
Q4. ML을 하려면 수학을 얼마나 알아야 하나요?
처음부터 엄청난 수준은 필요 없고,
- 기초 linear algebra
- 기본 probability & statistics
- gradient descent의 아이디어
이 정도만 있어도 큰 차이가 납니다.
이후 더 깊이 들어가고 싶을 때, 그때 조금씩 넓혀 가면 됩니다.
Q5. Deep learning용 framework로 TensorFlow랑 PyTorch 중 뭐가 더 좋나요?
정답은 “둘 다 쓸 만하다”입니다.
- PyTorch: 연구 쪽과 많은 기업에서 선호, 코드가 직관적이라 느끼는 사람이 많음
- TensorFlow/Keras: production 환경, 큰 규모 시스템에서 strong한 에코시스템
처음에는 그냥 하나 골라서 익숙해지는 게 훨씬 중요합니다.
Q6. GPU가 없으면 deep learning 공부가 힘든가요?
꼭 그렇지는 않습니다.
- 작은 model, 작은 dataset은 CPU로도 충분히 연습 가능
- 필요하면 cloud에서 GPU 인스턴스를 잠깐 빌려 쓰거나
- 무료/저렴한 플랫폼을 활용하면 됩니다.
처음부터 “하드웨어 스펙” 때문에 포기할 필요는 없어요.
Q7. Git이랑 virtual environment 같은 SWE 도구도 꼭 해야 하나요?
“꼭”이냐고 물으면, 진지하게 ML 커리어를 생각한다면 예입니다.
- 회사 코드베이스는 100% Git 기반
- 프로젝트별로 dependency가 다른 상황은 너무 흔함
처음엔 귀찮아도, 한 번 익숙해지면
오히려 이 도구들 덕분에 훨씬 편해집니다.
Q8. 포트폴리오에 어떤 프로젝트를 넣는 게 좋을까요?
추천 기준:
- 실제 문제를 다루는 프로젝트 (예: 가격 예측, 추천, 분류 등)
- public dataset이든 자체 수집 데이터든, 어느 정도 현실성이 있는 데이터
- 단순 Notebook이 아니라, data → model → deployment → UI까지 이어지는 구조
“대표작 1~2개 + 보조 프로젝트 몇 개” 구성으로 가면 좋습니다.
Q9. 요즘은 다들 LLM 이야기만 하던데, LLM 몰라도 괜찮나요?
LLM을 전혀 모르는 것보다는
기본 개념과 활용법을 아는 편이 확실히 유리합니다.
다만 여전히 많은 ML 포지션은:
- classic model
- data pipeline
- feature engineering
- 실무 배포 경험
을 중요하게 봅니다.
LLM은 “있으면 플러스 점수”에 가깝고,
기본기를 대체하지는 않습니다.
Q10. 배운 걸 자꾸 까먹는 느낌인데, 어떻게 유지할 수 있을까요?
- 매일 조금이라도 코드를 쳐 보기 (10~20분도 좋음)
- 튜토리얼을 그대로 끝내지 말고, 자기식으로 변형해서 mini project로 만들기
- 예전에 짰던 코드를 다시 열어 보면서 리팩터링 해보기
- 블로그나 노트에 정리해서 “미래의 나”에게 설명하는 느낌으로 적어보기
직접 써먹는 빈도가 기억력을 결정합니다.
이 로드맵을 꼭 순서대로, 완벽하게 지켜야 할 필요는 없습니다.
다만 큰 흐름을 머릿속에 넣어 두고,
지금 내가 어디쯤 와 있는지, 다음에 뭘 파야 할지를 점검하는 기준으로 삼으면 정말 도움이 됩니다.
중간에 막히는 구간이 있으면,
그 단계만 다시 깊게 파도 전혀 늦지 않아요.
천천히 가더라도,
실제로 돌아가는 걸 계속 만들어 보는 사람이 결국 Machine Learning Engineer가 됩니다.