1. 환급챌린지에 참여한 이유는 무엇이었는지?

온라인 강의는 늘 시작은 거창하지만 끝까지 완주하는 경우가 많지 않았다. 하지만 이번에는 환급챌린지라는 강제성이 있었기에 스스로를 다잡고 끝까지 완주할 수 있을것이라 생각하고 도전했다. 단순히 환급을 위한 도전이 아니라 이번 기회를 통해 머신러닝과 딥러닝의 기본기를 다지고, 특히 내가 관심을 두고 있던 시계열 분석의 구조를 배운 것이 가장 큰 수확이었다. 나는 평소에도 새로운 강의를 여러 번 시작하곤 했지만 늘 바쁘다는 핑계로 마무리를 하지 못하는 경우가 많아서 이번에는 조금 더 강제성이 있는 도전을 선택했다. 환급챌린지는 일정 기간 동안 강의를 완강하고 과제를 제출해야만 혜택을 받을 수 있었기 때문에, 스스로에게 압박을 주며 학습을 이어나갈 수 있었다. 단순히 환급이라는 금전적 보상보다는 이번 과정을 끝까지 해냈다는 성취감과 배움의 결과물을 느낄 수 있었다.

2. 왜 이 강의를 선택하게 되었는지? (무엇을 얻고 싶었는지, 실제로 얻은 것은 무엇인지)

이번 강의를 시작할 때 나는 머신러닝과 딥러닝, 특히 시계열 예측을 끝까지 배워보자라는 일념으로 도전했다. 실제로 강의를 진행하면서 느낀 점은 단순히 환급을 위한 학습이 아니라 내 커리어와 연구를 위해 꼭 필요한 내용을 익힐 수 있는 계기가 되었다는 것이다. 내가 이 강의를 선택한 가장 큰 이유는 시계열 데이터 분석의 뼈대를 배우고 싶었기 때문이다. 특히 환경 데이터, 금융 데이터, 산업 현장의 센서 데이터처럼 내가 다루는 많은 데이터가 시간에 따라 변화한다. 단순한 회귀나 분류 모델로는 이 복잡한 흐름을 설명하기 어렵기 때문에, 계절성, 추세, 반복, 순환과 같은 시계열적 특성을 고려한 접근이 필수적이라고 생각했다. 그래서 이 강의를 선택하였고 듣고 나서는 단순히 모델을 실행하는 법을 배우는 수준을 넘어 데이터를 바라보는 관점 자체가 달라졌다.

3. 이 강의만의 장점 (ex. 강사님의 강의력, 커리큘럼 등)

강의는 Part 1 데이터 분석 기초이다. 처음에는 통계학의 기본 개념인 기술통계와 추론통계, 그리고 데이터를 전처리하고 탐색하는 과정 즉 EDA을 학습했다. 단순히 평균이나 분산을 구하는 차원을 넘어 시각화를 통해 데이터의 패턴을 읽는 방법을 배우면서 데이터를 보는 눈을 기를 수 있었다. 이 과정에서 결측치를 처리하거나 스케일링을 적용하는 방법, 범주형 변수를 인코딩하는 방법도 다뤘다. 처음에는 단순해 보였지만 실제 실습에서는 사소한 전처리 방식의 차이가 모델 성능에 큰 영향을 줄 수 있다는 점을 느꼈다. 특히 데이터 준비가 모델링보다 더 어렵다라는 말이 실감이 났다.

Part 2에서는 머신러닝 기초를 다뤘다. 회귀, 로지스틱, 서포트 벡터 머신, 트리 기반 모델, 그리고 앙상블 알고리즘(Random Forest, XGBoost 등)을 실습하며 머신러닝의 기본기를 다졌다. 같은 데이터셋에 여러 모델을 적용해 보면서 성능이 달라지는 것을 직접 확인할 수 있었고, 하이퍼파라미터 조정이 성능 향상에 얼마나 중요한지도 체감했다. 특히 랜덤포레스트와 부스팅 계열 모델을 비교하면서 단순한 정확도 이상의 지표, 예를 들면 과적합 여부나 학습 속도까지 고려해야 한다는 것을 배웠다.

Part 3에서는 시계열 분석에 본격적으로 들어갔다. ARIMA, ACF/PACF, 정상성 검정, 차분 기법 등을 직접 실습하면서 시계열 데이터가 일반 데이터와 왜 다른지 체감할 수 있었다. 특히 ADF와 KPSS 검정을 통해 정상성을 확인하고, 모델이 제대로 적합될 때 잔차가 백색잡음으로 나타나는 과정을 경험한 것이 인상 깊었다. 처음에는 ACF/PACF 그래프를 어떻게 읽어야 할지 감이 잡히지 않았는데 여러 번 반복하다 보니 패턴이 보이기 시작했다. 이 과정을 통해 단순히 공식을 아는 것보다 그래프와 데이터를 직접 해석하는 능력이 더 중요하다는 것을 깨달았다.

Part 4에서는 금융 데이터 예측을 다뤘다. 실제 주가와 환율 데이터를 불러와 Auto-ARIMA, GARCH, VAR 모델을 적용해 보면서 데이터 수집부터 예측까지 전 과정을 경험했다. 금융 데이터는 fat-tail 분포와 높은 변동성 때문에 단순한 통계 모형으로는 잘 맞지 않는다는 점을 알게 되었다. 특히 GARCH 모형을 통해 변동성이 시간이 지남에 따라 어떻게 달라지는지를 학습했고, VAR 모형을 통해 여러 변수 간 상관관계를 함께 고려할 수 있었다. 이 과정에서 금융 데이터의 특성을 무작위적이라고만 생각했는데, 실제로는 일정한 패턴과 구조가 존재한다는 것을 느낄 수 있었다.

마지막 Part 5에서는 딥러닝 심화를 다뤘다. CNN과 LSTM을 활용한 시계열 예측을 실습했는데, 특히 LSTM의 순환 구조와 장기 의존성을 다루는 능력이 왜 강력한지 이해할 수 있었다. 오버피팅을 방지하기 위한 Dropout 기법도 실습을 통해 확인했다. CNN을 적용했을 때와 LSTM을 적용했을 때 성능 차이가 어떻게 나타나는지 비교하면서, 데이터 특성에 따라 적합한 모델이 다르다는 점을 깨달았다. 단순히 성능 지표를 보는 데 그치지 않고 왜 이런 차이가 발생하는지 고민하면서 학습하도록 유도하였고 그를 통해 많은것을 배울 수 있었다.

물론 하나의 강의로 모든 것을 다 알 수는 없었다. 하지만 내가 원했던 것처럼 시계열 분석의 접근 방법과 전반적인 구조를 파악할 수 있었던 점이 큰 성과였다.

내가 느낀 이 강의의 장점은 크게 세 가지다. 첫번째론 강사님의 설명 방식이다. 전공자 입장에서는 다소 기초적으로 느껴질 수 있었지만 비전공자와 초심자도 이해할 수 있도록 설명을 풀어주셨다. 복잡한 수학적 공식이나 통계적 검정을 실제 데이터 예시와 함께 다뤄주셔서 어려운 개념도 친근하게 다가왔다. 두번째 커리큘럼의 체계성이다. 데이터 분석 기초, 머신러닝, 시계열, 금융 데이터, 딥러닝으로 이어지는 단계적 구성이 학습자의 이해를 돕는 구조였다. 마지막으로 실습 위주의 구성이다. Colab 환경에서 실행 가능한 코드와 데이터가 제공되어 이론을 배우자마자 실습을 통해 확인할 수 있었다. Kaggle이나 실제 금융 데이터를 활용한 프로젝트는 학습 몰입도를 높여주었고 결과를 눈으로 확인하는 재미가 있었다.

강의를 들으면서 어려움도 많았다. 처음에는 Colab 환경에서 라이브러리를 불러오다가 버전 충돌이 나서 실행이 멈추기도 했고, 데이터 경로를 잘못 지정해서 하루 종일 오류만 본 적도 있었다. 하지만 이런 시행착오를 겪으면서 단순히 코드를 실행하는 수준을 넘어서 문제를 스스로 찾아 해결하는 능력을 기를 수 있었다. 예전 같으면 에러 메시지를 보는 것만으로도 포기했을 텐데, 이제는 차근차근 로그를 읽고 원인을 찾는 습관이 생겼다. 이런 경험이 오히려 나중에 연구를 할 때 큰 자산이 될 것이라고 생각한다.

4. 강의를 추천하고 싶은 사람은 누구인지?

내가 보기에 이 강의는 기초는 조금 아는데 개념이 정리되지 않은 사람에게 딱 맞는 강의였다. 파이썬을 어느 정도 다뤄봤지만 머신러닝·딥러닝을 어디서부터 시작해야 할지 막막한 사람이나 시계열 데이터 예측이 필요하지만 ARIMA, LSTM 같은 모델이 낯선 사람에게 가장 적합했다. 데이터 분석을 막 배우기 시작한 비전공자에게도 추천할 만했다. 전공자가 아닌 사람의 눈높이에 맞춰진 설명과 단계적 커리큘럼 덕분에 기초부터 차근차근 다지고 싶은 사람에게 좋은 출발점이 될 수 있었다.

특히 내가 관심 있는 환경 데이터와 연결했을 때 이번 강의가 더 큰 의미가 있었다. 강의에서 다룬 시계열 분해 기법이나 ARIMA 모델을 실제 기상 관측 데이터에 적용해 보면서 계절성과 추세를 분리해 해석할 수 있었다. 단순히 예측 정확도만 보는 것이 아니라 데이터가 지닌 패턴을 이해하는 것이 중요하다는 점을 깨달았다. 앞으로 박사 과정에서 다룰 수질 예측이나 센서 데이터 분석 연구에도 이번 학습 경험이 직접적으로 도움이 될 것이라고 확신한다.

5. 다음으로 듣고 싶은 강의는 무엇인지?

이번 강의가 기초와 중급 수준의 뼈대를 다져주었다면, 나는 다음으로 고급 딥러닝 과정을 배우고 싶다. 특히 내 관심은 자연어처리와 컴퓨터 비전 분야다. 텍스트와 이미지를 동시에 다루는 멀티모달 기법까지 확장한다면 연구와 실무에서 훨씬 폭넓게 활용할 수 있을 것이라고 생각한다.

6. 앞으로의 계획 (ex. 커리어 목표, 이직 목표, 자기계발 목표 등)

나는 현재 박사 과정 중에 있다. 따라서 단순히 기술 습득에 머무르지 않고 이번 강의에서 배운 내용을 더 심화된 학술적 지식으로 확장해 나갈 계획이다. 환경 데이터나 산업 데이터를 대상으로 LSTM 기반 시계열 예측을 적용해 보고 Explainable AI 기법을 접목해 모델 해석까지 고민해 보고 싶다. 금융 데이터 예측처럼 다른 도메인 데이터에도 이번 강의에서 배운 시계열 모델링 기법을 접목해 보고 싶다. 박사 과정에서는 단순한 적용을 넘어 새로운 모델 구조를 제안하고 논문으로 발표하는 것이 목표다.

무엇보다 이번 환급챌린지를 통해 얻은 가장 큰 성과는 꾸준히 학습하고 완주할 수 있다는 자신감이었다. 앞으로도 이 태도를 유지하면서 학문적 성장과 실무 적용을 동시에 이루어 나갈 것이다.