AI Advanced 인증 시험 준비 계획

이번 2/6(금) AI Advanced 시험 준비는 출근 전 새벽 2시간 학습 루틴을 중심으로 진행한다.
여행과 개인 일정으로 학습이 불가능한 날을 제외하고, 1/30까지 전 범위를 1회독한 뒤
시험 직전에는 RAG·Prompt·Fine Tuning 비교 정리와 개념 안정화에 집중하는 구조다.
단순 암기보다는 “왜 이 기술을 선택하는가”를 설명할 수 있는 이해 중심 전략을 목표로 한다.

 

📅 AI Advanced 날짜별 학습 계획

⏰ 평일 기준: 매일 05:00 ~ 07:00 (출근 전)

❌ 학습 제외: 1/24, 1/31 ~ 2/1

날짜	학습 내용
1/11	Python 기본 문법과 자료형을 정리하며, AI 학습·데이터 처리에서 자주 사용되는 코드 구조를 이해한다.
1/12	함수와 모듈 개념을 통해 코드 재사용 흐름을 익히고, 파일 입출력과 객체 개념이 AI 파이프라인에서 어떤 역할을 하는지 살펴본다.
1/13	NumPy 배열과 벡터 연산을 중심으로, 수치 계산이 모델 입력 데이터로 변환되는 과정을 이해한다.
1/14	NumPy 연산을 심화해 행렬 연산과 차원 개념을 정리하고, 연산 효율이 왜 중요한지 연결해 본다.
1/15	Pandas DataFrame 구조를 익히며, 실제 데이터가 테이블 형태로 관리되는 방식을 정리한다.
1/16	groupby, merge 등을 통해 데이터 집계·결합 흐름을 이해하고, 분석 전 단계의 중요성을 정리한다.
1/17	텍스트 데이터 전처리 과정을 정리하며, LLM 입력 전에 왜 정규화와 정제가 필요한지 이해한다.
1/18	LLM의 기본 개념과 Transformer 구조를 살펴보며, 기존 모델과의 차이를 구조적으로 이해한다.
1/19	Embedding 개념을 중심으로, 텍스트가 숫자 공간에서 의미를 가지는 방식을 정리한다.
1/20	LLM의 한계와 특성을 정리하며, hallucination이 발생하는 이유를 구조적으로 이해한다.
1/21	프롬프트의 기본 구성 요소(Persona, Task, Context, Format)를 정리하고, 출력 품질에 미치는 영향을 분석한다.
1/22	Zero-shot, Role-play, Meta Prompting을 비교하며, 상황에 따라 프롬프트 전략이 달라지는 이유를 이해한다.
1/23	프롬프트 엔지니어링이 LLM 성능에 미치는 영향과 한계를 정리하고, 다른 접근 방식과 비교한다.
1/25	RAG의 등장 배경과 필요성을 정리하며, LLM의 한계를 어떻게 보완하는지 이해한다.
1/26	RAG 아키텍처를 단계별로 살펴보고, 검색·증강·생성의 흐름을 연결해 본다.
1/27	RAG와 Fine Tuning을 비교하며, 저장 방식·비용·성능 관점에서의 차이를 정리한다.
1/28	RAG 성능 고도화 방법과 멀티모달 확장을 살펴보며, 실제 적용 시 고려 요소를 정리한다.
1/29	Fine Tuning의 종류(SFT, RLHF, PEFT)를 정리하고, 모델 변경의 위험성과 한계를 이해한다.
1/30	Prompt, RAG, Fine Tuning을 종합 비교하며, 상황별로 어떤 접근이 적절한지 판단 기준을 정리한다.
2/2	핵심 개념을 빠르게 복습하며, 헷갈리는 개념 위주로 정리 노트를 보완한다.
2/3	기술 간 비교 문제를 중심으로, 선택 이유를 말로 설명하는 연습을 한다.
2/4	예상 질문을 스스로 만들어 답하며, 개념 이해도를 점검한다.
2/5	가벼운 복습과 컨디션 조절을 통해 시험 직전 부담을 최소화한다.
2/6	AI Advanced 인증 시험 응시

 

---

참고: 이 글은 다른 사람을 위한 것이 아니라, 제 스스로를 독려하고 기록하기 위해 작성한 글입니다.
Note: These posts are for self-motivation and record-keeping, not for an audience.