143 TensorFlow_입문

TensorFlow 입문은 Keras API, 데이터 파이프라인, 모델 학습, 전이학습, TensorBoard 시각화를 활용해 딥러닝 모델을 제작하는 과정이다.

0. 교육을 하는 이유와 궁극적인 목표

TensorFlow 입문 교육의 궁극적인 목표는 학습자가 TensorFlow/Keras로 신경망 모델을 빠르게 설계하고, 이미지·표·텍스트 데이터에 적용할 수 있는 기본 딥러닝 제작 흐름을 익히게 하는 것이다. 민간 딥러닝 부트캠프처럼 Sequential·Functional API, tf.data, callbacks, TensorBoard, SavedModel 저장, TFLite 개념까지 연결해 실전 개발 감각을 기른다.

참고한 유료형 교육 흐름

Keras 중심으로 빠르게 모델을 만들고 실험하는 유료 딥러닝 입문 흐름
TensorBoard와 callback으로 학습 과정을 추적하는 실무형 과정
전이학습과 모델 저장을 포트폴리오 산출물로 요구하는 부트캠프 방식
모바일·웹 배포 가능성을 소개하는 TensorFlow 생태계 중심 구성

입문 · 1일

Keras 첫 모델 과정

Sequential API로 첫 딥러닝 모델을 만든다.

구분	세부 내용	실천·실습 방법
목표 1	TensorFlow 환경을 준비한다	Google Colab에서 TensorFlow 버전과 GPU 사용 가능 여부를 확인한다. TensorFlow Tensor와 NumPy 배열의 shape, dtype 차이를 간단한 연산으로 비교한다.
목표 2	첫 Keras 모델을 만든다	Sequential API로 Dense 층을 쌓아 MNIST 또는 간단 표 데이터 분류 모델을 학습한다. model.summary, compile, fit, evaluate, predict의 역할을 실행 순서 카드로 정리한다.
목표 3	학습 결과를 해석한다	loss와 accuracy 변화를 그래프로 확인하고 과소학습·과적합 신호를 찾는다. 잘못 예측한 샘플을 시각화해 모델 한계를 설명한다.

사용 플랫폼	Python, TensorFlow, Keras, Google Colab, NumPy, Matplotlib
강사 스펙	Keras 입문 모델링, Colab GPU, 학습곡선 해석 지도 경험 3년 이상
수업대상	딥러닝 입문자, AI 프로젝트반, 교사 연수생
소요시간	4-6시간
준비물	노트북, Google 계정, Colab GPU 설정, MNIST 실습 노트북
산출물	Keras 첫 모델, 학습곡선 그래프, 오분류 샘플표
평가방법	환경설정 20%, 모델구현 35%, 결과해석 25%, 오류분석 10%, 참여도 10%

초급 · 3일

Keras 모델 설계 과정

Functional API와 callback으로 모델 구조를 확장한다.

구분	세부 내용	실천·실습 방법
목표 1	모델 구조를 설계한다	Sequential API와 Functional API로 같은 문제를 구현하고 차이를 비교한다. activation, layer 수, units를 바꿔 학습 성능과 파라미터 수 변화를 기록한다.
목표 2	학습 제어 기능을 사용한다	EarlyStopping, ModelCheckpoint, ReduceLROnPlateau callback을 적용한다. 검증 성능이 개선되지 않을 때 학습을 멈추고 가장 좋은 모델 파일을 저장한다.
목표 3	TensorBoard를 활용한다	TensorBoard로 loss, accuracy, graph, histogram을 확인한다. 실험별 로그 디렉터리를 분리해 모델 변경 내역과 결과를 비교한다.

사용 플랫폼	Python, TensorFlow/Keras, TensorBoard, Google Colab, NumPy, Matplotlib
강사 스펙	Keras Functional API, callback, TensorBoard 실험관리 경험 3년 이상
수업대상	Python 기초 가능자, 딥러닝 초급자, AI 개발 입문자
소요시간	12-18시간
준비물	Colab GPU, 실험 기록표, 샘플 이미지/표 데이터, TensorBoard 로그 폴더
산출물	Functional 모델, callback 적용 모델, TensorBoard 실험 리포트
평가방법	구조설계 25%, callback 25%, 실험추적 25%, 비교분석 15%, 발표 10%

초급 · 1주

tf.data와 이미지 전이학습 과정

데이터 파이프라인과 사전학습 모델을 활용한다.

구분	세부 내용	실천·실습 방법
목표 1	데이터 파이프라인을 만든다	tf.data.Dataset으로 이미지 파일을 읽고 batch, shuffle, prefetch를 적용한다. 데이터 증강 레이어를 사용해 회전, 반전, 확대 전후 성능을 비교한다.
목표 2	전이학습을 적용한다	MobileNetV2 또는 EfficientNet을 feature extractor로 불러와 커스텀 분류기를 붙인다. freeze와 fine-tuning 단계별 성능 변화를 실험 로그로 정리한다.
목표 3	모델을 저장한다	SavedModel과 H5 형식으로 모델을 저장하고 다시 불러와 예측한다. 클래스 이름, 입력 크기, 전처리 방법을 README에 기록한다.

사용 플랫폼	Python, TensorFlow, Keras Applications, tf.data, Google Colab GPU, TensorBoard
강사 스펙	tf.data, 전이학습, 이미지 모델 저장·재사용 경험 4년 이상
수업대상	이미지 AI 프로젝트반, 딥러닝 초급자, 취업 포트폴리오 준비생
소요시간	20-30시간
준비물	이미지 데이터셋, Colab GPU, 클래스 정의서, GitHub 저장소
산출물	전이학습 이미지 모델, tf.data 파이프라인, 모델 사용 README
평가방법	파이프라인 25%, 전이학습 35%, 저장재사용 20%, 문서화 10%, 발표 10%

중급 · 4주

TensorFlow 응용 모델 과정

표·텍스트·이미지 모델을 프로젝트별로 제작한다.

구분	세부 내용	실천·실습 방법
목표 1	표 데이터 딥러닝을 만든다	normalization layer와 categorical encoding으로 표 데이터를 전처리한다. Keras 모델과 scikit-learn baseline을 비교해 딥러닝이 필요한 상황을 판단한다.
목표 2	텍스트 분류 모델을 만든다	TextVectorization과 Embedding 레이어로 리뷰 또는 뉴스 분류 모델을 구성한다. 사전 토큰화 방식과 Keras 내장 전처리 방식의 장단점을 비교한다.
목표 3	배포형 데모를 만든다	Gradio 또는 Streamlit으로 모델 입력과 예측 결과를 확인하는 화면을 만든다. SavedModel을 로드해 새 입력 데이터에 대해 안정적으로 예측하는 코드를 작성한다.

사용 플랫폼	Python, TensorFlow/Keras, TextVectorization, scikit-learn, Gradio, Streamlit
강사 스펙	표·텍스트·이미지 Keras 모델링, baseline 비교, 데모 앱 제작 경험 4년 이상
수업대상	AI 개발 중급자, 직업훈련생, 기업 AI 교육생
소요시간	40-60시간
준비물	표/텍스트/이미지 데이터셋, GPU 환경, Streamlit 또는 Gradio 계정
산출물	응용 모델 3종, baseline 비교 리포트, 예측 데모 앱
평가방법	응용모델 30%, 비교분석 25%, 데모 25%, 문서화 10%, 발표 10%

심화 · 8주

TensorFlow 실무 포트폴리오 과정

모델 개발부터 경량화·운영 문서까지 완성한다.

구분	세부 내용	실천·실습 방법
목표 1	실무형 TensorFlow 프로젝트를 설계한다	이미지 검사, 텍스트 분류, 수요 예측 중 하나를 선택해 입력·출력·성공지표를 정의한다. 데이터 품질, 개인정보, 모델 업데이트 기준을 포함한 프로젝트 명세서를 작성한다.
목표 2	모델 경량화를 검토한다	TensorFlow Lite 변환을 실습하고 원본 모델과 파일 크기·추론속도를 비교한다. quantization 가능성과 정확도 손실을 테스트해 배포 기준을 만든다.
목표 3	포트폴리오 패키지를 완성한다	학습 노트북, 모델 파일, 데모 앱, README, 모델 카드를 하나의 저장소로 정리한다. 최종 발표에서 성능, 비용, 사용 한계, 재학습 계획을 설명한다.

사용 플랫폼	Python, TensorFlow, TensorFlow Lite, TensorBoard, Gradio, Docker, GitHub
강사 스펙	TensorFlow 프로젝트 리딩, 모델 경량화, 포트폴리오 멘토링 경험 5년 이상
수업대상	AI 강사, 딥러닝 포트폴리오 준비생, 기업 AI 리더
소요시간	80-120시간
준비물	GPU PC, 프로젝트 데이터셋, GitHub 저장소, 모델카드 양식, 발표 템플릿
산출물	TensorFlow 포트폴리오, TFLite 비교 리포트, 모델카드, 데모 앱
평가방법	프로젝트설계 20%, 모델성능 25%, 경량화 25%, 패키징 20%, 발표 10%