2026년에 AI를 배우고 싶지만 어디서부터 시작해야 할지 모르겠다면, 이 페이지가 당신을 위한 것입니다.
인터넷에는 AI 관련 조언이 넘쳐납니다. 대부분은 다음과 같습니다:
- 20만 원짜리 강의를 판매하려는 마케팅
- 순서 없이 100개의 링크만 나열한 목록
- 박사 수준의 교과서처럼 어려워 첫 장에서 포기하게 만드는 내용
- 실질적인 조언은 하나도 없는 AGI에 대한 과대광고
당신에게는 그런 것들이 필요하지 않습니다. 필요한 것은 순서입니다. 무엇을 먼저 배워야 하고, 무엇이 무엇을 기반으로 구축되는지, 무엇을 건너뛸 수 있고, 어느 정도 깊이까지 공부해야 하는지를 알아야 합니다.
이 로드맵이 바로 그 역할을 합니다. 절대 초보자부터 실제 AI 제품을 만들고 출시할 수 있는 수준까지, 제가 추천하는 학습 순서를 담고 있습니다. 모든 주제는 매주 하나씩 여기에 게시될 문서로 구성됩니다. 이 페이지를 북마크에 추가하고, 다시 방문하세요. 문서가 게시됨에 따라 링크가 활성화됩니다.
사전 지식은 필요하지 않습니다. 컴퓨터 공학 학위도, 수학에 대한 두려움도 필요 없습니다.
이 로드맵의 작동 방식
시작하기 전에 몇 가지 기본 규칙을 알려드립니다:
- 주제를 순서대로 학습하세요. 각 주제는 이전 주제를 기반으로 합니다. 1주 차에 LLM으로 건너뛰는 것은 지붕부터 시작해서 집을 짓는 것과 같습니다.
- 일주일에 한 가지 주제가 적절한 속도입니다. 읽고, 코딩하고, 실제로 무언가를 구축할 시간을 확보할 수 있습니다. 튜토리얼을 몰아서 읽는 것은 학습이 아닙니다.
- 모든 문서의 실습 과제를 수행하세요. 신경망에 대해 읽기만 하고 직접 작성해보지 않는 것은 수영에 대해 읽기만 하고 물에 들어가지 않는 것과 같습니다.
- 끝까지 다 볼 필요는 없습니다. AI 리터러시만 원한다면 3단계 이후에 멈추세요. LLM 앱을 만들고 싶다면 9단계까지 진행하세요. 선택은 여러분의 몫입니다.
- 전체 시리즈의 총 분량: 약 107,000 단어입니다. 길어 보이지만 평균 교과서보다 짧고, 각 문서는 독립적으로 읽을 수 있습니다.
12개 단계 한눈에 보기
완전 초보자부터 프로덕션 환경에서 실무가 가능한 수준까지 총 12개의 단계로 구성되어 있습니다. 자세히 들어가기 전에 큰 그림을 먼저 살펴보겠습니다.
단계
주제 영역
대상
문서 수
0
마인드셋과 방향 설정
모든 사람
3
1
사전 준비 (Python, 수학, 라이브러리)
직접 구축하려는 모든 사람
4
2
데이터 (수집, 정제, EDA)
직접 구축하려는 모든 사람
5
3
고전적 머신러닝
모든 사람
6
4
딥러닝 기초
고전적 ML을 넘어서려는 모든 사람
5
5
핵심 신경망 아키텍처 (CNN, RNN, Transformer)
딥러닝으로 구축하는 모든 사람
3
6
NLP 및 LLM
2026년 대부분의 사람
5
7
더 많은 딥러닝 영역 (비전, 생성 모델, 음성, 강화학습)
관련 있는 분야만 선택
4
8
AI 에이전트 및 실제 애플리케이션
구축하는 사람
3
9
MLOps 및 프로덕션
실제 제품을 출시하는 모든 사람
4
10
책임 있는 AI와 큰 그림
모든 사람
4
11
최신 동향 파악 및 전문성 강화
장기적인 성장
5
7~11단계의 모든 주제를 다룰 필요는 없습니다. 6단계 이후에는 분기할 수 있습니다. 하지만 0~6단계는 핵심입니다.
3가지 마일스톤 프로젝트
학습 과정 중 세 지점에서 지금까지 배운 모든 내용을 하나로 묶는 실제 프로젝트를 구축하게 됩니다. 이 프로젝트들이 여러분의 포트폴리오가 됩니다.
마일스톤
시점
구축할 내용
마일스톤 1
3단계 종료 시
엔드투엔드 테이블 형식 ML 파이프라인 (데이터 정제 + EDA + 고전적 모델) - 예: 타이타닉 생존자 예측 또는 주택 가격 모델
마일스톤 2
5단계 종료 시
PyTorch로 처음부터 학습시킨 신경망 - 이미지 분류기(CNN) 또는 텍스트 분류기
마일스톤 3
9단계 종료 시
FastAPI 백엔드와 간단한 UI를 갖춘, 인터넷에 공개된 LLM 기반 RAG 챗봇
이 세 가지 프로젝트를 완료했다면, 더 이상 "AI를 공부하는 중"이 아닙니다. AI를 할 수 있는 사람입니다.
단계별, 문서별 상세 내용
전체 목록은 아래와 같습니다. 각 문서는 게시될 때 여기에 링크됩니다. 이 페이지를 북마크에 추가하고 매주 확인하세요.
0단계: 마인드셋과 방향 설정 (여기서 시작하세요)
1~3주 차. 예외 없이 모든 사람이 여기서 시작합니다. 여기서 과장된 hype를 없애고, 용어를 정의하며, 기대치를 설정합니다.
- 1주 차: AI, ML, DL, 생성형 AI, AGI: 드디어 이들을 구분해주는 가이드 - 현재 공개
- 2주 차: [2026년에 AI를 배워야 할까? 당신이 누구냐에 따른 정직한 답변] [출시 예정]
- 3주 차: [튜토리얼 지옥에서 1년 낭비하지 않고 AI를 배우는 방법] [출시 예정]
1단계: 사전 준비 (실제로 필요한 기초)
4~7주 차. Python 없이 AI를 배울 수는 없습니다. 하지만 Python의 모든 것을 알 필요는 없습니다. 여러분에게 정말 필요한 부분, 실제로 사용할 수학, 그리고 모든 것을 가능하게 하는 세 가지 라이브러리를 정확히 다룰 것입니다.
- 4주 차: Python 첫 주: AI를 만지기 전에 알아야 할 필수 부분만 [출시 예정]
- 5주 차: NumPy, Pandas, Matplotlib: 모든 AI 프로젝트를 여는 세 가지 라이브러리 [출시 예정]
- 6주 차: AI에 실제로 필요한 수학 - 미적분학을 한 번도 배운 적 없는 사람처럼 설명합니다 [출시 예정]
- 7주 차: 모델을 선택하기 전에, 올바른 질문을 하는 법을 배우세요 [출시 예정]
2단계: 데이터 - AI의 연료
8~12주 차. AI 작업의 80%는 데이터 작업입니다. 대부분의 강의가 건너뛰는 단계이며, 그래서 학생들이 실제 프로젝트에서 실패하는 이유입니다.
- 8주 차: 데이터는 새로운 석유다 - 하지만 대부분의 초보자는 데이터가 실제로 어떻게 생겼는지 모른다 [출시 예정]
- 9주 차: AI 프로젝트를 위한 실제 데이터를 한 푼도 내지 않고 구하는 방법 [출시 예정]
- 10주 차: 데이터 정제가 AI 엔지니어 시간의 80%를 잡아먹는 이유와 올바르게 수행하는 방법 [출시 예정]
- 11주 차: 탐색적 데이터 분석: 프로젝트가 성공할지 실패할지 알려주는 단계 [출시 예정]
- 12주 차: 피처 엔지니어링: 원시 데이터를 모델이 실제로 학습할 수 있는 형태로 바꾸는 기술 [출시 예정]
3단계: 고전적 머신러닝
13~18주 차. 딥러닝 이전에는 ML이 있었고, 실제 프로덕션 AI의 대부분은 여전히 고전적 ML입니다. 이 단계는 건너뛸 수 없습니다. 건너뛰면 딥러닝이 왜 특별한지, 또는 언제 사용하지 말아야 하는지를 이해하지 못할 것입니다.
- 13주 차: 기계는 실제로 어떻게 "학습"할까? 모든 AI 모델 뒤에 있는 핵심 아이디어 [출시 예정]
- 14주 차: 첫 번째 머신러닝 모델: 선형 회귀, 한 줄 한 줄 설명 [출시 예정]
- 15주 차: 세상 분류하기: 로지스틱 회귀와 거짓말하지 않는 지표들 [출시 예정]
- 16주 차: 고전적 ML 도구 상자: 모든 AI 실무자가 반드시 알아야 할 5가지 알고리즘 [출시 예정]
- 17주 차: 함께 투표하는 모델이 함께 승리하는 이유: 랜덤 포레스트, XGBoost, 그리고 앙상블의 힘 [출시 예정]
- 18주 차: 편향, 분산, 그리고 당신의 모델이 테스트 세트에서 몰래 부정행위를 하는 이유 [출시 예정]
🏁 마일스톤 1 프로젝트 시간. 엔드투엔드로 완전한 테이블 형식 ML 파이프라인을 구축하세요.
4단계: 딥러닝 기초
19~23주 차. 이제 깊이 들어갑니다. 단일 뉴런에서 시작하여 전체 신경망으로 확장하고, 왜 작동하는지, 왜 실패하는지, 그리고 제대로 훈련시키는 방법을 배웁니다.
- 19주 차: 딥러닝이 모든 것을 바꾼 이유 - 그리고 여전히 고전적 ML을 사용해야 하는 경우 [출시 예정]
- 20주 차: 단 하나의 방정식 없이 설명하는 신경망 (거의) [출시 예정]
- 21주 차: 역전파: 모든 신경망을 가르치는 미적분학의 트릭 [출시 예정]
- 22주 차: 이번 주말에 첫 번째 신경망을 만들어보세요 - PyTorch 50줄로 [출시 예정]
- 23주 차: 신경망이 훈련되지 않는 이유 - 그리고 거의 모든 것을 해결하는 7가지 트릭 [출시 예정]
5단계: 핵심 신경망 아키텍처
24~26주 차. 세 가지 주요 아키텍처 군: 비전을 위한 CNN, 시퀀스 기록을 위한 RNN, 그리고 2017년에 모든 것을 바꾸고 모든 현대 LLM을 구동하는 Transformer.
- 24주 차: 컴퓨터가 보는 법을 배운 방법: 합성곱 신경망에 대한 시각적 가이드 [출시 예정]
- 25주 차: 언어를 이해하려 했던 아키텍처 - 그리고 왜 거의 성공했는가: RNN과 LSTM [출시 예정]
- 26주 차: 어텐션 이즈 올 유 니드: AI를 재정의한 2017년 논문, 평범한 영어로 설명 [출시 예정]
🏁 마일스톤 2 프로젝트 시간. PyTorch로 CNN 또는 소규모 Transformer를 처음부터 훈련시키세요.
6단계: 자연어 처리 및 LLM
27~31주 차. 2026년에 모든 사람이 관심을 가지는 단계입니다. 단어 개수에서 시작하여 나만의 RAG 챗봇 구축까지 진행합니다.
- 27주 차: 기계에게 읽기를 가르치기: Bag of Words에서 Word Embeddings까지 [출시 예정]
- 28주 차: Transformer 이전: LSTM이 기계에게 언어에 대한 (덧없는) 기억을 준 방법 [출시 예정]
- 29주 차: BERT, GPT, 그리고 Transformer 가계도: 누가 무엇을 하는지, 그리고 그 이유는? [출시 예정]
- 30주 차: GPT-4를 사용하기 위해 훈련시킬 필요는 없습니다: Hugging Face 실용 가이드 [출시 예정]
- 31주 차: LLM 내부: 채팅 규모 모델이 실제로 작동하는 방식, 사전 훈련에서 RLHF까지 [출시 예정]
7단계: 더 많은 딥러닝 영역
32~35주 차. 자신에게 중요한 것을 선택하세요. 네 가지를 모두 다룰 필요는 없습니다.
- 32주 차: '고양이 또는 개'를 넘어: 객체 감지, 분할, 그리고 비전 Transformer가 세상을 보는 방법 [출시 예정]
- 33주 차: 노이즈에서 예술로: 생성형 AI 여행 - 오토인코더, GAN, 그리고 확산 혁명 [출시 예정]
- 34주 차: 기계가 듣는 방법: 스펙트로그램에서 Whisper까지, 모든 것을 받아쓰는 AI [출시 예정]
- 35주 차: 시행착오를 통한 학습: Q-테이블에서 PPO까지 강화 학습 [출시 예정]
8단계: AI 에이전트 및 고급 애플리케이션
36~38주 차. 2026년 현재의 최전선: 도구를 사용하고, 계획하며, 세상에서 행동하는 에이전트.
- 36주 차: AI의 다음 물결: 에이전트란 무엇인지, 도구를 어떻게 사용하는지, 그리고 오늘 오후에 하나를 구축하는 방법 [출시 예정]
- 37주 차: AI가 실제로 지금 변화를 만들고 있는 분야: 의료, 금융, 과학, 그리고 실제 세계의 최전선 [출시 예정]
- 38주 차: AI가 동시에 보고, 듣고, 읽을 때: 멀티모달 모델의 부상 [출시 예정]
9단계: 프로덕션, 도구 및 MLOps
39~42주 차. 튜토리얼을 따라 하는 사람과 실제 AI 제품을 출시하는 사람을 구분 짓는 단계입니다. 대부분의 온라인 강의는 이 부분을 완전히 건너뜁니다.
- 39주 차: 노트북 모델은 제품이 아닙니다: AI를 실제로 출시하는 데 필요한 것 [출시 예정]
- 40주 차: 엔터프라이즈 전문 용어 없는 MLOps: 우리를 위한 버전 관리, 추적, 재현성 [출시 예정]
- 41주 차: AI 모델을 실제 사용자에게 배포하는 방법 (DevOps 번아웃 없이) [출시 예정]
- 42주 차: RAG에서 프로덕션까지: 당황스럽지 않은 실제 LLM 앱 구축 [출시 예정]
🏁 마일스톤 3 프로젝트 시간. RAG 챗봇을 라이브로 배포하세요.
10단계: 책임 있는 AI와 큰 그림
43~46주 차. AI는 단순한 코드가 아닙니다. 실제 세계와 맞닿아 있습니다. 편향, 안전성, 설명 가능성, 그리고 더 넓은 맥락을 이해해야 합니다.
- 43주 차: 당신의 모델은 의견을 가지고 있습니다: 편향, 공정성, 그리고 '좋은 데이터'만으로는 충분하지 않은 이유 [출시 예정]
- 44주 차: 문제를 일으키지 않는 AI 만들기: 안전성, 정렬, 그리고 현재 AI의 가장 어려운 문제 [출시 예정]
- 45주 차: 블랙박스 문제: 모델 자체도 모를 때 AI 결정을 설명하는 방법 [출시 예정]
- 46주 차: AI와 나머지 세상: 일자리, 창의성, 기후, 그리고 어떤 튜토리얼도 답하지 못할 질문들 [출시 예정]
11단계: 최신 동향 파악 및 심화 학습
47주 차+. AI 학습은 끝나지 않습니다. 핵심 46주가 지난 후에도 계속 성장하는 방법입니다.
- 박사 학위 없이 AI 논문을 읽고 (실제로 이해하는) 방법 [출시 예정]
- 실제로 면접을 따내는 AI 포트폴리오 (아무도 읽지 않는 장난감 프로젝트가 아닌) [출시 예정]
- AI를 혼자 배우는 것이 아닙니다: 가입할 가치가 있는 커뮤니티, 컨퍼런스, 인터넷 공간 [출시 예정]
- AI의 모든 것을 배울 수는 없습니다 - 자신에게 맞는 전문화를 선택하는 방법 [출시 예정]
- 5년 후에도 쓸모없지 않을 유일한 AI 기술: 배우는 방법을 배우는 것 [출시 예정]
대략적인 시간 예상
이것은 경주가 아닙니다. 아래 표는 시간 투자에 따른 현실적인 일정을 보여줍니다.
주당 시간 투자
핵심 완료 시간 (0-6단계)
11개 단계 모두 완료 시간
5-10시간 (진지한 사이드 프로젝트)
약 6개월
약 1년
10-15시간 (전념)
약 4개월
약 8개월
30시간 이상 (풀타임)
약 6주
약 3개월
벼락치기보다 꾸준함이 중요합니다. 일요일에 8시간 몰아서 하고 나머지 주중에 아무것도 안 하는 것보다, 매일 30분씩 꾸준히 하는 것이 훨씬 좋습니다.
최종적으로 할 수 있게 되는 것
핵심 단계(0-6)와 9단계를 완료하면 다음과 같은 능력을 갖추게 됩니다:
- 실제 AI와 마케팅 hype을 구별할 수 있습니다
- 데이터 분석 및 ML을 위한 Python 코드를 작성할 수 있습니다
- 실제 세계의 데이터 세트를 정제, 탐색, 준비할 수 있습니다
- 고전적 ML 모델을 구축, 훈련, 평가, 튜닝할 수 있습니다
- 신경망과 Transformer가 어떻게 작동하는지 이해합니다
- 자신의 작업을 위해 사전 훈련된 언어 모델을 미세 조정할 수 있습니다
- 자신의 문서를 기반으로 RAG 챗봇을 구축할 수 있습니다
- FastAPI로 모델을 API로 배포할 수 있습니다
- 작동하는 AI 제품을 출시할 수 있습니다
- AI 뉴스와 논문을 비판적인 시각으로 읽을 수 있습니다
- 자신이 무엇을 모르는지 알 수 있습니다
이 정도면 주니어 ML/AI 엔지니어로 취업하거나, 현재 업무에 유용한 AI 도구를 만들거나, 관심이 있다면 연구로 계속 나아가기에 충분합니다.
이 페이지 활용 방법
- 북마크에 추가하세요. 이것이 당신의 목차입니다.
- 1주 차부터 시작하세요. 건너뛰지 마세요.
- 매주 확인하세요. 매주 새로운 문서가 게시됩니다. 위에 링크가 나타납니다.
- 실습을 수행하세요. 읽는 것이 학습은 아닙니다.
- 세 가지 마일스톤 프로젝트를 구축하세요. 그것들은 당신이 실제로 이것을 할 수 있다는 증거입니다.
길을 잃은 기분이 들 때마다 여기로 돌아오세요. 길은 변하지 않습니다. 도구들은 생겼다 사라지겠지만 (새로운 프레임워크, 새로운 모델, 새로운 스타트업), 이 로드맵의 기본 원칙은 5년 후에도 여전히 중요할 것입니다.
1주 차에서 만나요.
🔔 AI 최신 소식을 놓치지 마세요
이 로드맵을 따라가면서 학습하는 동안 매주 실용적인 AI 도구를 받아보고 싶다면, 무료 ByteBuilders 뉴스레터를 구독하세요. 매 호에서 다음을 제공합니다:
- 오늘 바로 복사해서 사용할 수 있는 1000개 이상의 AI 프롬프트
- 테스트되고 설명된 실용적인 AI 도구
- 시간을 절약해주는 자동화 워크플로우
- 업무와 학습을 위한 생산성 활용 사례
- 기술을 유지하는 데 도움이 되는 엄선된 AI 리소스
이 로드맵을 따르는 수천 명의 빌더와 학습자와 함께하세요:
