[메타코드 AI LLM 부트캠프] 1주차 학습 일지: 수학과 통계, 그리고 데이터 분석 입문

이번 주차 학습 요약
- 학습 기간: 2월 둘째 주 (2월 초 퇴사 후 본격적인 전업 학습 시작)
- 핵심 목표: 밀린 학습량 소화 및 기초 수학/통계 뼈대 세우기
- 주요 파트: 고등수학/선형대수 기초, Pandas 전처리, 시각화, 통계 입문

학습 자체는 1월 둘째 주부터 시작했지만, 퇴사 일정으로 인해 본격적인 몰입은 2월 둘째 주인 이번 주부터 시작되었습니다.

그동안은 과제 제출 위주로 부분 학습을 하다 보니 진도가 많이 밀려있었습니다.

 

무엇보다 AI 응용 개발의 뼈대가 되는 고등 수학과 선형대수에 대한 이해도가 낮아, 진도를 무작정 빼기보다는

이 부분의 기초부터 다시 다잡기로 했습니다.

---

1. 학습의 첫 단추: 고등 수학과 선형대수

가장 먼저 부딪힌 난관은 수학이었습니다. 당장 모든 것을 깊게 파고들기보다는,

부트캠프 초반 1~2주 차 진도를 따라가기 위해 꼭 필요한 기초 체력을 기르는 데 집중했습니다.

• 학습 채널: 유튜브 채널 '혁펜하임'과 '3blue1brown'을 활용했습니다.
• 학습 전략 (이틀 단기 집중): 선형대수는 주차별로 필요한 양이 다르기 때문에 당장 필요한 수준까지만 학습 범위를 좁혔습니다. 통계 이론의 핵심 개념을 직관적으로 이해하고, 복잡한 수식에 눈을 익숙하게 만드는 것을 최우선 목표로 삼았습니다.
•  

---

2. 기초 데이터 분석: 코드 연습부터 실무 응용까지

수학으로 워밍업을 마친 후, 메타코드의 주차별 데이터 분석 강의를 수강했습니다.

이 강의의 가장 큰 장점은 단순한 라이브러리 사용법을 넘어,

실무자의 데이터 분석 고민과 흐름을 따라가 볼 수 있다는 점이었습니다.

• 데이터 전처리 (Pandas): pd.read_csv를 활용한 데이터 불러오기 및 데이터 타입 이해부터 시작했습니다. 결측치(NA) 처리, 컬럼 변경 및 삭제, 인덱싱과 필터링을 다루었으며, 데이터 병합(Combining), 그룹화(Grouping), 피벗(Pivot) 등 전처리의 뼈대를 잡았습니다.
• 데이터 시각화: Bar, Line, Scatter, Pie, Histogram 등 다양한 차트 시각화 방법을 배웠습니다. 특히 축 업데이트나 수직선, 주석 추가 등을 통해 차트의 디테일을 다듬는 방법이 유익했습니다.
• 마케팅 데이터 분석 실무 연습: 기여도(Attribution), 전환 기간(Conversion window) 등 마케팅 지표를 직접 정의해 보았습니다.

아래는 이번 주차에 학습한 내용을 바탕으로 구성해 본 데이터 전처리 및 시각화 기본 예제입니다.

import pandas as pd
import plotly.express as px

# 1. 데이터 불러오기 및 결측치 처리
df = pd.read_csv('marketing_data.csv')
df = df.dropna(subset=['conversion_rate'])

# 2. Grouping을 활용한 캠페인별 평균 전환율 계산
grouped_df = df.groupby('campaign_type')['conversion_rate'].mean().reset_index()

# 3. Plotly를 활용한 데이터 시각화 (Bar chart)
fig = px.bar(
    grouped_df, 
    x='campaign_type', 
    y='conversion_rate', 
    title='캠페인 종류별 평균 전환율'
)

# 4. 차트 디테일 추가 (목표 전환율 수직선)
fig.add_hline(y=5.0, line_dash="dash", line_color="red", annotation_text="목표 전환율(5%)")
fig.show()

---

3. 통계 입문: 낯선 이론을 실무 코드로 연결하기

이번 주차의 가장 큰 산이었습니다.

 

강사님께서 중심, 산포, 형태 등 기초 통계량부터

일원/이원 분산 분석(ANOVA), 회귀 분석, 각종 확률 분포(정규, 카이제곱, t분포, F분포 등)와

가설 검정 절차를 최대한 쉽게 풀어서 설명해 주셨습니다.

 

하지만 가장 답답했던 점은 '이 복잡한 이론이 실제 실무에서 어떻게 쓰이는가?'를 당장 확인할 수 없다는 것이었습니다.

 

이를 해결하기 위해 AI를 곁에 두고 적극적으로 질문하며 돌파구를 찾았습니다.

예를 들어, 이론으로만 배우던 조건부 확률 수식이나 가설 검정 개념들이 파이썬 코드로 어떻게 구현되는지

직접 눈으로 확인하며 학습을 보완했습니다.

 

아래는 독립표본 t-검정을 파이썬 scipy 라이브러리로 구현해 본 예제입니다.

복잡한 수식 없이도 함수 하나로 유의확률(p-value)을 도출할 수 있다는 점이 흥미로웠습니다.

from scipy import stats

# 두 마케팅 그룹 간의 구매액 비교 (독립표본 t-검정)
group_a_sales = [120, 135, 122, 140, 128] # 기존 마케팅 전략
group_b_sales = [145, 150, 142, 155, 148] # 신규 마케팅 전략

# t-statistic과 p-value 계산
t_stat, p_value = stats.ttest_ind(group_a_sales, group_b_sales)

print(f"P-value: {p_value:.4f}")

if p_value < 0.05:
    print("두 그룹 간 유의미한 매출 차이가 존재합니다. (귀무가설 기각)")
else:
    print("두 그룹 간 유의미한 매출 차이가 없습니다. (귀무가설 채택)")

• 나만의 통계 학습법: 통계 이론 강의를 수강한 뒤, 이해가 안 가는 부분은 AI에게 "이 이론이 실무 코드로 어떻게 적용돼? 예시를 보여줘"라고 질문했습니다. 이후 출력된 코드를 직접 보며 실무에서의 활용 방식과 동작 원리를 파악하는 식으로 학습을 진행했습니다.

---

1주차 마무리 회고

밀린 진도를 빼느라 정신없는 한 주였지만, 수학과 통계라는 막막했던 벽을 '개념 이해'와 '코드 적용'이라는 두 가지 무기로 조금씩 허물어가는 느낌이 듭니다. 남은 부트캠프 기간도 이 학습 템포를 유지하며 탄탄하게 기본기를 다져보겠습니다.