머신러닝은 딱딱 정해진 레시피 (recipe)가 없나요?

 

 

 

가끔 수업을 진행하다 보면, 머신러닝을 공부하는 학생들로부터 듣는 질문 중에 하나가 바로 머신러닝과 주어진 상황에 매칭되는 정리된 (또는 표준화 된) 테이블 같은게 없나요? 라는 질문입니다.

다양한 사례에서 사용할 방법론이나 모델을 정확하게 요약해서 알려주는 summary table 같은게 있었으면 얼마나 좋을까요? 우리는 그 테이블만 보고선 어떤 방법론을 사용해야할지 알 수 있다면 우리의 고민도 상당 부분 줄어들텐데요.

하지만, 몇 개의 프로젝트를 진행하고 나면, 그런 질문들이 많이 사라집니다. 왜냐하면, 이런 정형화된 요약 테이블은 애초에 존재하기 쉽지 않기 때문입니다. 여러 데이터셋을 접하다 보면, 데이터셋 별로 정말 다른 문제를 가지고 있다는 점을 쉽게 파악하실 수 있을 겁니다.

물론 트리 기반 모델이 선형 모델 등보다 나은 일반적인 원칙이 있긴 하지만, 유사한 주제의 데이터셋들이라고 해도 실제로 하나하나 살펴보면 얼마나 다른지 놀라실 겁니다.

시계열의 경우에도, 문자 그대로 어떤 프레임워크라도 사용할 수 있습니다. 기능이 시차로 구성되고, 트리 기반, 텍스트 기반일 수 있습니다. 그리고 ARIMA 모델일 필요는 없습니다. (우리가 학교에서 배운 것들 말이죠 😊)

우리는 모든 것을 다 배운 후에 실무에 뛰어들 수 없는 경우가 많습니다. 대부분의 경우, 프로젝트 진행 중에 필요한 것들을 조금씩 조금씩 학습하면서 나아가야하는 경우가 훨씬 많습니다. 이 과정 속에서 종종 나에게 공부가 더 필요하다는 생각, 내가 부족하다는 마음을 느끼실 수는 있지만, 이런 마음가짐은 그 어떤 분야보다 빠르게 발전하는 데이터 인터스트리에서는 필연적인 것입니다. 따라서, 처음부터 완벽한 나를 준비해서 실무에 뛰어들려는 마음 보다는, 그때그때 필요하실 때마다 조금씩 나를 발전시키시는 것이 더 바람직한 접근 방법입니다. (a.k.a 도제식 😂)

어떤 정형화된 표준화된 방식을 원하셨다면, 조금 다른 접근 방법을 취해보시면 좋을 것 같습니다. 데이터 과학은 마치 유기체처럼 조금씩 더 나은 방향으로 지금도 변화하고 있습니다. 좀 더 도움이 되는 방법은 여러 데이터셋들과 그들을 분석한 코드 스크립트들을 보면서 차근차근 그것을 이해해 보려고 노력하는 것입니다.

그리고 무엇보다 더 중요한 것은 나 자신을 믿고, 나는 무엇이든 빨리 배울 수 있다라는 자신감을 가지시는 것이겠죠  😁 저도 하는데, 여러분들도 충분히 잘하실 수 있습니다.

저는 데이터 사이언스가 어드벤쳐 같다고 생각합니다. 우리는 모험을 앞두고 최대한 예상되는 시나리오에 맞춰 준비와 학습을 하고 실무에 뛰어들 것입니다. 하지만, 때때론 예상치 못한 난관에 봉착할 수 있겠죠. 이럴 때 최대한 내가 아는 것 가진 것들과 새롭게 더 해야할 일들을 나누어서, 슬기롭게 문제를 해결해 나가야 할 것입니다. Enjoy the unexpected!

그리고 그 문제를 해결하고 나면, 한 층 성장한 나를 만나실 수 있을 거라고 믿어 의심치 않습니다.

 

 

 

 

 

 

 

 

#영어이력서 #영문이력서 #이력서 #Cover #coverletter #resume #레주메 #데이터분석 #데이터애널리스트 #미국데이터분석석사 #미국석사 #데이터과학자 #네트워킹이벤트 #GMAT #링크드인 #미국데이터분석 #데이터사이언스 #미국 #GRE #해외취업 #데이터사이언티스트 #미국현지취업 #데이터분석석사 #글래빈 #미국데이터사이언티스트 #글래빈미국 #글래빈미국데이터사이언티스트 #브라이언 #브라이언미국데이터사이언티스트 #스테이시미국데이터사이언티스트 #미국대학원 #해외취업마스터 #미국생활 #데이터사이언스석사 #미국유학생 #유학생 #미국데이터 #애널리틱스석사 #데이터석사 #미국데이터석사유학 #뉴욕직딩 #미국유학 #미국직장인 #미국취업 #미국현지취업 #prerequisites #선수과목 #미국대학원선수과목 #리트코드 #테크니컬인터뷰 #코딩인터뷰 #leetcode