홈앤서비스 SK BROADBAND

합격을 넘어 실무로, AI 시대를 여는 가장 확실한 한 걸음

AI가 선택이 아닌 기본 역량이 된 시대, 이제 중요한 것은 AI를 ‘아는 것’을 넘어 직접 활용할 수 있는가이다. 《AICE Basic》은 AI 입문자가 자격 취득을 넘어 실제 AI 활용 역량까지 갖출 수 있도록 설계한 실전형 학습서다. AICE Basic은 KT가 개발하고 한국경제신문과 함께 주관하는 AI 능력시험으로, 데이터 분석부터 모델 구축과 평가에 이르기까지 AI 프로젝트의 전 과정을 스스로 수행할 수 있는 역량을 평가한다. 특히 코딩 없이 AIDU 플랫폼을 활용해 실습할 수 있어 AI를 처음 접하는 학습자도 부담 없이 AI 프로젝트의 기본 흐름을 익힐 수 있다. 이 책은 단순히 시험에 나오는 내용을 정리한 수험서에 머물지 않는다. 실제 학습자들이 어려워했던 개념과 자주 혼동하는 포인트를 중심으로 핵심 원리를 쉽게 설명하고, ‘외워서 푸는 학습’이 아닌 ‘이해하고 활용하는 학습’?을 지향한다.

또한 실제 시험 환경을 반영한 단계별 실습을 통해 AICE Basic의 문제 유형과 풀이 과정을 자연스럽게 익힐 수 있도록 구성했다. 은행 마케팅, 주택 가격 예측 등 실제 비즈니스 상황을 바탕으로 한 시나리오형 모의고사를 수록해 시험 감각은 물론 데이터 분석과 AI 모델링에 대한 실무 감각까지 함께 키울 수 있다. AI를 처음 시작하는 사람에게는 탄탄한 입문서로, AICE Basic을 준비하는 수험생에게는 효과적인 실전 대비서로, 그리고 AI 활용 역량을 갖추고 싶은 직장인과 학습자에게는 AI 시대를 준비하는 가장 현실적인 첫걸음이 될 것이다.

합격을 넘어 실제 활용으로.
《AICE Basic》과 함께 AI를 이해하고, 직접 경험하며, 자신의 경쟁력으로 만들어보자.

제1장 AICE Basic, AI 시대를 항해하는 가장 확실한 첫걸음

1.1 절 AICE Basic 시험, 왜 지금 주목해야 할까?
1.1.1 AI 시대, 코딩의 장벽을 넘어 기회를 잡는 법
1.1.2 AICE Basic: 실무 역량을 증명하는 가장 확실한 표준 15
1.2 절 합격 가능성을 높이는 AICE Basic 초단기 합격 전략
1.2.1 전략 1: ‘설명할 수 없다면 이해한 것이 아니다’ - 메타인지 활용 개념 학습법
1.2.2 전략 2: ‘따라하고, 바꿔보고, 창조하라’ - 경험의 사다리를 오르는 AIDU 실습법
1.2.3 전략 3: ‘결과를 복기하라’ - 실전 감각을 깨우는 모의고사 활용법
1.3 절 합격 거머쥐기

2장 인공지능 기본 개념

2.1 절 AI 정의와 범위
2.1.1 인공지능이란 무엇인가?
2.1.2 인공지능의 범위: 좁은 AI와 일반 AI
2.1.3 역사적 맥락: 꿈에서 현실로
2.2 절 AI vs. 머신러닝 vs. 딥러닝 비교
2.2.1 헷갈리는 세 용어의 정확한 관계
2.2.2 인공지능(AI): 가장 넓은 개념
2.2.3 머신러닝(Machine Learning): 데이터로부터 학습하는 AI
2.2.4 딥러닝(Deep Learning): 인간 뇌를 모방한 학습
2.2.5 전통적인 머신러닝 vs 딥러닝: 특징 추출의 혁명
2.2.6 딥러닝의 상세 구조와 작동 원리
2.2.7 학습 과정: 역전파 알고리즘의 마법
2.2.8 딥러닝의 한계와 과제
2.2.9 실제 적용 사례로 보는 차이점
2.2.10 언제 어떤 AI 기법을 선택해야 할까?
2.3 절 일상 속 AI 활용 사례
2.3.1 개인용 디지털 어시스턴트
2.3.2 소셜미디어와 콘텐츠 추천
2.3.3 전자상거래와 맞춤형 쇼핑
2.3.4 교통과 내비게이션

3장 AI 모델은 어떻게 만들어질까?

3.1 절 AI 개발 이해하기
3.1.1 AI 개발의 생명 주기
3.1.2 각 단계별 역할과 중요성
3.2 절 데이터 수집
3.2.1 어떤 데이터가 필요한가?
3.2.2 데이터의 품질과 양의 중요성
3.3 절 데이터 전처리
3.3.1 데이터 정제와 노이즈 제거
3.3.2 결측치와 이상치 처리
3.4 절 데이터 레이블링과 어노테이션
3.5 절 모델 평가: 성능 측정과 검증
3.5.1 평가 지표의 종류와 선택
3.5.2 실무에서 평가 지표를 선택하는 방법
3.6 절 AI 개발, 이론과 현실 사이의 장벽
3.6.1 ‘AI의 연료’ 데이터, 왜 그렇게 다루기 어려울까?
3.6.2 모델링과 알고리즘: 완벽해 보이지만, 숨겨진 한계
3.6.3 AI의 ‘평생 관리’: 운영과 모니터링의 숨겨진 과제

4장 AI의 핵심 재료, 데이터 제대로 알기

4.1 절 데이터도 종류가 있다고? 정형 vs 비정형부터 시작하기
4.1.1 정형 데이터(Structured Data): 표 형태로 깔끔하게 정리된 데이터
4.1.2 비정형 데이터(Unstructured Data): 자유로운 형태의 데이터들
4.1.3 멀티모달 데이터: 여러 형태가 합쳐진 데이터
4.1.4 정형 vs 비정형, 왜 구분이 중요할까?
4.1.5 핵심 정리
4.2 절 데이터 타입 완전정복 - 연속형, 순서형, 명목형, 텍스트까지
4.2.1 연속형(Continuous) 데이터: 쭉 이어지는 숫자들
4.2.2 순서형(Ordinal) 데이터: 순서가 있는 카테고리들
4.2.3 명목형(Nominal) 데이터: 순서 없는 카테고리들
4.2.4 텍스트(Text) 데이터: 문자로 이루어진 자유로운 표현
4.2.5 핵심 정리
4.3 절 Feature와 Label, 이게 뭔지만 알면 절반 성공!
4.3.1 Feature: AI의 단서, 예측에 사용할 입력 정보들
4.3.2 Label: AI가 맞춰야 할 정답, 예측하고 싶은 결과값
4.3.3 핵심 정리

5장 좋은 모델을 위한 데이터 준비운동

5.1 절 EDA로 데이터와 친해지기 - 시각화로 패턴 찾는 법
5.1.1 데이터 분포 한눈에 보기 - 히스토그램과 박스 플롯
5.1.2 상관관계 분석하기 - 어떤 변수들이 서로 친한지 알아보자
5.1.3 산점도로 관계 패턴 찾기 - 선형과 비선형 구분하기
5.1.4 결측치와 이상치 탐지하기 - 문제 있는 데이터 미리 찾기
5.1.5 핵심 정리
5.2 절 기초 통계량으로 데이터 속마음 읽기
5.2.1 평균, 중앙값, 최빈값 - 데이터의 ‘중심’을 찾는 세 가지 방법
5.2.2 분산과 표준편차 - 데이터가 얼마나 퍼져 있는지 알아보기
5.2.3 왜도와 첨도 - 분포 모양을 숫자로 측정하기
5.2.4 정규분포 확인과 데이터 변환
5.2.5 핵심 정리
5.3 절 Feature Engineering 마스터하기 - 데이터를 모델이 좋아하는 형태로!
5.3.1 결측치 처리의 달인 되기
5.3.2 이상치 제거하기 - 언제 삭제하고, 언제 살릴까?
5.3.3 스케일링으로 데이터 크기 맞추기
5.3.4 범주형 데이터 숫자로 바꾸기
5.3.5 새로운 Feature 만들어내기
5.3.6 핵심 정리

6장 AI의 작동 원리: 머신러닝과 딥러닝 핵심 이론

6.1 절 들어가며: AI 학습 원리의 이해와 실전 준비
6.2 절 지도 학습 vs 비지도 학습: AI 학습의 두 가지 길
6.2.1 AI에게도 선생님이 필요할까?
6.2.2 지도 학습: 정답이 있는 세상
6.2.3 분류(Classification): 범주를 맞히는 기술
6.2.4 회귀(Regression): 정확한 수치를 예측하는 기술
6.2.5 실전 구분법: 분류 vs 회귀 완벽 판별
6.2.6 비지도 학습: 정답 없는 세상에서 패턴 찾기
6.2.7 지도 학습 vs 비지도 학습: 언제 무엇을 선택할까?
6.2.8 준지도 학습과 강화 학습: 특별한 경우들
6.2.9 핵심 정리
6.3 절 선형 모델군(Linear Models): 직선으로 세상을 설명하기
6.3.1 선형 회귀(Linear Regression): 연속값 예측의 기본기
6.3.2 로지스틱 회귀(Logistic Regression): 확률로 분류하기
6.3.3 핵심 정리

6.4 절 근접 기반 모델(Proximity-Based Models): 이웃의 지혜 활용하기
6.4.1 K-최근접 이웃(K-NN): 비슷한 것끼리
6.4.2 핵심 정리
6.5 절 트리 기반 모델군(Tree-Based Models): 질문으로 세상 나누기
6.5.1 의사결정 트리(Decision Tree): 스무고개의 과학
6.5.2 랜덤 포레스트(Random Forest): 집단지성의 힘
6.5.3 LightGBM: 점진적 개선의 예술
6.5.4 핵심 정리
6.6 절 딥러닝 모델(Deep Learning Models): 인공 신경망의 힘
6.6.1 다층 퍼셉트론(MLP)의 기본 구조
6.6.2 MLP의 작동 원리: 순전파와 역전파
6.6.3 신경망 구조 설계의 원리
6.6.4 딥러닝 학습 과정의 이해
6.6.5 핵심 정리
6.7 절 모델 성능 평가의 이해
6.7.1 회귀 모델 평가 지표: 오차를 바라보는 다양한 관점
6.7.2 분류 모델 평가: 정확성을 넘어선 신뢰성
6.7.3 핵심 정리

7장 코딩 없이 AI 만들기: 시험환경 완벽 적응

7.1 절 AICE Basic 실습 환경 준비하기
7.1.1 시험 전 준비 사항
7.1.2 홈 화면 구성 완전 해부
7.1.3 프로젝트가 제대로 로드되었는지 확인하기
7.1.4 왼쪽 사이드바 메뉴
7.2 절 데이터 가져오기
7.3 절 데이터 분석
7.3.1 데이터 분석 기능의 종류
7.3.2 데이터 샘플 보기
7.3.3 기초 정보 분석
7.3.4 시각화 분석
7.3.5 비지도 학습 분석
7.4 절 데이터 가공
7.4.1 데이터 가공이란?
7.4.2 데이터 가공 경험하기
7.4.3 데이터 가공 실행 영역의 다양한 옵션들 - 데이터 타입이 int, float인 경우
7.4.4 데이터 가공 실행 영역의 다양한 옵션들 - 데이터 타입이 object인 경우

7.5 절 모델 학습
7.5.1 살펴보기
7.5.2 AI 모델 학습 - 머신러닝 AI 모델 학습
7.5.3 AI 모델 학습 - 딥러닝 AI 모델 학습
7.6 절 모델 활용
7.6.1 분석하기
7.6.2 변수 영향도 확인
7.6.3 시뮬레이션
7.6.4 예측하기
7.6.5 다운로드하기
7.6.6 삭제하기

8장 분류: 누가 정기예금에 가입할까?

8.1 절 문제 정의 및 목표
8.1.1 은행 마케팅과 정기예금의 비즈니스 배경
8.1.2 분류 문제의 정의와 목표
8.1.3 비즈니스 목표와 기대 효과
8.2 절 데이터 가져오기
8.3 절 은행 마케팅 데이터셋 탐색적 데이터 분석 (EDA)
8.3.1 EDA의 중요성과 목적
8.3.2 데이터셋 구조의 전체적 이해
8.3.3 제거 대상 변수 분석
8.3.4 데이터 품질 점검
8.3.5 핵심 변수 인사이트 시각화 및 해석
8.4 절 모델 선택 및 학습
8.4.1 AIDU에서 모델 선택하기
8.4.2 AIDU에서 머신러닝 모델 학습하기
8.4.3 AIDU에서 딥러닝 모델 학습하기
8.5 절 모델 평가 및 최종 권장사항
8.5.1 분류 평가 지표의 종합 이해
8.5.2 비즈니스 시나리오별 모델 선택 가이드

9장 회귀: 어떤 요인이 주택 가격을 결정하는가?

9.1 절 문제 정의 및 목표
9.1.1 부동산 시장과 주택 가격 예측의 비즈니스 배경
9.1.2 회귀 문제의 정의와 목표
9.1.3 비즈니스 목표와 기대 효과
9.2 절 데이터 가져오기
9.3 절 주택 가격 데이터셋 탐색적 데이터 분석 (EDA)
9.3.1 데이터셋 구조의 전체적 이해
9.3.2 데이터 품질 점검
9.3.3 핵심 변수 인사이트 시각화 및 해석
9.4 절 모델 선택 및 학습
9.4.1 AIDU에서 모델 선택하기
9.4.2 AIDU에서 머신러닝 모델 학습하기
9.4.3 AIDU에서 딥러닝 모델 학습하기
9.5 절 모델 평가 및 최종 권장사항
9.5.1 모델별 상세 성능 분석
9.5.2 변수 중요도 분석
9.5.3 잔차 분석 (Residual Analysis)

10장 모의고사

10.1 절 모의고사 1회(회귀)
10.2 절 모의고사 2회(분류)
10.3 절 AI/ML 실기 시험 대비 핵심 전략 (회귀 & 분류 공통)
모의고사 1회: 통신 요금 예측 (회귀 문제) 대비 팁
모의고사 2회: 호러 장르 선호 예측 (분류 문제) 대비 팁
부록 · AI 핵심 용어집
· 시험 환경 체크리스트
· 합격 꿀팁 Q&A