[인공지능 통합과정] 5주차 : SQL, 머신러닝

---

# SQL, 데이터베이스의 초입

 

첫 번째 세미프로젝트가 끝난 뒤, 잠시 쉬는 차원에서 이틀간 DB (Database) 이론과 SQL 기초 문법을 배웠다. 이론적인 내용에 깊이 들어가지 않았는데, 다뤘던 내용의 핵심을 나열하면 다음과 같다.

• DBMS (Database Management System) 의 개념과 유형
• 데이터모델링 3단계와 단계별 세부내용 (개념적, 논리적, 물리적 모델링)
• SQL 과 데이터 언어 (DDL, DML, DCL)
• SQL 과 NoSQL

이론적인 내용은 블로그에 추후 보완할 내용이거나 잘 설명되어 있는 다른 출처가 많으므로, SQL 학습 과정과 이에 대해 느낀 점 위주로 작성해보고자 한다. 

 

우리는 SQL 기반 RDBMS 중 SQLite 로 실습을 진행했다. DB 를 본격적으로 다루기 전에 데이터 제어를 도와주는 SQL cursor 를 연결하는 법, 일종의 저장을 의미하는 Commit 을 하는 법, DB 경로와 연결하는 법 등 기초적인 내용을 먼저 짚고 넘어갔다. 이후 SQLite 의 튜토리얼 데이터베이스인 chinook.db 를 활용하여 작업을 진행했다. 

 

* 실습에서 사용된 Chinook 데이터는 - 간단히 요약하자면  - 앨범 판매 데이터이며, 구체적인 데이터는 www.sqlitetutorial.net/sqlite-sample-database/ 에서 살펴볼 수 있다. (ER Diagram 포함)

 

우선 chinook 의 데이터를 불러와 Table 을 만들고, 새로운 데이터를 추가하고, 특정 값을 가진 데이터를 변경하고, 불필요하거나 원하는 데이터를 삭제할 수 있었다. 이는 데이터의 CRUD (Create-Read-Update-Delete) 를 가능케 하는 DML (Data Manipulation Language) 이기도 했다. 이후 필터링, 정렬, 제한 등의 구문을 활용하여 원하는 데이터를 더욱 자유롭게 활용할 수 있도록 하는 문법을 익혔다. 

 

조금 더 난이도가 높은 문법이라고 소개된 Join 과 Group 구문들도 다뤘는데, 이는 pandas 의 dataframe 을 다뤄보았다면 별로 어렵게 느껴지지 않는 내용이었을 것이라고 생각한다. 오히려 생각보다 어려웠던 것은 웹크롤러를 통해 수집한 데이터를 직접 db 에 저장해야 했던 실습이었다. SQL과 Python 문법을 각각 따로 배웠을 때는 쉽게 느껴졌는데, 이 둘을 응용하여 긴 코드를 작성하려니 문법 간의 전환이 금방 되지 않아 코드를 완성하기까지 조금 걸렸다. 

 

SQL 을 전반적으로 훝어보며, 파이썬 문법을 공부할 때와 마찬가지로 간결하고 직관적인 입력문을 통해 컴퓨터에게 명령을 내리고 원하는 결과값을 도출할 수 있다는 점에서 재미를 느꼈다. 그러나 동시에 다음과 같은 것들도 느끼곤 했다: 

 

1) 엑셀(Excel)도 웬만한 데이터 분석 툴 못지않은 프로그램이다.

• 1-1) 엑셀 함수가 생각남과 동시에 엑셀 역시 데이터 처리에 굉장히 좋은 도구였다. 
• 1-2) 엑셀만 전문가 수준으로 다루어도 웬만한 데이터 분석 작업이 가능할 것이다.
• 1-3) 개발에 관심 없는 문과생들이라면 엑셀만 배워도 될 것이다. 

2) 데이터 분석에 코딩 적합성은 필수 역량이 아닐지도 모른다. 

• 2-1) Pandas 모듈을 활용하여 Dataframe을 다루는 것과 마찬가지로, SQL 을 다루는데 코딩 역량이 크게 필요하지 않다.
• 2-2) 데이터 분석 시 필요한 DB 관리를 위해 배우는 기초 내용 (SQL 등)은 실제 '코딩'과 거리가 멀다.

3) 모든 것을 전문가 수준으로 잘 할 수는 없다. 

• 3-1) SQL 은 기초적인 내용에 불과하고, SQL 을 100% 활용하기 위해서는 DB 공부를 꾸준히 해야한다.
• 3-2) 하지만 DB도 컴퓨터공학의 큰 축이기 때문에 '완벽'하게 알려면 수년간 이 분야를 파야 한다.
• 3-3) 내가 '주로 하고자 하는 일' 에 필요한 공부량이 얼마인지, 범위는 어디까지인지 파악하는 것도 능력이다.

아직 발만 담가본 내가 쉽게 말할 수 있는 부분들은 아닌 것 같지만, 이런 내용도 기록해두어야 1년, 2년 뒤에 지식의 깊이가 더욱 깊어진 뒤의 생각과 비교해볼 수 있을 것이다. DB 도 재미있게 공부할 수 있는 영역이라고 느껴져서 앞으로 꾸준히 학습하고자 한다. 

 

---

# 머신러닝 이론 격파하기

 

"쉬어가기 타임" 이었던 SQL 파트를 지나, 드디어 본격적으로 교육과정 이름에 걸맞는 '인공지능(AI)' 를 배울 시간이 다가왔다. 머신러닝 파트가 돌아온 것이다. 

 

음... 하지만 우선 머신러닝과 딥러닝 공부를 모두 끝마친 현 시점에서 내가 느끼는 점을 잘 표현해 준 짤을 가져와 보았다. 

 

 

인공지능에 대한 개괄적 내용부터 '머신러닝'을 괄목하는 이론들을 배운 이후 이론을 구현하는 실습을 진행해 보았는데, 체감상 이론을 이해하는데 소요된 에너지가 10이라면 코드를 구현하는데 소요된 에너지는 0.00001 밖에 하지 않았다. 그만큼 머신러닝은 코드 한 줄 한 줄을 짜는 것보다 코드에 담긴 원리를 이해하고, 나아가서는 전체 그림을 볼 줄 아는 능력이 중요했다. 

 

머신러닝파트에서 다룬 내용이 워낙 방대한데다 일일이 열거"만" 하는 것 자체는 별로 의미가 없을 것 같아 생략하도록 한다. 하지만 이 과정을 통해 중점적으로 배웠던 점을 요약하면 다음과 같다:

 

• 원하는 데이터를 가지고 '어떤 모델'을 활용하면 좋은지 알기만 해도 80%는 성공이다.
• 나머지 19%는 데이터의 양, 질, 모델의 세부사항 (hyperparameter)에 따라 달라진다. 
• 1%를 남겨둔 이유는 - 머신러닝 모델을 만드는 데 100% 성공은 없기 때문이다. 늘 더 좋은 방법이 존재한다. (There's always something better you can do about it) 

무엇보다 이번 파트에서 가장 좋았던 점은 'AI' 가 무엇인지, 어느 범위까지 포괄하는지, 그 가능성과 한계가 무엇인지 스스로 찾아볼 수 있도록 개념적인 정리가 잘 되었다는 것이다. 교육과정에 참여하기 이전에는 '인공지능'이라는 단어를 들으면 위협적이라는 느낌을 함께 받았다. 부끄럽지만, 이는 영화나 뉴스 등의 미디어의 영향으로 내가 인공지능을 '자아를 가진 로봇' 의 일종으로 인식하고 있었기 때문이었다. 

 

인공지능의 개념과 이를 구성하는 실질적인 '코드'를 알게 되니, 오히려 인공지능을 활용하는 기술자로서의 '주체성'을 가지게 되었다. 코드 하나하나를 뜯어보며 원하는대로 모델을 만들어가는 과정이 있었기에 가능했다고 생각한다. 

 

...비록, 앞에 첨부한 짤대로, 머신러닝 구현의 실태(?) 는 라이브러리 임포트가 전부라고 할지라도, 더 좋은 모델을 만들고 발전시키는 데에는 내 수준보다 더욱 방대한 수학 + 컴퓨터공학적인 지식이 필요하다. 그리고 이 영역을 꾸준히 공부해나갈 수 있다는 점에서 머신러닝의 진가가 드러난다고 생각하게 되었다.