책과 논문의 차이로는 우선 최신 트렌드 반영 여부에 있다. - P201
책은 특성상 한 권을 쓰려면 최소 200페이지 이상을 써야하는 만큼 꽤 많은 시간이 소요된다. 200페이지 이상의 원고를 다 쓴다고 하더라도 출판사에서 원고 교정, 디자인, 인쇄까지 하고 책이 출간되는데 또 시간이 걸린다. 따라서 저자가 책을 쓰기 시작한 시점 이후부터 최종 출간까지 1년 가까이 걸리는 경우가 부지기수다. 때에 따라서는 1년 이상이 소요될 수도 있다. - P201
AI 빅데이터 알고리즘은 1년이면 엄청나게 많은 새로운 알고리즘들이 출현한다. 발전 속도가 빠른 분야이기에 책으로 공부하는 내용은 이미 출간 시점에는 최신 트렌드를 반영할 수가 없다. - P202
논문은 학위논문이 아닌 이상 보통 10~20페이지 정도로 상대적으로 페이지수도 적고 보통 연 4회 출간하기 때문에 원고 투고 후 바로 승인 된다면 출간까지 2~4개월이면 충분하다. 따라서 저자가 글을 쓰기 시작한 시점에서 독자들이 글을 읽기까지의 시간이 훨씬 짧아서 최신 경향을 반영하기가 용이하다. - P202
속도 면에서도 논문이 더 유리하지만 본래의 목적 자체도 논문이 최신 알고리즘 공부에 유리하다. 논문이라는 게 이전에 있었던 아이디어를 쌓은 다음 저자가 조금 더 새로운 아이디어를 얹는 것이다. 즉 이전 연구들에 비해서 무언가 더 나아지거나 새로운 참신성이 있어야 한다. 그래서 항상 논문에는 선행연구 부분이 있다. 선행연구들을 살펴본 후, 선행연구들에 비해 더 나아지거나 새로운 무언가를 제안하는 게 논문인 것이다. - P202
모든 논문은 무조건 이전에 없었던 무언가를 갖고 있다. 더 빠르고 정확한 고도화된 알고리즘이든, 기존에 없었던 새로운 알고리즘이든, 새로운 분야에 적용했든 무조건 이전 연구에 비해 나아진 공헌이 있다. 그래서 논문을 읽으면 이전에 없었던 새로운 것을 익힐 수 있어서 최신 알고리즘을 공부할 기회도 많다. 연구자들도 무언가 특별한 알고리즘이 떠오르면 이를 논문으로 세상에 알리려 하지 책으로 쓰는 경우는 드물다. - P202
(책과 논문의) 또 다른 차이점으로는 전문성에 있다. AI 빅데이터 관련한 책들은 특정 알고리즘만을 자세히 다룬 경우가 드물다. 대부분 큰 카테고리로 빅데이터 분석, 딥러닝, 데이터 시각화, 데이터 전처리 등 주제를 나누어서 책이 나온다. 너무 좁은 세부 분야를 깊이 있게 쓰면 관심 독자층이 줄어들어 많이 팔리기가 어렵기 때문이다. 또한 세부 분야를 깊이 있게 최소 200페이지 넘게 쓰는 것도 분량상 어려울 수 있다. - P203
(이 책을 쓰는 시점 기준) 국내 yes24에 ‘추천 시스템‘으로 검색했을 때는 6건, 아마존 닷컴에 컴퓨터 사이언스 부분 도서에서 ‘recommendation system‘으로 검색했을 때는 525건, KCI 국내학회지에 ‘추천 시스템‘으로 검색했을 때에는 1083건, 구글 학술검색에 ‘recommendation system‘으로 검색했을 때에는 423만건이 나온다. 이제 차이를 느낄 수 있겠는가? 추천 시스템이라는 세분화된 전문분야 공부를 하기 위해서는 책보다는 논문을 읽어야 하는 것이다. - P203
AI 빅데이터 공부를 처음 시작할 때에는 전체적으로 모든 분야에 대해서 입문수준의 공부를 해야 하지만 어느 정도 실력이 오르면 전문 분야가 생기기 마련이다. 수영선수가 자유형, 접영, 배영, 평영 중에 하나의 주 종목이 있는 것과 비슷하다. AI 빅데이터 전문가도 자신만의 한두 가지 주연구 분야가 생기게 될 것이고 더욱 전문적으로 깊이 있게 공부하기 위해서는 논문 읽기가 필수적이다. - P204
처음에는 국내 학회지부터 시작하는 게 좋다. 해외 학회지는 언어의 장벽이 있어 이해하는데 까다로울 수 있고 SCIE (미국에서 저명한 과학기술분야 학술지)급 논문을 처음부터 시작하면 지나치게 어려워 읽다가 포기할 수 있기 때문이다. 국내 학회지도 워낙 많은데 기본적으로 최소한 KCI 등재지 안에서 선택하면 된다. KCI(한국학회지 인용색인) 등재 논문이란 학문적 가치를 인정 받아 KCI 등재되었다는 뜻이기에 어느 정도 검증이 되었다는 의미이다. - P204
AI 빅데이터 관련 학회지는 꽤 많고 그중 자신에게 잘 맞는 몇가지 학회지를 선정해 새로운 논문이 올라올 때마다 수시로 찾아서 읽으면 된다. 보통 학회지들은 1년에 4번 발행하는 경우가 많다. 한번 발행할 때 10개 내외로 발행하는 경우가 많으니 1년에 한 학회지당 총 40여개 정도의 논문이 나온다고 보면 된다. - P204
알고리즘 연구에 중점적인 논문을 공부하기 위해서는 통계학, 산업공학, 컴퓨터공학 관련 학회지를 찾아보면 되고 알고리즘을 비즈니스에 적용한 연구를 공부하기 위해서는 정보시스템학, 경영학 관련 학회지를 찾아보면 된다. - P205
몇 번 논문을 읽다보면 나와 잘 맞는 특정 학회지의 논문이 있을 거다. 학회지마다 선호하는 연구주제와 논문의 라이팅 방향이 다르기 때문이다. 심사위원들이 그런 논문들을 주로 승인하고 수정 후 게재 판정을 줄때도 학회지 성격에 맞는 방향으로 수정 피드백을 주기 마련이다. 아무튼 본인의 성향과 잘 맞는 학회지가 생기면 이제 해당 학회지의 새로운 간행물이 나올 때마다 논문 하나씩 프린트해서 읽으면 된다. - P205
(저자의 경우) 알고리즘 연구는 ‘대한산업공학회지‘, ‘지능정보연구‘의 논문을 통해 공부하고 비즈니스 적용에 관한 연구는 ‘정보시스템연구‘의 논문을 즐겨 읽는다. - P205
논문을 다운받는 방법은 해당 학회지 웹사이트에 들어가서 직접 다운받거나 KCI 홈페이지에 들어가서 검색해도 된다. 만약 대학생 또는 대학원생이라면 학교도서관 홈페이지에서도 검색해서 다운받을 수 있다. - P205
논문을 다운받아서 펼쳐놓으면 논문마다 조금씩 구성이 다를 수 있지만 대개 서론, 문헌연구, 실험, 결론으로 파트가 나누어진다. - P205
서론은 논문의 본격적인 이야기 전에 독자의 호기심을 불러 일으키면서 이 논문을 작성하게 된 이유를 설득력 있게 전달하는 부분이다. 주로 최근 이슈가 되는 사회현상을 지적하거나 이전 연구에서 부족했었던 부분에 대한 문제인식에서 시작한다. 그래서 이 연구가 꼭 필요하다는 당위성을 밝히고 이 연구의 목적을 말한다. 서론만 제대로 읽어도 앞으로 논문이 어떻게 전개될지 감이 온다. 서론 부분은 꼼꼼하게 읽는 게 중요하다. - P206
문헌연구 부분은 이 논문의 가설 설정의 근거나 배경의 역할을 한다. 이전 연구들이 어떻게 이루어져 왔는지 그 특징은 무엇인지 검토해본다. 각 선행연구들의 결과, 특징, 장단점들을 언급한다. 선행연구들의 이론이나 알고리즘들이 이 논문의 베이스라인이 된다. - P206
문헌연구는 논문의 목적상 필수적으로 들어가야 하는 부분이라 어느 논문이든 다 있다. 그리고 심사위원들이 꼼꼼하게 피드백하는 부분이기도 하다. 하지만 AI 빅데이터 공부를 하는 독자입장에서는 시간적 여유가 없으면 읽지 않고 패스해도 무방하다. 문헌연구 부분은 이전 대표적인 선행연구들의 특징을 간략하게 설명하는데 어느 정도 공부했던 독자 입장에서는 대표적인 연구들은 이미 알고 있는 경우가 많고, 모른다 하더라도 논문에 3~4줄 써진 선행연구별 특징에 대한 설명으로는 해당 선행연구가 어떤건지 구체적으로 알기 어렵기 때문이다. 따라서 너무 완벽히 이해하려고 하기보다는 긴장을 풀고 빠르게 읽고 넘어가거나 때에 따라서는 아예 안 읽어도 된다. - P206
실험은 논문 읽기의 가장 핵심적인 부분이다. 이 논문이 제시하려는 주장이 이 실험부분에 다 담겨 있다. 실험은 또 연구 방법, 연구 결과로 나뉠 수 있다. - P207
연구 방법은 제안하는 바의 연구 모형, 연구 대상, 데이터 분석에 대해서 설명한다. AI 빅데이터 연구에 대한 논문을 읽다 보면 알고리즘의 구체적인 방법이나 플로우차트를 이용한 논리 흐름이 그림으로 나올 것이다. ...(중략)... 이 연구 모형이 논문이 제안하는 핵심적인 아이디어라고 할 수 있다. 연구 모형 하나를 제안하기 위해서 그전에 서론, 문헌연구를 장황하게 쓰면서 논리를 펼치는 것이다. 독자는 연구 모형을 이해하고 연구 모형의 핵심 아이디어만 기억하면 된다. 연구 모형에 사용되었던 아이디어는 실전 프로젝트에서 코드로 구현해서 사용할수도 있고 아니면 이 아이디어를 좀 수정하거나 변형해서 본인만의 독창적인 알고리즘을 또 만들 수도 있다. - P210
(저자의 경우) 연구모형의 핵심 아이디어는 논문 프린트 맨 첫 장에 간단히 몇 줄로 요약을 한다. 이유는 쓰면서 머릿속에 입력하고 나중에 다시 한 번씩 빠르게 보면서 잊어버리지 않기 위해서다. - P210
연구 모형 이후에는 연구 모형을 실험해보기 위한 연구 대상에 대한 설명과 실제 어떻게 데이터 분석을 수행했는지가 나온다. - P210
연구 결과는 실험을 수행한 후 도출된 결과에 대한 내용을 언급한다. 저자의 핵심 아이디어가 정말 타당한 것인지 데이터 분석 결과를 정량적으로 보여준다. 저자가 주장한 아이디어가 기존 연구들에 비해 뛰어나다는 점을 실제 수치로 보여주어야 한다. 그래서 보통 비교표를 통해 기존 연구들의 모형에 비해 정확도나 속도 면에서 뛰어남을 보여준다. - P211
결론부분은 논문을 전체적으로 요약한 후, 연구의의를 밝히고 연구에 반영하지 못했던 한계점을 명시한다. 요약은 연구목적, 연구모형, 연구결과를 간단히 언급한다. 연구의의 부분은 학술적이나 실무적으로 해당 논문이 어떤 의의를 지녔는지 언급한다. - P211
한계점은 이 논문에 반영하지 못했었던 점을 언급하면서 추후 연구에 반영해야 한다고 언급한다. 해당 논문에서 반영하지 못했던 한계점을 저자가 직접 반영하여 연구를 진행하면 새로운 논문이 될 수도 있는 부분이므로 이 부분을 유념하며 읽으면 도움이 될 수 있다. - P212
논리구조를 알고 논문을 읽으면 앞으로 어떤 내용이 전개가 될지 예상이 되기 때문에 이해하기도 쉽고 속독하기에도 유리하다. 논문을 다 읽은 후에는 연구 모형의 핵심 아이디어를 논문 맨 첫 장에 간단히 요약한 후 논문 카테고리 별로 보관해두면 된다. - P212
(저자의 경우) 추천 시스템, 텍스트마이닝, 이미지분석, 기타 딥러닝 논문으로 봉투를 만들어 따로 만들어 각 카테고리에 해당하는 논문들을 각각 보관한다. 이렇게 하면 이후에 각 카테고리에 해당하는 논문들을 꺼내어서 논문 맨 첫 장의 핵심 아이디어 요약한 부분만 읽으면 이 논문이 어떤 논문이었는지 빠르게 기억해낼 수 있다. - P212
개론이 되는 전반적인 수리통계학, 선형대수학, 기본 데이터마이닝 알고리즘, 딥러닝 알고리즘, DB, 서버, API 등을 익히고 난 이후에는 특정 연구를 집중적으로 파고들어야 하는 것이다. - P213
전문 연구 분야를 익혀야하는 이유는 우선 세부 연구 분야가 너무 많아서 다 잘 할 수 없다는 것이다. 세부 연구 분야는 알고리즘, 연구현상, 연구 도메인으로 더 나뉠 수 있다. - P213
알고리즘 세부 분야의 예를 들면 추천 시스템, 텍스트 마이닝, 이미지/영상 분석, 이상탐지, 프로세스 마이닝 등이 있다. 물론 이것은 예시에 불과하고 훨씬 더 많은 세부 분야가 있다. - P214
연구현상에 대해서 세부 알고리즘을 나눌 수도 있다. 연구현상이란 어떠한 사회 현상 또는 특정 도메인 대상에 대해서 하는 연구를 말한다. 예를 들어서 세부 분야로는 SNS 서비스, 집단 따돌림 현상, 온라인 고객 행동, 선거 캠페인 행동이 될 수 있다. - P214
연구 도메인에 대한 세부 연구 분야의 예로는 이동통신 데이터 분석, 센서 데이터 분석, 제조 데이터 분석, 금융공학 등이 있을 수 있다. - P214
각 카테고리별 세부 연구 분야를 조합해 하나의 연구를 할 수도 있다. 예를 들어 텍스트 마이닝을 활용해 선거 캠페인 이슈에 대한 뉴스기사를 분석해볼 수 있다. 또는 센서 데이터를 활용해 이상탐지 알고리즘으로 계측 장비의 이상패턴을 추정할 수도 있다. 실제로 이런 방식으로 쓴 논문이 상당히 많다. - P214
결국 본인의 취향, 필요성, 소속회사 또는 연구실에 따라서 정해지는 것 같다. - P218
우선 두꺼운 기본서 한 권 정독이 필요하다. 그동안은 데이터 전처리, 머신러닝, 딥러닝 등 넓은 범위의 영역을 다룬 책들을 읽었다면 이번에는 세부 연구 분야를 중점적으로 다룬 책 한 권이 필요하다. 고교시절 수학 공부할 때 가장 처음 기본을 익힐 때 보고 이후에도 계속해서 수시로 들여다보았던 수학의 정석과도 같은 책이 필요한 것이다. - P219
책은 아마존 닷컴에서 찾아야 한다. 국내 서적 중에 AI 빅데이터분석 세부 연구 분야를 중점적으로 깊이 있게 다룬 책은 찾기 힘들다. 아마존 닷컴에 들어가서 세부 연구 분야를 키워드로 검색한 후, 상단에 있는 책들 중 대략 400~800페이지 정도 되는 책들 중 한 권을 구매하면 된다. 책 구매 전에 목차도 확인해야 한다. 아마존 닷컴 상세페이지에는 목차가 잘 안 나온다. 따라서 책 제목을 구글 도서에서 검색한 후 책 미리보기를 통해 목차를 확인하자. 해당 세부 연구 분야에 대해서 깊이 있게 이것저것 다룬 교과서와 같은 책이 분명 있을 것이다. 그러면 그 책을 앞으로 공부할 세부 연구 분야의 교과서로 삼고 공부를 시작하면 된다. - P219
이러한 책(세부 연구 분야를 중점적으로 깊이 있게 다룬 책)들은 보통 특정 분야에 대해서 많은 내용을 다루기 때문에 내용적으로는 크게 어렵지 않은 편이다. 페이지수가 400~800페이지나 되는데 내용까지 어렵다면 거의 읽을 수가 없다. 또한 아무리 똑똑한 저자라도 그 많은 페이지수를 모두 고난도의 내용으로 채우기는 어려울 것이다. 정말 심화되고 고도화된 내용은 보통 깊이 있게 한 가지 알고리즘만 파고들어 SCI급 논문으로 편찬된다. 따라서 페이지수가 많다고 처음부터 겁먹지 말고 차근차근 읽어보길 바란다. - P219
고등학교 때 수학의 정석을 공부했듯이 세부 연구 분야별 교과서로 정한 책들은 좀 더 진지한 마음으로 정독을 권한다. (저자는) 주로 요약 노트를 만들었다. 각 교과서 원서마다 하나의 노트를 만들고 책을 읽으면서 챕터별로 주요 아이디어들을 메모했다. 책이 꽤 두껍기 때문에 읽고 나서 다 기억할 수는 없다. 따라서 요약 노트에 요약하면서 다시 한 번 머릿속에 집어넣고 추후에 요약노트만 몇 번 들여다보면서 기억을 복기한다. - P221
표로 노트에 적어두면 이후에 종종 보면서 절대로 잊지 않을 것이다. - P221
세부 연구 분야에 대해 교과서로 정한 책을 통해서 이론을 탄탄하게 익혔다면 코딩도 함께 공부해야 한다. 요즈음에는 두꺼운 책에 자세한 이론과 함께 코딩 내용도 있는 경우가 많다. 그렇다면 일석이조겠지만 아니라면 코딩 공부를 위한 책을 한 권 더 구매해야 한다. 당연히 코딩 책은 프로그래밍 언어에 맞는 책을 구매해야 한다. - P222
AI 빅데이터 분석 코딩 책은 파이썬 책이 가장 많고 R도 꽤 있다. 코딩은 책 한 권을 본다고 실전에서 바로 전문가처럼 코딩을 하는 경우는 드물다. 상황에 따라서 코드가 무한히 달라질 수 있기에 실전 프로젝트를 하면서 자기만의 노하우를 쌓아야 한다. 책의 코드, 깃허브에 다른 사람들이 올려놓은 코드, 각종 블로그 및 스택오버플로우에 올라온 코드에 자신만의 스타일을 접목시켜야한다. - P222
한번 자기만의 스타일이 잡히면 각 알고리즘마다 코드를 정리해놓고 새로운 프로젝트의 데이터마다 정리해놓은 코드를 하나씩 꺼내서 블록처럼 쌓으면 된다. - P222
각 연구 분야별 키워드를 구글 학술검색에서 주기적으로 검색하여 최신 논문들을 보아야 한다. 구글 학술검색에는 날짜 상세 검색 기능이 있다. 따라서 최근연도로 필터를 주면 최신 논문을 쉽게 찾을 수 있다. 검색되는 모든 논문을 다 읽을 수는 없고 구글 학술검색 자체에서 인용순으로 소팅이 되기에 인용이 많은 논문 위주로 읽으면 된다. 또는 본인이 좋아하는 취향의 학회지 논문을 읽어도 좋다. 논문을 통해 책에서 얻지 못했던 더 깊이 있는 내용을 공부할 수 있다. - P223
특히 SCI급 논문을 읽으면 어떻게 이런 생각을 할 수 있었을까 감탄을 할 때가 많다. 자꾸 이런 논문을 많이 읽어야 생각의 깊이가 깊어지고 기존 지식을 바탕으로 본인만의 창조적인 아이디어를 도출해낼 수 있다. - P223
SCI급 논문은 한 편 읽는데 꽤 오랜 시간이 걸릴 수 있다. 그래서 시간이 많지 않은 이상 매일 1편씩 읽는 것은 무리다. 불과 10~20페이지 정도밖에 안 되는 분량이지만 완벽히 이해하기 위해 정독하면 2시간 이상은 금방 지나가는 경우가 많기 때문이다. 그래도 그 2시간 동안 머리를 싸매면서 논문을 이해하는 과정을 거치면 한층 사고가 깊어진 자신을 발견할 수 있을 것이다. 또한 논문을 이해한 후 느껴지는 성취감도 함께 느낄 수 있을 것이다. - P224
열심히 논문을 읽고 이해했으면 해당 논문의 핵심 아이디어를 논문 맨 앞장에 요약한 후 이후에 자신만의 아이디어에 접목하려 시도해야 한다. SCI급 논문의 아이디어를 실전 프로젝트 데이터에 적용하여 코드로 구현하여 결과를 보인다면 아마 극찬을 받을 것이다. - P224
논문을 다 읽은 이후에는 논문 주제별로 모아진 봉투에 모아두는 것도 좋은 방법이다. 나는 여러 노란 봉투에 주제별로 나누어 논문을 모아두고 심심할 때마다 봉투 하나씩 꺼내어 해당 주제의 논문들 맨 앞장만 쭉 훑어본다. 맨 앞장에는 내가 논문을 읽고 핵심 아이디어를 정리해두었기 때문에 단 몇 분 만에 논문 여러 개를 다시 복기할 수 있다. - P224
SCI란 Science Citation Index의 줄임말로 미국 과학정보연구소가 과학기술분야 학회지 중 엄격한 선정 기준에 의하여 선별한 저명한 학회지를 말한다. 해당 학회지에 수록된 논문들을 SCI 논문이라고 부른다. 온라인 버전인 SCI 확장판(SCIE)도 있다. - P229
2020년 1월에 기존의 SCI와 SCI의 확장판 SCIE(Science Citation Index Expanded)가 통합되어 SCIE(과학인용색인)만 남아있다. 따라서 현재는 SCI, SCIE 별도 구분 없이 SCIE만 남아있다. - P229
|