학습 허브 탐험: 문서 읽고 바로 실행하기

오늘은 이 저장소의 메인 주식 AI 교실을 익히는 날입니다. "읽기만 하는 사람"이 아니라 "직접 주가 예측 버튼을 눌러 보는 사람"이 되는 게 목표입니다.

오늘의 목표

메인 학습 허브의 구조를 익힙니다.
챕터를 고르고, 설명을 읽고, 실행 결과를 보는 흐름을 몸에 익힙니다.
다음 날 모델 비교 실험을 할 준비를 마칩니다.

메인 허브를 아주 쉽게 설명하면

이 화면은 주식 AI 실습의 메인 관제판 같고,
여러 예측 실험실로 가는 출발 화면 같습니다.

여기서 할 일은 늘 비슷합니다.

챕터를 고른다
설명을 읽는다
실행 버튼을 누른다
결과를 본다

오늘의 화면 낱말

화면 이름	한자·영어	쉬운 뜻
챕터	chapter	한 번에 배우는 작은 수업 1개. 전체 코스의 작은 단원
설명 탭	description tab	오늘 배울 말과 개념을 적어 둔 화면
실행 버튼	run button	직접 결과를 만드는 버튼. 누르면 서버가 AI 모델을 돌려 결과를 돌려줌
결과 탭	result tab	실행 후 나온 숫자와 내용을 보여 주는 화면
웹앱 가이드	webapp guide	다음에 어디로 이동할지 알려주는 안내

오늘 알아두면 좋은 AI 낱말

낱말	한자·영어	쉬운 뜻
신경망	神經網 / neural network	뇌 신경세포를 흉내 낸 계산 모델. 神(신 신)+經(지날 경)+網(그물 망). 입력층·은닉층·출력층이 그물처럼 연결됨
은닉층	隱匿層 / hidden layer	입력층과 출력층 사이의 중간 계산 층. 隱(숨을 은)+匿(숨길 닉)+層(층 층). 사람이 직접 들여다보기 어렵기 때문에 '숨겨진 층'이라고 부름. 여기서 복잡한 패턴 인식이 일어남
상승 확률	上昇確率 / probability of rise	내일 주가가 오를 가능성을 0~1 사이 숫자로 나타낸 값. 上(위 상)+昇(오를 승)+確(확실할 확)+率(비율 률). 0.72라면 "오를 가능성 72%"라는 뜻

오늘 열 페이지

메인 학습 허브

오늘의 20분 코스

시간	할 일
5분	메인 허브의 메뉴와 사이드바를 살펴봅니다.
10분	챕터 2개를 골라 `설명 -> 실행 -> 결과` 흐름을 반복합니다.
5분	어떤 챕터가 제일 읽기 쉬웠는지 메모합니다.

웹앱 따라 하기

메인 학습 허브를 엽니다.
왼쪽에서 chapter06을 클릭합니다.
설명 탭에서 분류 이야기를 읽습니다.
실행 버튼을 눌러 결과가 나오는지 봅니다.
이번에는 chapter08을 눌러 같은 일을 다시 합니다.
시간이 남으면 chapter21까지 열어 딥러닝 챕터 분위기도 구경합니다.

꼭 볼 포인트

한 챕터를 누르면 내용이 바뀌는가?
실행 버튼을 누르면 결과가 생기는가?
챕터마다 무슨 문제를 푸는지 한 줄로 말할 수 있는가?

관찰 미션

내가 제일 이해하기 쉬웠던 챕터는 무엇이었나요?
설명을 먼저 읽고 실행하니 덜 무서웠나요?
메인 허브는 왜 "학습 출발점"이라고 부를 수 있을까요?

문서를 읽을 때 붙여 보면 좋은 쉬운 예시

문서에서 보는 개념	주식으로 붙여 보는 예시
분류	`NAVER가 내일 오를까?`
회귀	`코스피가 다음 주에 몇 포인트쯤일까?`
특성	가격, 거래량, 이동평균, RSI
추가 힌트	금리, 환율, CPI 같은 거시경제 숫자

예를 들어 문서에 특성이라는 말이 나오면, "모델이 보는 힌트 상자"라고 생각하면 쉽습니다.

종목 힌트: 삼성전자 종가, 거래량
지표 힌트: MA5, MA20, RSI
거시 힌트: 미국 금리, 원/달러 환율

문서를 읽다가 어려우면 늘 이렇게 바꿔 읽어 보세요.

이 개념은 어떤 종목을, 어떤 지표를, 어떤 시장 분위기를 설명하려는 걸까?

내일 예고

내일은 같은 데이터로 모델 4개를 바꿔 보며 "모델 선택"이 결과를 어떻게 바꾸는지 본격적으로 비교합니다.

DART 공시로 회사 성적표 읽기

이제 이 저장소에는 DART 공시 투자 파이프라인 화면도 있습니다.

아주 쉽게 말하면:

주가 차트는 운동장 점수판
DART 공시는 회사가 직접 낸 성적표

예를 들어 삼성전자 공시를 보면

매출: 얼마나 크게 벌었는지
영업이익: 장사해서 얼마나 남겼는지
부채비율: 빚 가방이 얼마나 무거운지
최근 공시: 새 소식이 무엇인지

를 같이 볼 수 있습니다.

초급자 버전 예시

매출이 커졌고 영업이익도 좋아졌고 빚 부담이 낮다

라고 나오면

이 회사는 몸집도 크고 체력도 꽤 괜찮아 보이는구나

처럼 읽으면 됩니다.

반대로

매출이 줄고 영업이익이 약하고 정정 공시가 나왔다

면

조금 더 천천히 살펴봐야겠구나

라고 생각하면 됩니다.

따라 해보기

터미널에서 DART_API_KEY=내키 python scripts/refresh_datasets.py --use-fallback 를 실행합니다.
데이터셋 허브에서 dart_invest_pipeline.csv를 엽니다.
DART 공시 투자 파이프라인에서 삼성전자와 SK하이닉스를 번갈아 눌러 봅니다.
매출, 영업이익, 부채비율, 최근 공시 4가지를 한 줄로 말해 봅니다.

➡️ 다음 문서: Day 6. 같은 데이터로 모델 4종 비교

알고리즘 처리 흐름 (Day 5)

로지스틱 회귀 흐름

flowchart TD
    A["입력 특성 x"] --> B["선형 결합\nz = w·x + b"]
    B --> C["시그모이드 변환\np = σ(z)"]
    C --> D{p ≥ 0.5?}
    D -- 예 --> E["상승 예측 = 1"]
    D -- 아니오 --> F["하락 예측 = 0"]

랜덤 포레스트 흐름

flowchart TD
    A["학습 데이터"] --> B["부트스트랩 샘플링"]
    B --> C["트리 T₁"]
    B --> D["트리 T₂"]
    B --> E["트리 Tₙ"]
    C --> F["예측₁"]
    D --> G["예측₂"]
    E --> H["예측ₙ"]
    F --> I["다수결 → 최종 예측\n특성 중요도 계산 가능"]
    G --> I
    H --> I

신경망(MLP) 흐름

flowchart TD
    A["입력층\n특성 x"] --> B["은닉층 1\na = σ(W₁x + b₁)"]
    B --> C["은닉층 2\na = σ(W₂a + b₂)"]
    C --> D["출력층\nŷ = σ(Wₙa + bₙ)"]
    D --> E{학습 중?}
    E -- 예 --> F["손실 계산\nL = loss(y, ŷ)"]
    F --> G["역전파\n∂L/∂W 계산"]
    G --> H["가중치 업데이트\nW ← W − η·∂L/∂W"]
    H --> A
    E -- 아니오 --> I["상승 확률 출력"]

알고리즘 계보도 (Day 5)

flowchart TD
    LR["선형 회귀\n(1800s)"]
    LogR["로지스틱 회귀\n(1958, Cox)"]
    DT["의사결정나무\n(1960~1986, Quinlan)"]
    RF["랜덤 포레스트\n(2001, Breiman)"]
    P["퍼셉트론\n(1958, Rosenblatt)"]
    MLP["신경망 MLP\n(1986, Rumelhart)"]

    LR -->|"이진 분류 확장"| LogR
    LogR -->|"단일 뉴런화"| P
    P -->|"다층 구조 + 역전파"| MLP
    DT -->|"배깅·앙상블"| RF

    style LR fill:#f5f5f5
    style LogR fill:#fff9c4
    style DT fill:#fff9c4
    style P fill:#fff9c4
    style MLP fill:#d4e6ff
    style RF fill:#c8e6c9

모델 상세 참고 (Day 5)

모델	수학적 의미	탄생 배경	주식투자 활용	만든 사람/대표 GitHub
로지스틱 회귀	선형 결합을 확률로 변환해 이진 분류를 수행합니다.	해석 가능한 분류 기준이 필요해 통계 실무에서 표준이 되었습니다.	초보자용 기준 모델로 신호 품질 점검에 적합합니다.	David Cox(현대 통계 정립) · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/linear_model/_logistic.py
랜덤 포레스트	다수 트리 투표로 분류하며 분산을 줄입니다.	단일 트리 불안정을 줄이기 위한 앙상블 연구의 결과물입니다.	특성 중요도와 안정적 점수를 함께 얻기 쉬워 학습 허브 실습에 적합합니다.	Leo Breiman · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/ensemble/_forest.py
신경망(MLP)	여러 은닉층의 비선형 변환 `a^{(l+1)}=σ(W^{(l)}a^{(l)}+b^{(l)})`을 학습합니다.	퍼셉트론 한계를 넘기 위해 역전파 기반 다층 구조가 보편화되었습니다.	복잡한 비선형 신호(가격×거래량×지표 상호작용) 포착에 유리합니다.	Rumelhart, Hinton, Williams(역전파 대중화) · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/neural_network/_multilayer_perceptron.py

분야별 모델 쓰임새 및 적합도 (Day 5)

모델	데이터셋 형태	헬스케어	자율주행	주식투자	로봇	AI Ops
로지스틱 회귀	정형 수치·범주 데이터, 이진 레이블	질환 유무·재입원 위험 분류, 임상 해석 기준선	단순 장애물 유무 분류, 저복잡도 환경	초보자용 기준 모델, 신호 품질 점검	이상 동작 감지(OK/NG), 안전 판단 기준선	장애 발생 여부 분류, 알림 임계값 설정
랜덤 포레스트	정형 수치·범주 데이터, 중간 크기	진단 보조, 특성 중요도 기반 임상 지표 해석	도로 조건 분류, 다변량 센서 이상 감지	특성 중요도·안정 성능 함께 확인 가능	상태 분류·고장 예측, 다변량 센서 분석	장애 원인 분류·이슈 우선순위 판단
신경망(MLP)	정형 수치 데이터, 중간~대용량	복잡한 진단 패턴 학습, 의료 영상 특성 분류	비선형 센서 융합, 주행 결정 신호 생성	다변량 특성 결합 신호 탐지, 복합 패턴 학습	복잡한 동작 제어, 다감각 데이터 처리	복합 메트릭 이상 탐지, 장애 패턴 인식

모델 혼합 & 검증 아이디어 (Day 5)

Day 5에서 배운 세 모델은 복잡도가 다릅니다.
단순한 모델부터 복잡한 모델까지 순서대로 쌓으면, 각 단계에서 무엇이 좋아졌는지 눈에 보입니다.

혼합 아이디어

혼합 방법	어떻게 섞나요?	왜 좋을까요?
기준선 + 개선 모델	로지스틱 회귀를 기준선으로 먼저 실행하고, 랜덤 포레스트와 MLP를 차례로 추가해 AUC가 얼마나 올라가는지 봄	복잡한 모델이 정말로 더 좋은지 쉽게 비교할 수 있음
3모델 평균 앙상블	세 모델이 각각 내놓은 상승 확률을 동일 비중(1/3씩)으로 평균 냄	어떤 모델이 특정 날짜에 틀려도 평균값이 흔들림을 줄여줌
성능 기반 가중 앙상블	교차 검증에서 AUC가 더 높은 모델에 더 높은 가중치를 부여해 평균 냄	잘하는 모델의 의견을 더 많이 반영하는 합리적인 방식

검증 방법

기준선 비교: 항상 로지스틱 회귀의 점수를 기준점으로 잡고, 랜덤 포레스트·MLP가 기준점보다 얼마나 좋아졌는지 퍼센트로 확인합니다.
특성 중요도 일치 확인: 세 모델이 중요하다고 보는 특성이 비슷한지 비교합니다. 공통적으로 중요하게 보는 특성은 실제로 신뢰도가 높습니다.
챕터별 실행 점수 기록: 메인 학습 허브에서 chapter06, chapter08, chapter21을 차례로 실행해 각 모델의 점수를 표에 적고 비교합니다.
과적합 확인: 학습 데이터 점수와 테스트 데이터 점수 차이가 크면 해당 모델이 과적합된 것이므로 주의합니다.

아주 쉽게 말하면: 세 선생님이 같은 문제를 보고 답을 내면, 세 명 모두 맞다고 한 것만 믿으면 더 안전합니다.
그리고 가장 많이 맞히는 선생님의 말을 조금 더 비중 있게 들으면 됩니다.

웹앱 안쪽 들여다보기

메인 학습 허브를 움직이는 핵심 API

주소	하는 일
`GET /api/chapters`	챕터 목록 읽기
`GET /api/chapters/{id}`	챕터 설명/메타 정보 읽기
`POST /api/chapters/{id}/run`	해당 챕터의 `practice.py` 실행
`GET /api/chapters/{id}/source`	소스 코드 문자열 보기
`GET /api/docs`	문서 목록 읽기
`GET /api/docs/{id}`	문서 본문 읽기

실행 버튼을 누르면 무슨 일이 일어날까요?

POST /api/chapters/{id}/run 이 호출되면 서버는 해당 챕터 폴더의 practice.py 를 읽고, 그 안의 run() 을 실행한 뒤 결과와 실행 시간을 정리해서 돌려줍니다.

데이터셋 허브와도 연결됩니다

GET /api/datasets
GET /api/datasets/{id}
GET /api/datasets/{id}/adapted/stock-lab

즉, 메인 허브는 문서 읽기, 챕터 실행, 다음 웹앱 이동을 이어 주는 관제판입니다.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Uh oh!

학습 허브 탐험: 문서 읽고 바로 실행하기

오늘의 목표

메인 허브를 아주 쉽게 설명하면

오늘의 화면 낱말

오늘 알아두면 좋은 AI 낱말

오늘 열 페이지

오늘의 20분 코스

웹앱 따라 하기

꼭 볼 포인트

관찰 미션

문서를 읽을 때 붙여 보면 좋은 쉬운 예시

내일 예고

DART 공시로 회사 성적표 읽기

초급자 버전 예시

따라 해보기

알고리즘 처리 흐름 (Day 5)

로지스틱 회귀 흐름

랜덤 포레스트 흐름

신경망(MLP) 흐름

알고리즘 계보도 (Day 5)

모델 상세 참고 (Day 5)

분야별 모델 쓰임새 및 적합도 (Day 5)

모델 혼합 & 검증 아이디어 (Day 5)

혼합 아이디어

검증 방법

웹앱 안쪽 들여다보기

메인 학습 허브를 움직이는 핵심 API

실행 버튼을 누르면 무슨 일이 일어날까요?

데이터셋 허브와도 연결됩니다

Uh oh!

FilesExpand file tree

05.md

Latest commit

History

05.md

File metadata and controls

학습 허브 탐험: 문서 읽고 바로 실행하기

오늘의 목표

메인 허브를 아주 쉽게 설명하면

오늘의 화면 낱말

오늘 알아두면 좋은 AI 낱말

오늘 열 페이지

오늘의 20분 코스

웹앱 따라 하기

꼭 볼 포인트

관찰 미션

문서를 읽을 때 붙여 보면 좋은 쉬운 예시

내일 예고

DART 공시로 회사 성적표 읽기

초급자 버전 예시

따라 해보기

알고리즘 처리 흐름 (Day 5)

로지스틱 회귀 흐름

랜덤 포레스트 흐름

신경망(MLP) 흐름

알고리즘 계보도 (Day 5)

모델 상세 참고 (Day 5)

분야별 모델 쓰임새 및 적합도 (Day 5)

모델 혼합 & 검증 아이디어 (Day 5)

혼합 아이디어

검증 방법

웹앱 안쪽 들여다보기

메인 학습 허브를 움직이는 핵심 API

실행 버튼을 누르면 무슨 일이 일어날까요?

데이터셋 허브와도 연결됩니다