중고등학생(K12)은 Python 기초 → 머신러닝 → 딥러닝 → 학생 주도 프로젝트 순서로 개념과 구현을 함께 익힐 수 있습니다. 이 학습 기록은 대회·학교·대학의 공통 제출물이 아니며, KOAI·USA-NA-AIO 같은 대회 범위와 과고·영재고·대학의 제출 규정은 기관과 시즌마다 따로 확인해야 합니다. 이 페이지는 학생의 현재 수준에서 무엇을 배우고 어떤 질문·코드·검증·한계를 남길지 정리한 학습 지도입니다.
게시일: 2026년 5월 28일 | 최종 수정: 2026년 8월 29일
같은 AI 학습도 국제학교 EC와 과고·영재고 탐구에서는 학업 우선순위와 공식 제출 경계가 다릅니다. 국제학교 경로를 먼저, 과고·영재고 경로를 다음에 확인하세요.
아래 여섯 개의 가이드는 따로 읽어도 되고 순서대로 따라가도 됩니다. 개념을 잡는 글(머신러닝·딥러닝), 손으로 만드는 글(AI 프로젝트·GitHub), 목표를 세우는 글(올림피아드·학습 자료)로 구성했습니다.
데이터에서 규칙을 학습하는 원리, 지도·비지도 학습, 학생이 처음 만들 수 있는 모델까지.
인공신경망, 순전파와 역전파, CNN·트랜스포머가 무엇이고 언제 쓰는지.
주제 선정부터 데이터·모델·문서화까지, 첫 AI 프로젝트를 끝까지 완성하는 법.
계정 만들기, README 작성, 커밋 관리. 기록의 길이보다 학생이 직접 설명할 수 있는 질문·역할·결과와 한계를 남깁니다.
IOAI와 국가 선발전(KOAI·USAAIO) 구조, 일정, 출제 범위 한눈에 보기.
Kaggle, PyTorch, CS231n, CS224n, fast.ai 등 검증된 자료를 수준별로 정리.
학생이 직접 만든 결과물을 질문·역할·과정·검증·한계 중심으로 기록하는 가이드입니다. 대학마다 외부 링크와 보충 자료 정책이 다르고 심사자가 링크를 연다고 가정할 수 없으므로, 지원에는 각 대학이 허용하는 자료만 선별합니다.
SAT 도우미 GPT·번역 챗봇·AI 스터디 플래너·Essay 피드백 툴 등 학생 주도 프로젝트 아이디어와 역할·한계·GitHub 기록법.
9~12학년 학년별 활동 설계: Python → 생성형 AI → 프로젝트 → 대회 → 포트폴리오.
온라인 AI 캠프 유형 비교와 결과물 중심 선택법, 해외 거주 학생 시차 활용.
고등학생이 참가 가능한 AI 해커톤 유형, 준비법, Congressional App Challenge, 온라인 참가.
Python과 데이터 다루기
변수·반복문 같은 기초 문법과 NumPy·pandas로 표 데이터를 다루는 법. Google 머신러닝 단기집중과정과 Kaggle Learn이 출발점으로 좋습니다.
머신러닝 개념 잡기
지도·비지도 학습, 과적합, 평가지표 같은 핵심 개념을 이해하고 scikit-learn으로 첫 모델을 만들어 봅니다.
딥러닝으로 확장
PyTorch로 신경망을 직접 쌓아 보고, 이미지나 텍스트 같은 비정형 데이터를 다룹니다. CS231n·CS224n이 깊이를 더해 줍니다.
프로젝트로 검증
관심 분야의 문제를 골라 학생이 직접 질문·데이터·방법·결과·한계를 기록합니다. GitHub는 학습 기록 도구 중 하나입니다. KOAI·USA-NA-AIO·과고·영재고·대학에 사용할 수 있는 자료와 형식은 서로 다르므로 공식 요강 우선 경계를 확인하고 허용되는 자료만 선별합니다.
위 자료들은 모두 훌륭하지만 영어 강의를 끝까지 따라가거나 어디서 막혔는지 스스로 진단하기는 쉽지 않습니다. CIT는 학생의 현재 수준과 학업 일정을 진단하고 학습 기록·학생 주도 프로젝트·해당 시즌 올림피아드 준비처럼 서로 다른 목표에 맞춰 1:1 또는 1:n 소수 그룹으로 지도합니다. 압구정 대면과 대한민국 전역 온라인 수업을 운영하며 학교·대학 제출은 공식 규정이 허용하는 범위에서만 구분합니다.
Python 기초와 데이터 다루기(NumPy, pandas)를 먼저 익힌 뒤 머신러닝의 큰 그림을 잡고 그다음 딥러닝으로 넘어가는 순서를 권합니다. 이론만 보기보다 작은 AI 프로젝트를 하나 만들어 GitHub에 올리면서 배우면 개념이 훨씬 빨리 자리 잡습니다. 처음에는 Google 머신러닝 단기집중과정이나 Kaggle Learn처럼 한국어 또는 무료로 접근 가능한 자료로 시작하는 것이 좋습니다.
딥러닝은 머신러닝의 한 분야입니다. 머신러닝은 데이터에서 규칙을 학습하는 방법 전체를 가리키고 딥러닝은 그중에서도 여러 층으로 쌓은 인공신경망을 사용하는 방법을 말합니다. 표 형태의 정형 데이터나 작은 데이터셋에는 전통적 머신러닝이 효율적이고 이미지·음성·자연어처럼 크고 복잡한 데이터에는 딥러닝이 강합니다.
가능합니다. 중학생은 블록 코딩과 Google Teachable Machine 같은 도구로 AI의 원리를 체험하며 시작하고 Python에 익숙해지면 scikit-learn으로 첫 머신러닝 모델을 직접 만들 수 있습니다. CIT는 학생의 학년과 코딩 경험에 맞춰 진입 단계를 조정하는 온라인 1:1 개인·1:n 소수 그룹 멘토링을 운영합니다.
현재 공개 USA-NA-AIO 실라버스와 보관된 2026 KOAI/IOAI 출제 기준에는 머신러닝·딥러닝, Python·PyTorch, 컴퓨터 비전·자연어처리·트랜스포머가 포함됩니다. 그러나 2026 KOAI도 고등부는 1~4과목, 중등부는 1·2과목으로 범위가 달랐고 대회·부문·시즌별 규칙은 같지 않습니다. 목표 대회의 해당 시즌 공식 실라버스와 허용 도구를 확인한 뒤 수학·이론·구현을 함께 학습합니다.
공식 범위 확인: USA-NA-AIO 실라버스 · KOAI/IOAI 2026 출제 기준. 최종 검토 2026-08-29.
초기의 단순한 아이디어를 'AI 토론 도구'라는 방향까지 확장해 주신 점이 정말 좋았습니다. 그 관심사와 프로젝트가 자연스럽게 연결되니 완성도와 차별성이 훨씬 커질 것 같습니다.
정보 분야 대회가 처음이라 막막했는데 선생님들께서 처음부터 차근차근 지도해 주신 덕분에 첫 도전을 잘 준비할 수 있었습니다.
개별 학생의 경험이며 동일한 결과를 보장하지 않습니다.