딥러닝은 여러 층(layer)으로 쌓은 인공신경망으로 데이터의 복잡한 패턴을 학습하는 머신러닝의 한 분야입니다. 이미지, 음성, 자연어 같은 비정형 데이터를 다루며 트랜스포머 기반 생성형 AI에도 쓰입니다. 현재 공개 USA-NA-AIO 실라버스와 보관된 2026 KOAI/IOAI 출제 기준에는 MLP·역전파·CNN·어텐션·트랜스포머 등이 포함되지만, 대회·부문·시즌별 범위와 도구는 서로 다릅니다. 이 페이지는 학습 가이드이며 대회나 입시의 제출 규정을 대신하지 않습니다.
게시일: 2026년 5월 28일 | 최종 수정: 2026년 8월 29일
딥러닝 학습 기록도 국제학교 EC와 과고·영재고 탐구에서 학업 우선순위와 제출 경계가 다릅니다. 국제학교 경로를 먼저, 과고·영재고 경로를 다음에 확인하세요.
딥러닝은 머신러닝의 부분집합입니다. 머신러닝이 "데이터에서 패턴을 학습하는 방법 전체"를 가리킨다면, 딥러닝은 그중에서도 다층 인공신경망을 이용하는 방법만을 뜻합니다. 둘은 경쟁 관계가 아니라, 딥러닝이 머신러닝 안에 포함된 구조입니다.
머신러닝 개념 전반이 궁금하다면 머신러닝이란 가이드를 먼저 읽어 보세요.
딥러닝의 핵심은 인공신경망(Artificial Neural Network)입니다. 뇌의 뉴런에서 영감을 받은 구조로, 실제 생물학적 모델과 동일하지는 않지만 데이터에서 패턴을 찾는 데 매우 효과적입니다.
신경망은 입력층(Input Layer), 하나 이상의 은닉층(Hidden Layer), 그리고 출력층(Output Layer)으로 이루어집니다. 입력층은 데이터를 받고 은닉층은 패턴을 추출하며 출력층은 최종 결과(예: 고양이인지 개인지)를 냅니다. "딥(Deep)"이라는 말은 은닉층이 여러 개 쌓여 있다는 뜻입니다.
각 층은 여러 개의 뉴런(Neuron)으로 구성됩니다. 뉴런은 이전 층에서 받은 값들에 가중치(Weight)를 곱해 더한 뒤, 활성화함수(Activation Function)를 거쳐 다음 층으로 값을 전달합니다. 활성화함수(ReLU, Sigmoid 등)는 신경망이 직선으로만 표현할 수 없는 복잡한 패턴을 학습하도록 비선형성을 더해 줍니다.
순전파(Forward Propagation)는 입력 데이터를 층 순서대로 통과시켜 예측값을 만드는 과정입니다. 예측이 틀리면 역전파(Backpropagation)로 오차를 거꾸로 전달해 각 가중치가 오차에 얼마나 기여했는지 계산합니다. 그리고 경사하강법(Gradient Descent)으로 가중치를 조금씩 조정합니다. 이 과정을 수천 번 반복하면 신경망이 점점 정확해집니다. PyTorch는 역전파 계산을 자동으로 처리해 주어(autograd), 직접 미분 수식을 짜지 않아도 됩니다.
수식이 어렵다면 이렇게 생각해 보세요. 신경망은 처음에 가중치를 무작위로 설정해 두고 틀릴 때마다 "어느 부분이 가장 크게 틀렸나?"를 역으로 추적해 가중치를 조금씩 고쳐 나가는 수정 과정을 반복합니다. 사람이 시험을 보고, 오답을 확인하고 복습하는 과정과 비슷합니다.
딥러닝에는 데이터의 종류에 따라 최적화된 여러 신경망 구조가 있습니다. 처음부터 전부 배울 필요는 없지만 각각이 어디에 쓰이는지는 알아 두면 공부 방향을 잡는 데 도움이 됩니다.
| 이름 | 영문 | 특징 | 주요 사용처 |
|---|---|---|---|
| 다층 퍼셉트론 | MLP | 가장 기본적인 신경망. 완전 연결(fully connected) 층으로만 구성. | 정형 데이터 분류, 회귀, 학습 입문 |
| 합성곱 신경망 | CNN | 이미지의 공간적 패턴(가장자리, 질감 등)을 필터로 추출. | 이미지 분류, 객체 탐지, 의료 영상 |
| 순환 신경망 | RNN / LSTM | 이전 시점의 정보를 기억해 순서가 있는 데이터에 강함. | 시계열, 음성, 초기 자연어 처리 |
| 트랜스포머 | Transformer | 어텐션(attention) 메커니즘으로 입력 전체의 관계를 동시에 파악. 현대 NLP와 생성형 AI의 핵심. | ChatGPT, 번역, 텍스트 생성, 이미지 생성 |
학생 수준에서는 MLP로 구조를 익히고 CNN으로 이미지 프로젝트를 만들어 보는 순서를 권합니다. 트랜스포머는 개념을 먼저 이해한 뒤 Hugging Face 같은 라이브러리로 사전 학습 모델을 사용해 보는 것이 현실적입니다.
현재 공개 USA-NA-AIO 실라버스는 딥러닝 기초·트랜스포머·NLP·컴퓨터 비전·생성형 AI를 제시합니다. 보관된 2026 KOAI/IOAI 출제 기준도 신경망·딥러닝·컴퓨터 비전·NLP를 포함했지만, 2026 KOAI 고등부는 1~4과목, 중등부는 1·2과목을 다뤘습니다. 다음 시즌에는 새 공식 실라버스와 부문별 범위를 다시 확인해야 합니다.
| 이 페이지에서 배운 개념 | USAAIO 출제 영역 | 비고 |
|---|---|---|
| 다층 퍼셉트론(MLP), 순전파·역전파, 경사하강법 | Deep learning foundations | 가중치, 활성화함수, autograd 포함 |
| 트랜스포머, 어텐션 메커니즘 | Transformers + NLP (토큰화·임베딩·사전학습·미세조정) | GPT·BERT 계열 구조 이해 필요 |
| CNN, 객체 탐지 | Computer vision | 이미지 분류·탐지·분할 포함 |
| 오토인코더, GAN, 디퓨전 모델 | Generative AI | 이미지·텍스트 생성 원리 |
현재 USA-NA-AIO 실라버스는 선형대수, 확률통계, 다변수미적분, 볼록최적화를 수학 기초로 제시합니다. 어느 단계에서 평가하는지는 해당 시즌 공식 규정과 문제 안내를 함께 확인합니다.
현재 USA-NA-AIO 딥러닝 문제는 PyTorch를 명시적으로 요구합니다(TensorFlow가 아님). 보관된 2026 KOAI/IOAI 기준은 PyTorch 기초를 포함했으며 다음 시즌 도구 규칙은 새 공고를 확인해야 합니다.
딥러닝은 본질적으로 고등 이상의 수준입니다. 선형대수·미적분·확률통계가 배경으로 필요하고 코드 구현도 Python 중급 이상을 요구합니다. 그렇다고 초등·중학생에게 문이 완전히 닫혀 있는 것은 아닙니다. 학년마다 현실적인 접근 방식이 따로 있습니다.
수학이나 코드 없이 "신경망이 수많은 예시에서 패턴을 찾는다"는 핵심 아이디어만 직관적으로 익힙니다. 생성형 AI 이미지·글쓰기 도구를 보호자와 함께 안전하게 써 보며 "AI가 어떻게 이런 것을 만들까?"를 함께 이야기하는 것이 출발점입니다.
Python과 머신러닝 기초를 먼저 다진 뒤, PyTorch로 아주 작은 신경망(2-3층 MLP)을 만져 보는 정도까지 가능합니다. CNN이 이미지를 어떻게 보는지 개념 위주로 이해하고 본격적인 이론과 수학은 고등 진학 후로 미루는 것이 무리 없는 속도입니다.
현재 USA-NA-AIO와 보관된 2026 KOAI/IOAI 출제 기준에 겹치는 MLP 순전파·역전파, CNN, 트랜스포머·어텐션을 PyTorch로 단계적으로 학습합니다. 선형대수·확률통계·미적분을 병행하고 목표 시즌의 공식 범위가 공개되면 학습 순서를 다시 맞춥니다.
딥러닝 코드를 작성할 때 처음부터 행렬 연산과 역전파를 직접 구현하지는 않습니다. 대신 프레임워크를 사용합니다. 현재 가장 널리 쓰이는 두 가지는 PyTorch와 TensorFlow입니다.
GPU가 없는 학생도 Google Colab(colab.google.com)에서 무료 GPU를 사용해 PyTorch 코드를 바로 실행할 수 있습니다. 별도 설치 없이 브라우저에서 노트북 파일을 열어 실행하면 됩니다. 처음 실습 환경으로 가장 적합합니다.
아래 자료는 전 세계 학생과 연구자들이 실제로 사용하는 검증된 학습 자료입니다. 별도 결제 없이 무료로 접근 가능합니다.
pytorch.org/tutorials. 텐서 기초부터 CNN, 트랜스포머까지 단계별로 구성되어 있습니다. 코드와 설명이 함께 있어 독학에 적합합니다.
d2l.ai. 이론, 수학, 코드를 함께 다루는 대학 교재 수준의 무료 책입니다. PyTorch 기반으로 실습 코드를 직접 실행할 수 있습니다.
cs231n.stanford.edu. CNN과 이미지 처리 딥러닝의 대표 강의입니다. 강의 노트와 과제가 공개되어 있어 학생이 혼자 따라갈 수 있습니다.
web.stanford.edu/class/cs224n. 트랜스포머와 NLP의 핵심을 다루는 강의입니다. 현대 언어 모델의 원리를 이해하고 싶다면 필수 자료입니다.
아래 5단계는 현재 공개 USA-NA-AIO 실라버스와 보관된 2026 KOAI/IOAI 기준에 겹치는 기초를 학습하는 순서입니다. 특정 라운드 통과나 포트폴리오 제출을 보장하는 경로가 아니며 목표 시즌 공식 범위에 맞춰 조정합니다.
머신러닝 기초 먼저
지도 학습, 손실 함수, 과적합, 평가지표 같은 개념을 먼저 이해합니다. 현재 USA-NA-AIO 실라버스와 보관된 2026 KOAI/IOAI 기준은 모두 고전 머신러닝 기초를 포함하지만 다음 시즌 범위는 새 공고를 확인해야 합니다. 머신러닝 가이드 보기
Python / NumPy + 수학 기초 병행
NumPy 배열(ndarray) 연산에 익숙해지고 선형대수(행렬 곱·고유값)와 미분(편미분·연쇄법칙)을 함께 훑습니다. 현재 USA-NA-AIO 실라버스가 제시한 수학 기초(선형대수·확률통계·다변수미적분·볼록최적화)를 학생 수준에 맞춰 단계적으로 보강합니다.
PyTorch로 MLP 직접 구현
PyTorch 공식 튜토리얼을 따라 텐서 연산과 자동 미분(autograd)을 익히고 MLP를 직접 구현합니다. 순전파·역전파·경사하강법은 현재 USA-NA-AIO와 보관된 2026 KOAI/IOAI 기준에 공통으로 나타나는 기초입니다.
CNN + 트랜스포머로 범위 확장
CIFAR-10으로 CNN 이미지 분류를 구현하고 사전 학습 트랜스포머 모델의 미세조정을 경험합니다. 이는 현재 USA-NA-AIO의 Computer vision, Transformers·NLP 영역과 겹치는 학습 예시이며 전체 출제 범위를 대신하지 않습니다.
학생 주도 프로젝트로 학습 검증
관심 있는 문제에 딥러닝을 적용하고 질문·데이터·비교 실험·결과·한계를 학생이 직접 기록합니다. GitHub는 기록 도구이며 대회·학교·대학 제출 가능 여부는 해당 시즌 공식 규정을 따로 확인합니다. AI 프로젝트 가이드 | 추천 학습 자료
위 자료들은 모두 훌륭하지만 영어 강의를 끝까지 따라가거나 어디서 막혔는지 혼자 진단하기는 쉽지 않습니다. CIT는 학생의 현재 수준을 먼저 진단하고 학년과 목표(입시 포트폴리오 또는 올림피아드)에 맞춘 개인 로드맵을 설계해 1:1 또는 1:n 소수 그룹으로 지도합니다.
수준 진단
Python, 수학, 딥러닝 이해도를 파악해 출발점을 정확히 설정합니다.
맞춤 로드맵
입시 포트폴리오를 목표로 하는 학생과 올림피아드를 준비하는 학생은 커리큘럼이 다릅니다.
온라인 동일 커리큘럼
압구정 오프라인 수업과 동일한 내용으로 온라인 1:1 개인·1:n 소수 그룹 세션을 운영합니다. 해외 거주 가정도 참여 가능합니다.
딥러닝은 여러 층(layer)으로 쌓은 인공신경망을 이용해 데이터에서 복잡한 패턴을 자동으로 학습하는 머신러닝의 한 분야입니다. 이미지, 음성, 자연어처럼 비정형 데이터를 다루는 데 강하며 ChatGPT 같은 생성형 AI도 딥러닝(트랜스포머)을 기반으로 동작합니다.
현재 공개된 USA-NA-AIO 실라버스(2026년 8월 29일 확인)는 Deep learning foundations, Transformers, Natural language processing, Computer vision and generative AI를 구분해 제시합니다. MLP·순전파·역전파, 어텐션·트랜스포머, CNN·객체 탐지·생성 모델을 이론과 프로그래밍 양쪽에서 다루며 딥러닝 문제는 TensorFlow가 아닌 PyTorch로 구현하도록 명시합니다. 어느 단계에서 어떻게 평가하는지는 해당 시즌 공식 규정과 문제 안내를 함께 확인해야 합니다.
현재 공개된 USA-NA-AIO 실라버스와 보관된 2026 KOAI/IOAI 출제 기준에는 어텐션과 트랜스포머가 포함됩니다. 다만 2026 KOAI는 고등부가 1~4과목, 중등부가 1·2과목을 다뤘으므로 부문별 범위를 같다고 볼 수 없습니다. 다음 시즌에는 새 공식 실라버스와 부문·단계별 범위를 다시 확인하고, 개념 이해와 라이브러리 실습을 구분해 준비해야 합니다.
현재 USA-NA-AIO 공식 실라버스는 딥러닝 문제를 TensorFlow가 아니라 PyTorch로 구현해야 한다고 명시합니다. 보관된 2026 KOAI/IOAI 출제 기준도 PyTorch 기초와 텐서·모델 학습을 포함하지만, 모든 대회와 다음 시즌에 같은 도구 규칙이 자동 적용된다는 뜻은 아닙니다. 목표 대회의 해당 시즌 공식 실라버스와 허용 도구를 먼저 확인한 뒤 학습 도구를 정합니다.
CNN(합성곱 신경망)은 이미지 데이터의 공간적 패턴을 포착하는 데 특화되어 있어 이미지 분류, 객체 탐지, 의료 영상 분석 등에 주로 쓰입니다. 트랜스포머는 문장처럼 순서가 있는 데이터에서 단어 사이의 관계를 파악하는 어텐션(attention) 메커니즘을 활용하며 현대 자연어 처리와 생성형 AI의 핵심 구조입니다.
역전파는 신경망이 틀린 예측을 했을 때 그 오차를 출력층에서 입력층 방향으로 거슬러 올라가며 각 가중치가 오차에 얼마나 기여했는지 계산하는 과정입니다. 이 정보를 이용해 경사하강법으로 가중치를 조금씩 조정하면 신경망이 점점 정확해집니다. PyTorch는 이 계산을 자동으로 처리해 주는 자동 미분(autograd) 기능을 제공합니다.
이미지 분류기, 감정 분석기, 작은 생성 모델 등을 만들 수 있습니다. 공개 데이터셋 실습은 개념을 배우는 출발점이며, 학생이 새 질문·비교 실험·결과 해석과 한계를 더해 자신의 프로젝트로 확장할 수 있습니다. GitHub에는 학습 기록으로 남길 수 있지만 대회·과고·영재고·대학의 포트폴리오나 제출 자료로 사용할 수 있는지는 각 기관의 해당 연도 공식 규정을 확인해야 합니다.