SKALA 3기 강의 계획 2026
Outcome (완료 조건)
SKALA 3기 ‘데이터분석 및 MLOps’, ‘생성형 AI’ 두 교과목 강의 운영 완료 + 학생 평가
Why This Project
AX 교육 전임 교수로의 커리어 전환을 위한 실제 강의 운영. Agentic AI 교육 멘토 경험을 바탕으로 체계적인 강의안·실습 자료 구축. (참고: agentic-automation-portfolio → LectureBuilder 에이전트)
Context
강의 담당 과목
1️⃣ 데이터분석 및 MLOps
- 편성시간: 총 136시간 (약 17주)
- 모듈 구성 (7개):
| # | 모듈명 | 시간 | 핵심 학습 내용 |
|---|---|---|---|
| 1 | 데이터 분석을 위한 Python 이해 | 24h | Python 기초 · AI Native 패러다임 · 환경설정 |
| 2 | 데이터 분석 개요 및 기초통계 | 24h | 기초통계 · EDA · 전처리 · 시각화 |
| 3 | 머신러닝 및 딥러닝 이해 | 24h | Decision Tree · Ensemble · DL 기초 |
| 4 | 모델 서빙을 위한 Python 심화, FastAPI | 16h | FastAPI · Docker · API · DB연동 |
| 5 | 모델 개발 및 최적화 | 16h | Feature Engineering · 학습 · 최적화 · 평가 |
| 6 | MLOps 구성 및 모델 서빙 | 16h | AI 서비스 · 모델 배포 · 거버넌스 |
| 7 | 데이터 분석 Mini-project | 16h | 실습 프로젝트 |
2️⃣ 생성형 AI
- 편성시간: 총 120시간 (약 15주)
- 모듈 구성 (6개):
| # | 모듈명 | 시간 | 핵심 학습 내용 |
|---|---|---|---|
| 1 | 생성형 AI 기초 및 Prompt Engineering | 16h | 생성형 AI 이해 · LLM 원리 · 비즈니스 · Prompt Engineering |
| 2 | LLM 모델 이해 및 활용 | 16h | NLP 기초 · Transformer 아키텍처 · LLM 구조 · Fine-tuning |
| 3 | Vector DB | 16h | Vector DB 기초 · 유사도 측정 · 인덱싱 알고리즘 · Embedding · 고급 검색 |
| 4 | 생성형 AI 서비스 개발의 이해 (LangChain) | 24h | LLM 활용 · LangChain 프레임워크 · Agent · RAG 구조 · 배포 |
| 5 | RAG Pipeline 설계 및 구축 | 24h | RAG 개요 · 검색·생성 최적화 · 평가 · 확장 전략 |
| 6 | AI Agent 설계 및 구축 | 24h | AI 진화 과정 · Agent 아키텍처 · 멀티모달 · 실행 구조 |
현황 분석 (2026-04-27 업데이트)
| 항목 | 상태 | 비고 |
|---|---|---|
| 강의 시작 시점 | ✅ 확정 | 2026-07-01 (SKALA 3기) |
| 소스 수집 (데이터분석) | ✅ 100% | 25개 sources (Module 1-7) + 교육방법론·기술기초 9개 = 34개 완성, 품질 검수 우수(82/100) |
| 소스 수집 (생성형 AI) | ✅ 95% | Batch 1~5 완료 — Transformer·Prompt·Vector DB·LangChain·RAG·Agent 19개 수집 완료 (잔여: SKALA 현업 자료 5월 예정) |
| 강의안 준비 | ✅ 90% | 강의안 초안 완성, wiki 구조 정리 및 모듈 계층 분리 완료 |
| 데이터셋 | ✅ 100% | 35개 확정 (모듈별 3-5개, Kaggle+정부데이터) |
| 교차참조 | ✅ 100% | 모듈 간 선행→후속 체인 + Sources 링크 전수 검증 완료 |
| 생성형 AI 커리큘럼 | ✅ 100% | 6개 모듈 구조 확정 (총 120시간) |
| 생성형 AI 강의목표 | ✅ 100% | Gen-1~6 ABCD 학습목표 12개 완성 → concepts/ 6개 파일, Sources 링크 19개 검증·수정 완료 |
| 강의 슬라이드 | ⏳ 0% | 강의안 기반 PPT/Slides 제작 대기 (5월 1주~) |
| Jupyter 노트북 | ⏳ 0% | 템플릿 32개 (데이터분석 26 + 생성형AI 6) 제작 대기 (5월) |
| 실습 가이드 | ⏳ 0% | 마크다운 문서 + 데이터셋 다운로드 자동화 대기 (5월) |
| 평가 기준 | 📋 60% | 루브릭 초안 포함, 예시답안·채점가이드 추가 필요 (6월) |
| 인프라 | ✅ 완료 | wiki 기반 강의안 구축, 폴더 구조 정리, PreToolUse Hook 설치 |
교재 분석 결과
SKALA 3기 커리큘럼 구조
SKALA 3기는 4단계 프로그래시브 러닝 경로(기초 → 엔지니어링 → 데이터/AI → 프로젝트, 총 ~288시간)로 구성됨
당신의 담당: Phase 3 (데이터분석 및 MLOps 136h + 생성형 AI 120h = 256h)
[상세 커리큘럼 맵핑: skala-curriculum-structure-analysis-2026 참고]
⭐ 당신의 담당 영역: Phase 3
3-A: 데이터분석 및 MLOps (136시간, 7개 모듈)
- Python → EDA → ML/DL → FastAPI → 최적화 → MLOps → Mini-project
3-B: 생성형 AI (120시간, 6개 모듈)
- Prompt Eng → LLM & Fine-tune → Vector DB → LangChain → RAG → Agent
기초: Phase 1-2에서 Python, 데이터베이스, Docker, K8s 학습 후 당신의 Module로 진입 통합: Phase 4의 “AI 서비스 개발 Mini-project” (RAG + Vector DB + FastAPI) 로 최종 통합
🎯 강의안 설계 원칙
| 원칙 | 설명 |
|---|---|
| 누적 학습 경로 | Phase 1 기초 → Phase 3 심화 로직 흐름 명시 |
| 선행 개념 재사용 | 각 모듈별 강의 시 “이전에 배운 X를 여기서 활용” 명시 |
| 실무 사례 연계 | 각 강의 목차마다 현실의 MLOps 파이프라인과 맵핑 |
| Hands-on 설계 | 이론 → 실습 → 프로젝트의 3단계 구조 |
강의 목표 정의 (ABCD + Bloom 기반)
프레임워크
learning-objectives-abcd — ABCD 4요소 (Audience·Behavior·Condition·Degree) + bloom-taxonomy 6단계 인지 수준
📊 1️⃣ 데이터분석 및 MLOps (7개 모듈, 136h)
| 모듈 | 제목 | 시간 | 학습목표 | Bloom 최고 | 상세 |
|---|---|---|---|---|---|
| 1 | Python 이해 | 24h | 4개 | Apply | module-1-python-learning-objectives |
| 2 | EDA & 기초통계 | 24h | 3개 | Create | module-2-eda-learning-objectives |
| 3 | ML/DL 이해 | 24h | 4개 | Apply | module-3-ml-dl-learning-objectives |
| 4 | FastAPI 심화 | 16h | 3개 | Apply | module-4-fastapi-learning-objectives |
| 5 | 모델 최적화 | 16h | 3개 | Apply | module-5-model-optimization-learning-objectives |
| 6 | MLOps 배포 | 16h | 3개 | Apply | module-6-mlops-learning-objectives |
| 7 | Mini-project | 16h | 4개 | Create | module-7-mini-project-learning-objectives |
| 합계 | 136h | 24개 |
📌 모듈 1: 데이터 분석을 위한 Python 이해 (24h)
➡️ 상세 내용: module-1-python-learning-objectives
📌 모듈 2: 데이터 분석 개요 및 기초통계 (24h)
➡️ 상세 내용: module-2-eda-learning-objectives
📌 모듈 3: 머신러닝 및 딥러닝 이해 (24h)
➡️ 상세 내용: module-3-ml-dl-learning-objectives
📌 모듈 4: 모델 서빙을 위한 Python 심화, FastAPI (16h)
➡️ 상세 내용: module-4-fastapi-learning-objectives
📌 모듈 5: 모델 개발 및 최적화 (16h)
➡️ 상세 내용: module-5-model-optimization-learning-objectives
📌 모듈 6: MLOps 구성 및 모델 서빙 (16h)
➡️ 상세 내용: module-6-mlops-learning-objectives
📌 모듈 7: 데이터 분석 Mini-project (16h)
➡️ 상세 내용: module-7-mini-project-learning-objectives
🤖 2️⃣ 생성형 AI (6개 모듈, 120h)
| 모듈 | 제목 | 시간 | 학습목표 | Bloom 최고 | 상세 |
|---|---|---|---|---|---|
| Gen-1 | Prompt Engineering | 16h | 2개 | Apply | gen-1-prompt-engineering-learning-objectives |
| Gen-2 | LLM 활용 & Fine-tuning | 16h | 2개 | Apply | gen-2-llm-finetuning-learning-objectives |
| Gen-3 | Vector DB | 16h | 2개 | Apply | gen-3-vector-db-learning-objectives |
| Gen-4 | LangChain 개발 | 24h | 2개 | Create | gen-4-langchain-learning-objectives |
| Gen-5 | RAG Pipeline | 24h | 2개 | Create | gen-5-rag-pipeline-learning-objectives |
| Gen-6 | AI Agent 설계 | 24h | 2개 | Create | gen-6-ai-agent-learning-objectives |
| 합계 | 120h | 12개 |
📌 모듈 Gen-1: 생성형 AI 기초 및 Prompt Engineering (16h)
➡️ 상세 내용: gen-1-prompt-engineering-learning-objectives
📌 모듈 Gen-2: LLM 모델 이해 및 활용 (16h)
➡️ 상세 내용: gen-2-llm-finetuning-learning-objectives
📌 모듈 Gen-3: Vector DB (16h)
➡️ 상세 내용: gen-3-vector-db-learning-objectives
📌 모듈 Gen-4: 생성형 AI 서비스 개발의 이해 (LangChain) (24h)
➡️ 상세 내용: gen-4-langchain-learning-objectives
📌 모듈 Gen-5: RAG Pipeline 설계 및 구축 (24h)
➡️ 상세 내용: gen-5-rag-pipeline-learning-objectives
📌 모듈 Gen-6: AI Agent 설계 및 구축 (24h)
➡️ 상세 내용: gen-6-ai-agent-learning-objectives
Knowledge Pulls
Related
agentic-automation-portfolio
- LectureBuilder 에이전트: 강의안 자동 생성 및 개선 루프
- 활용 지점: 강의 커리큘럼 구조화 → 강의안 생성 → 피드백 기반 개선
agentic-ai-curriculum
- 4단계 커리큘럼: LLM기초 → RAG → 에이전트 → 멀티에이전트
- 활용 지점: ‘생성형 AI’ 과목 커리큘럼 설계 기준
📚 소스 수집 계획
전략 및 상세 커맨드
lecture-sources-strategy-synthesis-2026 — 6개 카테고리, 구체적 수집 전략, /ingest 커맨드
목표: 데이터분석 및 MLOps 7개 모듈 + 생성형 AI 6개 모듈의 강의목표 정의를 위한 참고 자료·실무 사례 수집
수집 상태 (2026-04-27):
- ✅ 1. 교육 설계 방법론 (3개 sources)
- ✅ 2. Python 데이터분석 실무 (5개+ sources)
- ✅ 3. ML/DL 실무 (5개+ sources)
- ✅ 4. MLOps & 모델 서빙 (4개+ sources)
- ⏳ 5. 생성형 AI 기술 (~6개, 5월 15일 예정)
- ⏳ 6. SKALA & 현업 역량 (~3개, 5월 1일 예정)
실행 일정:
- Phase 1: 강의 계획 수립 (4월 25일~5월 25일) — 소수 수집 완료 ✅
- Phase 2: 강의 자료 완성 (5월 26일~6월 30일) — 생성형 AI 소수 최종 확보
- Phase 3: 강의 운영 (7월 1일~)
강의안 및 교수 방안 ✅
📌 산출물
lecture-plan-teaching-guide-2026 ⭐ 1차 강의(데이터분석 및 MLOps) 완전한 강의안
- 모든 Module 1-7의 세부 강의 계획 (Objective별)
- 각 모듈별 슬라이드 구성 (총 179장 추정)
- 실습별 난이도·시간·단계별 진행·루브릭
- Module 7 Mini-project 6단계 상세화
강의안 주요 내용
| 모듈 | 시간 | 슬라이드 | Objective | 실습 개수 |
|---|---|---|---|---|
| M1: Python 기초 | 24h | 28장 | 4개 | 4개 |
| M2: EDA & 통계 | 24h | 23장 | 3개 | 4개 |
| M3: ML/DL 이해 | 24h | 42장 | 4개 | 4개 |
| M4: FastAPI | 16h | 27장 | 3개 | 3개 |
| M5: 모델 최적화 | 16h | 21장 | 3개 | 4개 |
| M6: MLOps 배포 | 16h | 23장 | 3개 | 4개 |
| M7: Mini-project | 16h | 15장 | 프로젝트 | 6단계 |
| 합계 | 136h | 179장 | 25개 | 26개 + 프로젝트 |
강의안 특징
✅ 각 Objective별:
- 강의 포인트 정리
- 슬라이드 구성 (이론·사례·실습·활동 포함)
- 학생 오류 3가지 + 대응책
✅ 각 실습별:
- 난이도 (초급/중급/고급) 명시
- 예상 시간 · 데이터셋 · 단계별 진행
- 예상 결과물 명확화
✅ 평가:
- 모든 실습·과제에 루브릭(4-5개 기준)
- 점수 배분 명시 (만점 기준)
✅ Module 7 Mini-project:
- 3가지 주제 제시 (주택 가격·고객 이탈·의료 진단)
- 6단계 프로세스 (데이터셋→EDA→모델→최적화→API→문서화)
- 각 단계별 평가 기준 · 타임라인
Plan
Phase 1: 강의 계획 수립 (2026-04-25 ~ 2026-05-25) ✅ 85% 완료
| 작업 | 일정 | 산출물 | 상태 |
|---|---|---|---|
| 데이터분석 및 MLOps 소스 수집 | 4월 26일 | sources 25개 + 품질 검수 우수(82/100) | ✅ 완료 |
| 데이터분석 및 MLOps 강의안 초안 | 4월 26일 | lecture-plan-teaching-guide-2026 (179장, 25개 Objective) | ✅ 완료 |
| 데이터셋 추천 | 4월 26일 | lecture-datasets-recommendation-2026-04-26 (35개) | ✅ 완료 |
| 모듈 간 교차참조 강화 | 4월 26일 | 12개 sources 파일 + lecture-planning 업데이트 | ✅ 완료 |
| 생성형 AI 커리큘럼 확인 | 4월 중 | 6개 모듈 커리큘럼 정의 완료 (120시간) | ✅ 기존 완료 |
| 강의 슬라이드 제작 | 5월 1주~3주 | PowerPoint/Slides 180장 (강의안 기반) | 🔜 대기 중 |
| 실습 코드 템플릿 | 5월 1주~4주 | 각 모듈별 Jupyter 노트북 26개 | 🔜 대기 중 |
| 평가 기준 최종화 | 6월 1주~2주 | 루브릭·예시답안·채점가이드 | 🔜 대기 중 |
Phase 2: 강의 자료 완성 (2026-05-26 ~ 2026-06-30) ⏰ 강의 시작 전 완료 필수
| 작업 | 일정 | 산출물 |
|---|---|---|
| 강의안 검토 및 개선 | 6월 1주~2주 | 최종 강의 슬라이드 |
| 실습 자료 작성 | 6월 2주~3주 | 실습 코드 · 데이터셋 · 가이드 |
| 학생 평가 기준 정의 | 6월 3주 | 평가 기준서 · 채점 기준 |
| LectureBuilder 에이전트 연동 | 6월 4주 | 자동 개선 루프 구축 |
Phase 3: 강의 운영 (2026-07-01 ~ TBD)
| 작업 | 일정 | 활동 |
|---|---|---|
| 강의 운영 | 7월 1일~ | 주간 강의 · 실습 · 피드백 |
| 학생 평가 | 학기 말 | 과제 · 프로젝트 · 최종 평가 |
| 강의안 개선 | 지속 | 학생 피드백 기반 개선 |
Next Actions
우선순위별 작업 (2026-04-27 기준)
🔴 즉시 (4월 26~27일) — ✅ 완료
- 데이터분석 및 MLOps 소스 수집 & 품질 검수 완료
- 강의안 초안 (179장) 완성
- 데이터셋 35개 추천 확정
- 모듈 간 교차참조 강화 (선행→후속 체인)
- 생성형 AI 커리큘럼 구조 확정 (6개 모듈, 120시간)
- 프로젝트 진행현황 업데이트 (본 항목)
- 생성형 AI 강의목표 정의 (Gen-1~6 ABCD 학습목표 — concepts/ 13개 파일 완성)
- wiki 구조 정리 (Zettelkasten 계층 준수: resources/, comparisons/ 제거 → insights/)
- Gen-1~6 학습목표 Sources 링크 검증·수정 (19개 broken links 해소)
🟠 필수 (5월 1주~3주) ← 현재 단계
- 데이터분석 및 MLOps 강의 슬라이드 제작 (180장) — PowerPoint/Google Slides
- Jupyter 노트북 템플릿 26개 + 생성형 AI 모듈 6개 (문제·코드공간·출력)
- 실습 데이터셋 다운로드 + vault 저장
- 실습 가이드 문서 (마크다운)
- 생성형 AI 소스 수집 — Batch 1~5 완료 (Transformer/Prompt/Vector DB/LangChain/RAG/Agent 19개)
- 생성형 AI 강의 슬라이드 제작 (생성형 AI 모듈별 예상 120장)
🟡 권장 (5월 4주~6월 2주)
- 루브릭 최종화 (실제 학생 수준 고려)
- 각 과제별 예시 답안 작성
- 채점 가이드 문서
- Module 7 Mini-project 데이터셋 3개 확정
🟢 심화 (6월 3주~4주)
- agentic-automation-portfolio > LectureBuilder → 에이전트 구현 (선택)
- SKALA 2기 피드백 수집 (학생 레벨 확인)
- 강의안 최종 검증 (시간 배분·내용 정확성)
Risks
식별된 리스크
- R1 (Major): 6월 30일 교재 준비 기한 타이트 → 대응: 우선순위 설정 (데이터분석 모듈 먼저, 생성형 AI는 5월 중), Phase 1 일정 엄격히 준수
- R2 (Major): 생성형 AI 120시간(6개 모듈) 추가로 인한 준비량 대폭 증가 → 대응: 모듈별 강의목표 우선 정의 (4월 27일), 오픈소스 튜토리얼 최대 재활용, NotebookLM 합성 우선
- R3 (Medium): 2개 과목 동시 준비 + agentic-automation-portfolio 병행 → 대응: 주간 일정표 작성, LectureBuilder 우선 (자동화로 준비 시간 단축)
- R4 (Medium): 실제 강의 운영 경험 부족 → 대응: 초기 2주는 과도한 계획 피하기, 학생 피드백 즉시 반영
- R5 (Minor): 7월 1일 이후 강의 운영 중 자료 수정 필요 → 대응: Phase 3에서 지속적 개선 루프 유지
📋 품질 개선 계획 (2026-04-27 ~ 06-01)
품질 검수 결과(82/100) 기반 5단계 개선 로드맵:
P1 [완료] 양방향 링크 미완성 ✅
- 상태: 완료됨 (2026-04-27)
- 작업: wiki/index.md Sources 섹션에 9개 신규 sources 추가 + concepts 역링크
- 결과: 모든 소스 그래프에서 고립 상태 해제 (C2 이슈 해결)
P2 [5월] 교육 도메인 valid_as_of 개선
- 일정: 2026-05-01 ~ 05-03
- 대상: ABCD, Bloom’s Taxonomy 파일 3개 (current: 2020-2022년)
- 액션: 2025년 이후 최신 교육 이론 소스 1-2개 추가 ingest
- 영향: C1 Stale Claims 이슈 부분 해결
P3 [5월 중반] 개념 중복 통합
- 일정: 2026-05-10 ~ 05-15
- 작업: 기존 concepts와 신규 sources 간 경계 명확화
- sources = 구체적 도구/기법 중심 (코드, 예제)
- concepts = 원칙/이론 중심 (왜, 언제)
- 예: EDA 3계층 시각화 (concepts)와 data-visualization-3-layer (sources) 연결
P4 [완료] Wikilink 밀도✅
- 상태: 완료됨 (2026-04-27)
- 목표: 파일당 6-8개 위키링크
- 결과: transformer (7개), docker (6개), 모두 달성
P5 [5월] 강의 모듈 맵핑 명시화
- 일정: 2026-05-03 ~ 05-05
- 작업: 각 Module 섹션에 “사용 Sources (읽기 순서)” 명시
### Module 1: Python & 개발환경 **사용 Sources** (읽기 순서): 1. [[sources/python-type-hints-fastapi]] (1h) 2. [[sources/python-asyncio-daleseo]] (1.5h) - 효과: 강의 준비 시 sources 검색 시간 단축
📅 타임라인 및 담당
| 항목 | 일정 | 상태 | 영향 |
|---|---|---|---|
| P1: 양방향 링크 | 2026-04-28 (완료) | ✅ | C2 Critical 해결 |
| P2: 교육 신선도 | 2026-05-01~03 | ⏳ | C1 Stale Claims |
| P3: 개념 통합 | 2026-05-10~15 | ⏳ | 검색 정확도 개선 |
| P4: 링크 밀도 | 2026-04-27 (완료) | ✅ | 그래프 밀도 최적 |
| P5: 모듈 맵핑 | 2026-05-03~05 | ⏳ | 강의 운영 효율 |
🎯 핵심 마일스톤
- 2026-05-05: P1-P5 중 P1, P2, P4, P5 완료 → Module 1-3 강의 자료 100% 준비
- 2026-05-20: P3 완료 + 나머지 38개 raw/articles 중 15-20개 ingest → Module 4-7 강의 자료 80% 준비
- 2026-06-01: 모든 개선 사항 완료, 생성형 AI 6개 모듈 소스 수집 완료 → 전체 강의 자료 95% 완성
- 2026-06-30: 평가 기준 완성, 강의 슬라이드·실습 자료 최종 검수 → 강의 시작 준비 완료 ✅
Related Projects
- agentic-automation-portfolio — LectureBuilder 에이전트 (강의안 자동화)
- phase9-pkm-improvement — wiki 기반 강의 자료 관리 인프라
Retrospective
Close 시 필수 채움
- 무엇이 잘 됐나: TBD
- 무엇이 예상과 달랐나: TBD
- 학생 피드백: TBD
- 다음 강의에 이어갈 것: TBD