AI/ML Basic Class — 퀀트를 위한 머신러닝과 딥러닝

실행 제반여건 한눈에 보기

이 저장소를 실행하기 전에 아래 항목(소프트웨어/기술스택/요소기술/플랫폼/사양/비용)을 먼저 확인하세요.

1) 필수 소프트웨어(SW)

구분	필수/권장	비고
Git	필수	저장소 clone 용도
Python 3.11+	필수(로컬 실행 시)	Dockerfile 기준 `python:3.11-slim`
pip + venv	필수(로컬 실행 시)	`python3 -m venv .venv`
Docker Engine / Docker Desktop	권장(가장 쉬운 실행)	`docker compose up --build -d`
Docker Compose Plugin	권장	`docker compose version`으로 확인
Ollama 모델 파일	권장(LLM 해설 기능 사용 시)	`llama3.2` 기본(약 2GB 내외), `llama3.1` 대안(약 5GB 내외, 버전/양자화별 상이)

2) 주요 기술스택

Backend: FastAPI, Uvicorn
ML/DS: NumPy, Pandas, scikit-learn, Matplotlib, Seaborn
데이터/통신: HTTPX, python-multipart, FinanceDataReader
LLM 연동: Ollama (OLLAMA_URL, OLLAMA_MODEL)
벡터DB: Qdrant
Frontend: 정적 HTML/JS (FastAPI에서 SPA 형태로 서빙)
배포/실행: Docker, Docker Compose

3) 알아야 할 IT 요소기술(최소)

REST API 기본(요청/응답, JSON)
Python 가상환경(.venv) 활성화 후 패키지 설치(source .venv/bin/activate 후 pip install -r requirements.txt)
컨테이너 기본(Docker 이미지/컨테이너/볼륨/포트)
로그 확인 및 기본 트러블슈팅(docker compose logs, uvicorn 로그)
(선택) LLM/벡터DB 개념(Ollama, Qdrant 역할 이해)

4) 필요한 플랫폼

플랫폼	사용 목적
로컬 PC (Windows/macOS/Linux)	개발/학습/실습 실행
Docker 실행 환경	앱/LLM/벡터DB 통합 실행
클라우드(IaaS) 선택	원격 실습 서버 운영 시(예: AWS EC2, OpenStack)

5) 권장 PC 사양

구분	최소 사양(학습/기본 실습)	권장 사양(LLM 포함 원활 실행)
CPU	4코어	8코어 이상
RAM	16GB	32GB 이상
저장공간	여유 20GB+	여유 50GB+ (모델/데이터/이미지 포함)
GPU	필수 아님(CPU 가능)	NVIDIA GPU 권장(응답속도 개선)
네트워크	모델/패키지 다운로드 가능한 인터넷	동일

참고: Docker + Ollama + Qdrant + Python 라이브러리/데이터셋까지 고려하면 디스크 여유 공간이 충분해야 합니다.

6) 클라우드 사용 시 대략 비용(예시)

아래는 2026년 5월 기준, 24시간 상시 구동 가정의 대략적인 월 비용 예시입니다. (리전/환율/트래픽/디스크/과금정책 변경에 따라 크게 달라질 수 있음)

시나리오	예시 구성	월 예상 비용(USD)
최소 실습형 (CPU)	2 vCPU / 4GB RAM + 스토리지 30~50GB	약 $25 ~ $60
표준 실습형 (CPU)	4 vCPU / 8GB RAM + 스토리지 50~100GB	약 $60 ~ $140
LLM 가속형 (GPU)	GPU 1장 + 8~16 vCPU + 30GB+ RAM	약 $300+

비용 절감 팁: 수업 시간에만 인스턴스 실행(Stop/Start), 스냅샷/백업 최소화, 트래픽 모니터링.
로컬 PC 자원이 충분하면 Docker 기반 로컬 실행이 일반적으로 가장 저렴합니다.

AI, ML, DL: 알고리즘과 기법의 관점에서 이해하기

AI(인공지능)의 머신러닝(ML)과 딥러닝(DL)은 본질적으로 데이터를 처리하고 학습하기 위한 수학적 알고리즘과 구조적 기법의 집합입니다. 이를 보다 구체적으로 분류하여 설명해 드립니다.

1. 개념적 계층 구조

AI는 가장 넓은 범주이며, ML과 DL은 그 구현을 위한 구체적인 방법론입니다.

AI (Artificial Intelligence): 인간의 지능을 모방하는 모든 기술 (가장 넓은 개념)
ML (Machine Learning): 데이터를 통해 컴퓨터가 스스로 학습하게 하는 알고리즘
DL (Deep Learning): 인간의 뇌 신경망을 모방한 인공신경망(ANN) 구조를 활용한 ML의 하위 기법

2. 왜 '알고리즘'이자 '기법'인가?

① 수학적 알고리즘으로서의 면모

ML/DL 모델의 핵심은 **최적화(Optimization)**와 **통계(Statistics)**입니다.

경사하강법 (Gradient Descent): 모델의 오차를 최소화하기 위해 가중치를 조절하는 알고리즘.
오차 역전파 (Backpropagation): 출력층의 오차를 입력층 방향으로 전달하며 학습시키는 알고리즘.
확률적 모델링: 데이터의 분포를 수학적으로 정의하고 예측하는 과정.

② 구조적 기법(Architecture)으로서의 면모

데이터의 특성에 따라 모델을 설계하는 방식 자체가 하나의 고도화된 기술(Technique)입니다.

CNN (Convolutional Neural Networks): 이미지의 특징을 추출하기 위한 필터링 기법.
RNN (Recurrent Neural Networks): 시계열 데이터나 텍스트의 순서를 기억하기 위한 순환 구조 기법.
Transformer: 데이터 간의 관계를 파악하는 'Attention' 메커니즘을 활용한 최신 기법 (ChatGPT의 기반).

3. 전통적 알고리즘 vs AI 모델

구분	전통적 알고리즘 (Rule-based)	AI 모델 (ML/DL)
핵심	사람이 규칙을 직접 정의 (If-Then)	데이터에서 규칙을 스스로 찾아냄
유연성	정해진 조건 외의 데이터에 취약	새로운 데이터 패턴에 대한 적응력이 높음
결과물	특정 작업을 수행하는 코드	데이터를 함수로 변환한 모델(Model)

4. 결론: "모델"은 무엇인가?

결국 우리가 말하는 **'모델'**이란, 특정 알고리즘을 사용해 데이터를 학습시킨 결과로 얻어진 **복잡한 수식(함수)**을 의미합니다.

"AI 모델링은 데이터라는 재료를 알고리즘이라는 요리법을 통해, 예측이나 판단을 수행하는 수학적 함수로 만들어내는 과정이다."

따라서 알고리즘의 수학적배경이나 복잡한 알고리즘, 기법을 이해하려 시간을 보내는 것은 무의미 합니다.

주식투자도 기법이 있듯이 본 과정은 알려져 있는 알고리즘, 기법을 AI 코딩을 통해 솔루션을 만드는 과정 입니다.

문서와 연결된 실습 코드 + FastAPI 백엔드 + 주식 AI 실험실(웹 앱)로 구성된 AI/ML 학습 환경입니다.
실습을 선택하고 "실행" 버튼만 누르면 Python 코드와 실행 결과를 브라우저에서 바로 확인할 수 있습니다.

이 저장소는 크게 3층으로 움직입니다.

FE(웹 화면) 가 사용자의 입력, 버튼 선택, 차트 렌더링을 담당합니다.
BE(FastAPI) 가 데이터를 가공하고 ML/DL 모델을 실행해 결과를 계산합니다.
Ollama 가 계산된 결과를 받아 사람이 읽기 쉬운 자연어 설명으로 바꿔 줍니다.

즉, 이 repo에서는 ML/DL의 숫자 결과는 백엔드가 만들고, Ollama는 그 결과를 설명하는 AI 해설사 역할을 맡습니다.

웹앱 전체 실행/연동 다이어그램 (BE 진입점 → Chapter 실행 → FE 연동)

flowchart TD
  A["Uvicorn 진입점<br/>uvicorn backend.app.main:app"] --> B["backend/app/main.py<br/>FastAPI app 초기화"]

  subgraph BE["FastAPI Backend (main.py)"]
    B --> R1["SPA 라우트<br/>/, /lab, /predict, /advisor, /dart, /macro, /datasets, /hotel-stock"]
    B --> R2["API 라우트"]

    R2 --> C1["/api/chapters*"]
    C1 --> C2["_list_chapter_dirs()<br/>backend/app/chapters/chapter* 스캔"]
    C1 --> C3["/api/chapters/{id}/source<br/>practice.py 소스 반환"]
    C1 --> C4["/api/chapters/{id}/run"]
    C4 --> C5["_exec_run(id, params)"]
    C5 --> C6["practice.py 로드<br/>exec(compile(...))"]
    C6 --> C7["run() / run_with_params() 실행"]
    C7 --> C8["result + stdout + elapsed_ms 반환(JSON)"]

    R2 --> S1["/api/stock/analyze"]
    R2 --> S2["/api/stock/predict-target"]
    R2 --> S3["/api/hotel-stock/train"]
    R2 --> S4["/api/datasets, /api/datasets/{id}, /api/datasets/{id}/adapted/stock-lab"]
    R2 --> S5["/api/stock/news-consult"]
    R2 --> S6["/api/chat, /api/ollama/status, /api/assistant/route"]
    S6 --> O1["Ollama API 호출<br/>(/api/generate, /api/tags)"]
  end

  subgraph FE["Frontend Pages + JS"]
    F0["/ (index.html)<br/>화면 진입/메뉴"] --> F1["/lab (stock_lab.html + stock_lab.js)"]
    F0 --> F2["/predict (stock_predict.html)"]
    F0 --> F3["/datasets (datasets.html)"]
    F0 --> F4["/hotel-stock (hotel_stock.html)"]
    F0 --> F5["/advisor (stock_advisor.html)"]
    F0 --> F6["학습 허브 UI (app.js)<br/>챕터/문서 실행 화면"]
  end

  R1 --> FE

  F1 -->|"fetch /api/stock/analyze"| S1
  F1 -->|"fetch /api/chat, /api/ollama/status"| S6
  F1 -->|"fetch /api/datasets/{id}/adapted/stock-lab"| S4
  F2 -->|"fetch /api/stock/predict-target"| S2
  F3 -->|"fetch /api/datasets* "| S4
  F4 -->|"fetch /api/hotel-stock/train"| S3
  F5 -->|"fetch /api/stock/news-consult"| S5
  F6 -->|"fetch /api/chapters, /api/docs"| C1
  F6 -->|"fetch /api/chapters/{id}/run"| C4

빠른 시작 (요약)

Docker 권장 실행 (가장 쉬운 방법)

git clone https://github.com/edumgt/python-ai-basic-lab.git
cd python-ai-basic-lab
docker compose up --build -d
docker exec ai-lab-ollama ollama pull llama3.2

앱: http://localhost:8000
API 상태 확인: http://localhost:8000/api/health
API 문서: http://localhost:8000/docs

로컬 Python 실행 (Docker 없이)

python3 -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate
pip install -r requirements.txt
uvicorn backend.app.main:app --reload --host 0.0.0.0 --port 8000

사전 준비

선수 repo - https://github.com/edumgt/edumgt-lab-init

선수 repo - https://github.com/edumgt/investment-analysis

선수 repo - https://github.com/edumgt/python-basic-lab

선수 repo - https://github.com/edumgt/docker-class

프로젝트 진행 전 Serving 인프라 구축

https://github.com/edumgt/aws-ec2-alb-lab

https://github.com/edumgt/openstack-private-cloud

https://github.com/edumgt/python-crawling-lab

1단계: Docker Desktop 설치

OS	설치 링크	비고
Windows	Docker Desktop for Windows	WSL2 백엔드 권장
macOS	Docker Desktop for Mac	Apple Silicon 지원
Linux	Docker Engine	Compose Plugin 함께 설치

설치 후 정상 동작 확인:

docker version
docker compose version

Windows WSL2 포트 충돌 시
PowerShell에서 netsh interface portproxy show all 로 포트 현황 확인.
자세한 트러블슈팅은 docker-class → WSL 포트 80 문제 해결 참고.

2단계: 프로젝트 클론

git clone https://github.com/edumgt/python-ai-basic-lab
cd python-ai-basic-lab

3단계: 전체 AI 스택 실행 (Docker Compose)

# 빌드 후 백그라운드 실행
docker compose up --build -d

컨테이너가 실행되면 다음 서비스가 준비됩니다:

서비스	컨테이너명	역할	접속 주소
`app`	`ai-lab-app`	FastAPI 학습 서버 · 주식 AI 실험실	http://localhost:8000
`ollama`	`ai-lab-ollama`	로컬 LLM — 자연어 설명 생성	http://localhost:11434
`qdrant`	`ai-lab-qdrant`	벡터 DB — 의미 기반 검색	http://localhost:6333

4단계: Ollama 언어 모델 다운로드

# llama3.2 모델 다운로드 (최초 1회, 약 2GB)
docker exec ai-lab-ollama ollama pull llama3.2

# 사용 가능한 모델 확인
docker exec ai-lab-ollama ollama list

더 큰 모델을 원한다면
docker exec ai-lab-ollama ollama pull llama3.1 (8B, 약 5GB)
모델명은 docker-compose.yml의 OLLAMA_MODEL 환경변수로 변경합니다.

GPU 가속 (NVIDIA)
docker-compose.yml의 GPU 섹션 주석을 해제하면 응답 속도가 크게 향상됩니다.

이 repo에서 Ollama의 역할

Ollama는 이 저장소에서 머신러닝/딥러닝 모델 자체를 학습시키는 도구가 아닙니다.
실제 예측값, 정확도, AUC, 특성 중요도, 신호표 같은 숫자는 backend/app/main.py 안의 scikit-learn 모델이 계산합니다.

Ollama는 그 다음 단계에서 이런 일을 합니다.

사용자가 웹앱에서 실행한 ML/DL 결과를 요약
정확도, AUC, 정밀도, 전략 수익률, 주요 특성을 보고 쉬운 한국어 설명 생성
사용자가 챗창에서 "왜 이렇게 나왔나요?" 같은 질문을 하면 결과 기반 질의응답
/api/ollama/status 로 연결 상태를 확인하고, 온라인이면 모델명을 배지에 표시

쉽게 말하면:

ML/DL 모델 = 시험 점수를 계산하는 채점기
Ollama = 그 점수를 보고 "왜 이런 점수가 나왔는지" 설명해 주는 선생님

현재 연결 흐름은 다음과 같습니다.

FE가 /api/stock/analyze, /api/stock/predict-target, /api/hotel-stock/train 같은 API를 호출
BE가 scikit-learn 모델로 결과 계산
FE가 결과를 카드, 표, 차트로 시각화
사용자가 질문하면 /api/chat 이 Ollama에 프롬프트를 보내 자연어 설명 생성
Ollama가 오프라인이면 BE의 fallback 설명으로 기본 해설 제공

오전 수업에서 강사와 같이 내용 분석 및 웹앱 실행하여 테스트

오후 수업에서 각자 homework 의 ch01 ~ ch12 까지의 py 를 직접 실행 하여 오류 수정 및 git repo 로 구성하여 , 강사 이메일로 초대

각 py 파일은 개인별 환경, 필요한 파일 경로 오류, 파일 자체의 오탈자 등으로 오류가 있는 파일이며, 해당 수정 후 결과를 캡쳐하여 본인 repo 에 저장한다.

수정 파일의 내용을 주식 관련 업무로 변경한다.

AI 를 이용한 이 repo 의 fork repo 에서 웹앱 개편

이 repo docs 의 내용에 대한 본인 내용 추가

homework 의 소스 변경 및 수행 결과 캡쳐 이미지 등으로 수행 결과 저장

매일 commit 수 50번 이상의 기록이 있을 것

BE / FE 기술스택

백엔드(BE)

구분	기술	이 repo에서 하는 일
웹 프레임워크	FastAPI	문서 API, 실습 API, 주가 분석 API, Ollama 연동 API 제공
서버 실행	Uvicorn	FastAPI 앱 서빙
데이터 처리	pandas, numpy	CSV 파싱, 특성 생성, 시계열 가공
ML / DL	scikit-learn	로지스틱 회귀, 랜덤 포레스트, GBM, SVM, KNN, MLP 실행
입력 검증	Pydantic	요청 데이터 구조 검증
파일 업로드	python-multipart	CSV 업로드 처리
외부 AI 호출	httpx	Ollama API 호출
시세 데이터 보조	FinanceDataReader	금융 데이터 실습 보조

프론트엔드(FE)

구분	기술	이 repo에서 하는 일
기본 UI	HTML + Vanilla JavaScript	SPA, 실습 페이지, 대시보드 동작
스타일	Tailwind CSS	카드, 배지, 반응형 레이아웃
표/그리드	AG Grid	실습 목록, 표 데이터, 결과 테이블 표시
차트	ApexCharts	중요도 차트, 주가 곡선, 시계열 결과 시각화
캔버스 시각화	Canvas API	뉴럴 네트워크 애니메이션, 신경망 흐름 표현
브라우저 저장	LocalStorage	최근 실행 기록, 마지막 선택 상태 저장

Docker 스택

서비스	이미지/역할	비고
`app`	FastAPI + FE 정적 파일 제공	ML/DL 계산의 중심
`ollama`	로컬 LLM 서버	결과 요약, 질의응답
`qdrant`	벡터 DB	확장형 검색/의미기반 기능을 위한 기반

Docker + Ollama + ML/DL 결과 도출 흐름

이 저장소의 핵심은 "Docker로 전체 스택을 띄우고, FE에서 실습을 누르면, BE가 ML/DL 결과를 계산하고, Ollama가 그 결과를 설명한다" 는 점입니다.

전체 처리 흐름

브라우저(FE)
  -> FastAPI(BE)
      -> 데이터 전처리(pandas/numpy)
      -> 특성 생성(feature engineering)
      -> 모델 학습/예측(scikit-learn)
      -> 지표 계산(accuracy, AUC, precision, confusion matrix ...)
      -> 결과 반환(JSON)
  -> 차트/카드 렌더링(ApexCharts, AG Grid)
  -> 사용자 질문 입력
  -> /api/chat
      -> Ollama
      -> 결과 요약/설명 생성

중요한 포인트

머신러닝/딥러닝 결과를 만드는 주체는 BE의 Python 코드입니다.
Ollama는 결과 해설과 대화형 설명을 담당합니다.
따라서 Ollama가 꺼져 있어도 핵심 ML/DL 실습은 돌아가고, 설명 품질만 달라집니다.

웹앱별 ML / DL 처리 예시

1. 주식 AI 실험실 `/lab`

사용자가 날짜, 종가, 거래량을 입력하거나 삼성전자, 카카오, NAVER, 내장 CSV를 불러오면 BE가 다음 순서로 처리합니다.

입력 행을 date, close, volume 구조로 정리
파생 특성 생성
- ret
- ret_5
- ma5
- ma20
- vol_ratio
다음 날 상승 여부를 target으로 생성
앞 80% 구간으로 학습, 뒤쪽 구간으로 테스트
선택 모델 실행
- ML: 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅
- DL: 신경망(MLPClassifier)
결과 계산
- accuracy
- AUC
- precision
- feature_importance
- portfolio_return
- buyhold_return
- signals
사용자가 질문하면 Ollama가 "왜 거래량 비율이 중요했는지" 같은 설명 생성

예시:

랜덤 포레스트를 선택하면 BE가 트리 앙상블로 분류를 수행하고, FE는 특성 중요도와 포트폴리오 곡선을 그립니다.
신경망을 선택하면 MLP 결과뿐 아니라 nn_viz 데이터를 받아 신경망 활성화 흐름도 함께 보여 줍니다.

2. 예측 실험실 `/predict`

CSV를 업로드하면 회사별로 같은 파이프라인을 돌려 한 화면에서 비교합니다.

입력 CSV 조건:

date
company
close
volume

BE는 회사별로 10개 특성을 만듭니다.

일간 수익률
5일 수익률
MA5 비율
MA20 비율
거래량 비율
RSI
변동성
골든크로스
20일 모멘텀
거래량 변화율

그 뒤 모델을 선택해 회사별 예측 결과를 만듭니다.

로지스틱 회귀
랜덤 포레스트
그래디언트 부스팅
신경망

결과 예시:

롯데호텔은 거래량 관련 특성이 중요할 수 있고
현대자동차는 추세/이동평균 관련 특성이 더 중요하게 나올 수 있습니다.

FE는 이를 회사 카드, 특성 중요도 차트, 모델 성능 비교 탭으로 보여 줍니다.

3. 호텔-주가 실험실 `/hotel-stock`

이 페이지는 가상 롯데호텔 데이터셋으로 ML과 DL을 더 시각적으로 비교하는 실습입니다.

BE는 다음 특성을 가진 데이터를 생성합니다.

30개 호텔 예약률 특성
4개 계절/월/분기 특성
7개 주가 파생 특성

즉 총 41개 특성으로 다음 달 상승/하락을 예측합니다.

실행 가능한 모델:

ML
- 로지스틱 회귀
- 결정 트리
- 랜덤 포레스트
- 그래디언트 부스팅
- SVM
- KNN
DL
- 단층 신경망
- 2층 신경망
- 3층 신경망
- 심층 신경망

반환 결과:

accuracy
auc
precision
recall
confusion_matrix
feature_importance
signals
price_series
nn_viz

이 결과를 FE가 다음처럼 보여 줍니다.

상단 성능 카드
중요도 차트
주가 시뮬레이션 차트
예측 신호표
혼동행렬
신경망 시뮬레이션

아주 쉬운 예시 시나리오

예시 1. `/lab` 에서 삼성전자 샘플 분석

사용자가 삼성전자 버튼 클릭
FE가 표를 채움
사용자가 랜덤 포레스트 선택 후 AI 분석 시작!
BE가 5개 파생 특성을 만든 뒤 모델 학습
accuracy, AUC, 정밀도, 특성 중요도, 수익률 곡선 반환
FE가 결과 카드와 차트 렌더링
사용자가 "왜 매수 신호가 적게 나왔나요?"라고 질문
Ollama가 수치 기반으로 간단한 한국어 설명 생성

예시 2. `/predict` 에서 CSV 업로드 후 모델 비교

사용자가 샘플 CSV 업로드
FE가 /api/stock/predict-target 호출
BE가 회사별로 10개 특성 생성
GBM 과 신경망을 번갈아 실행
회사별 AUC, 상승 확률, 특성 중요도 비교
사용자는 "회사마다 어떤 특성이 중요한지"를 한 화면에서 확인

예시 3. `/hotel-stock` 에서 ML vs DL 비교

사용자가 랜덤 포레스트 실행
FE가 중요도, 혼동행렬, 가격 시뮬레이션 표시
같은 데이터로 2층 신경망 실행
BE가 MLP를 다시 학습하고 nn_viz 까지 반환
FE가 신경망 시뮬레이션 탭을 열어 층별 활성화 흐름 표시
사용자는 "트리 모델은 해석이 쉽고, MLP는 구조가 더 복잡하다"는 차이를 눈으로 확인

한 줄 요약

FE는 보여 주는 층
BE는 계산하는 층
ML/DL 모델은 예측을 만드는 층
Ollama는 그 결과를 설명하는 층
Docker Compose는 이 모든 층을 한 번에 실행하는 도구

`data/` CSV 데이터셋 설명

이 저장소의 data/ 폴더에는 작은 연습용 CSV가 들어 있습니다.
일부는 바로 웹앱과 연결되고, 일부는 데이터 구조를 읽거나 개념을 설명하기 위한 예시 데이터입니다.

한눈에 보는 데이터셋 표

파일	주요 열	무엇을 담고 있나요?	추천 웹앱
`experiment_log.csv`	`run_id`, `model`, `params`, `accuracy`, `f1`	모델별 실험 기록과 성능 비교	`/datasets`
`financial_statements.csv`	`year`, `revenue`, `operating_income`, `depreciation`, `capex`, `working_capital_change`, `tax_rate`	재무제표 기반 DCF 기초 실습	`/`, `/datasets`
`gender_approval.csv`	`gender`, `pred_approve`	아주 작은 범주형 분류 예시	`/datasets`
`personal_info.csv`	`name`, `email`, `phone`, `score`	개인정보/민감정보 예시와 마스킹 설명	`/datasets`
`stock_ohlcv.csv`	`date`, `open`, `high`, `low`, `close`	기본 주가 시계열(OHLC)	`/lab`, `/datasets`
`stock_universe.csv`	`ticker`, `momentum`, `volatility`, `pe`	여러 종목의 정적 팩터 비교	`/datasets`
`stocks_features.csv`	`ticker`, `annual_return`, `volatility`, `per`	군집화/종목 특성 비교용 데이터	`/`, `/datasets`
`student_performance.csv`	`student_id`, `study_minutes`, `attendance_rate`, `pass_label`	지도학습 분류 개념 예시	`/datasets`
`traffic_timeseries.csv`	`date`, `traffic`	짧은 시계열 맛보기 데이터	`/lab`, `/datasets`

파일별로 조금 더 쉽게 설명하면

1. `stock_ohlcv.csv`

주가 실습에서 가장 바로 쓰기 쉬운 데이터입니다.
OHLCV 중 현재 파일은 open, high, low, close 중심으로 들어 있습니다.
날짜별 가격 흐름을 보고 시계열 특성을 만들기 좋습니다.
/lab에서 내장 데이터 버튼으로 바로 불러와 ML 모델 실습에 연결할 수 있습니다.

초급자식으로 말하면:

"하루하루 주가 일기장"에 가깝습니다.
어제보다 오늘이 어땠는지, 며칠 연속 올랐는지를 살펴보는 재료입니다.

2. `traffic_timeseries.csv`

날짜별 트래픽만 들어 있는 아주 짧은 시계열입니다.
주가가 아닌 데이터도 "시간 순서"만 있으면 시계열처럼 다뤄볼 수 있다는 것을 보여 줍니다.
BE에서 이 데이터를 /lab 형식에 맞게 바꿔 주어 실습할 수 있습니다.

초급자식으로 말하면:

"매일 방문자 수를 적은 출석부" 같은 데이터입니다.
주가가 아니어도 날짜 순서가 있으면 흐름을 배울 수 있다는 뜻입니다.

3. `financial_statements.csv`

연도별 재무 정보가 들어 있습니다.
매출, 영업이익, 감가상각, CAPEX, 운전자본 변화, 세율 같은 값으로 재무 해석을 연습합니다.
숫자가 많아 보여도 핵심은 "회사가 얼마나 벌고, 얼마나 쓰고, 얼마가 남는지"를 보는 것입니다.

초급자식으로 말하면:

회사의 "돈 벌고 돈 쓰는 가계부" 같은 표입니다.

4. `stocks_features.csv`

종목별 annual_return, volatility, per 이 들어 있습니다.
수익률, 흔들림 정도, 밸류에이션을 함께 보며 종목을 비교하거나 군집화할 때 좋습니다.
학습 허브의 군집 관련 실습과 연결해 보기 좋습니다.

초급자식으로 말하면:

여러 종목의 성격표를 한 줄씩 적어 놓은 카드 모음입니다.
"잘 오르는 편인지", "많이 흔들리는지", "비싼 편인지"를 비교합니다.

5. `stock_universe.csv`

여러 종목의 momentum, volatility, pe 가 담긴 간단한 유니버스 표입니다.
팩터 기반 비교, 분포 확인, 산점도 시각화에 적합합니다.
현재는 /datasets에서 구조를 빠르게 읽고 시각화하는 용도로 가장 잘 맞습니다.

6. `experiment_log.csv`

모델 실험 결과를 간단히 적어 둔 로그입니다.
params, accuracy, f1 을 보며 "어떤 설정이 더 나았는지"를 읽는 연습에 좋습니다.
하이퍼파라미터 튜닝과 실험 관리의 입문 예시로 볼 수 있습니다.

초급자식으로 말하면:

"이번엔 이렇게 해봤더니 몇 점 나왔는지" 적어 둔 실험 노트입니다.

7. `student_performance.csv`

공부 시간, 출석률, 합격 여부가 들어 있는 전형적인 지도학습 예시입니다.
주식과 직접 관련은 없지만, 특성 -> 정답(label) 구조를 가장 쉽게 이해하는 데 도움이 됩니다.

초급자식으로 말하면:

"얼마나 공부했고, 학교를 잘 나왔는지"를 보고 합격 여부를 맞히는 표입니다.

8. `gender_approval.csv`

아주 작은 범주형 분류 예시입니다.
실제 서비스 데이터라기보다 분류, 편향, 단순 예측 개념을 조심스럽게 설명하는 데 가깝습니다.
샘플 수가 작기 때문에 "진짜 모델링용"보다는 "구조 읽기용" 데이터로 보는 편이 좋습니다.

9. `personal_info.csv`

이름, 이메일, 전화번호, 점수가 들어 있는 개인정보 예시입니다.
민감한 열이 포함된 데이터를 다룰 때 마스킹과 안전한 미리보기가 왜 필요한지 설명하는 용도입니다.
실제 분석보다 데이터 윤리와 안전한 UI 관점에서 보는 것이 더 중요합니다.

웹앱 연결 기준으로 보면

바로 주식 AI 실험실로 연결되는 데이터
- stock_ohlcv.csv
- traffic_timeseries.csv
학습 허브 개념 실습과 잘 맞는 데이터
- financial_statements.csv
- stocks_features.csv
데이터셋 허브에서 구조와 차트를 먼저 보는 데이터
- experiment_log.csv
- gender_approval.csv
- personal_info.csv
- stock_universe.csv
- student_performance.csv

가장 추천하는 시작 순서

/datasets 에서 데이터 구조를 먼저 봅니다.
stock_ohlcv.csv 또는 traffic_timeseries.csv 를 선택합니다.
연결 버튼으로 /lab 으로 이동합니다.
모델을 바꿔가며 결과 카드와 차트를 읽습니다.
익숙해지면 /predict 나 /hotel-stock 으로 확장합니다.

5단계: 브라우저에서 접속

URL	설명
http://localhost:8000	AI/ML 문서 연계 실습 환경
http://localhost:8000/lab	📊 주식 AI 실험실 (직접 데이터 입력 + AI 분석)
http://localhost:8000/predict	🎯 주가 예측 타겟팅 실험실 (CSV 업로드 기반 다중 종목 비교)
http://localhost:8000/datasets	🗂 내장 CSV 데이터셋 허브 (data/ 폴더 시각화 + 웹앱 연결)
http://localhost:8000/hotel-stock	🏨 멀티팩터 주식 AI 모델 비교실 (ML vs DL 비교)
http://localhost:8000/api/health	API 상태 확인
http://localhost:8000/docs	FastAPI Swagger UI
http://localhost:6333/dashboard	Qdrant 대시보드

Docker 관리 명령어

# 실행 상태 확인
docker compose ps

# 실시간 로그 확인
docker compose logs -f app
docker compose logs -f ollama

# 재시작
docker compose restart app

# 중지 (데이터 유지)
docker compose down

# 완전 초기화 (볼륨 포함 삭제)
docker compose down -v

로컬 Python으로 실행 (Docker 없이)

Docker 없이 직접 실행하는 방법입니다. Ollama는 별도 실행이 필요합니다.

python3 -m venv .venv
source .venv/bin/activate          # Windows: .venv\Scripts\activate
pip install -r requirements.txt
uvicorn backend.app.main:app --reload --host 0.0.0.0 --port 8000

Ollama URL을 환경변수로 지정:

export OLLAMA_URL=http://localhost:11434   # Ollama가 다른 호스트에 있다면 해당 주소로
uvicorn backend.app.main:app --reload --host 0.0.0.0 --port 8000

개발자 검증 (스모크 체크)

이 저장소의 기본 실행 검증은 scripts/runtime_smoke_check.sh 입니다.

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
bash scripts/runtime_smoke_check.sh

검증 항목:

필수 라이브러리 import 확인
대표 챕터 practice 실행 확인
FastAPI 기동 후 /api/health, /api/chapters, chapter07/run API 스모크 확인

현재 포함된 실습 챕터 (backend/app/chapters)

현재 저장소에는 총 22개 챕터 실습 코드(practice.py)가 포함되어 있습니다.

기초/중급: chapter05, chapter06, chapter07, chapter08, chapter09, chapter10, chapter11, chapter21, chapter27, chapter30
퀀트/심화: chapter100, chapter101, chapter102, chapter103, chapter104, chapter105, chapter106, chapter107, chapter108, chapter109, chapter110, chapter112

실행 중인 서버에서 챕터 목록은 아래 API로 바로 확인할 수 있습니다.

curl -s http://localhost:8000/api/chapters | python -m json.tool

학습 목표

머신러닝 핵심 모델 (회귀, SVM, Random Forest, Ensemble/XGBoost/LightGBM) 이해 및 실습
딥러닝 모델 (MLP, CNN, RNN/LSTM, Transformer) 구조 파악 및 퀀트 적용
하이퍼파라미터 튜닝 (GridSearch, Optuna), 교차 검증 (Purged K-Fold, Walk-Forward) 실습
클러스터링 (K-Means, DBSCAN, Hierarchical) 을 통한 종목 군집화
최신 시계열 Transformer 모델 (PatchTST, TFT, iTransformer) 학습
주식 AI 실험실: 주가 데이터를 직접 입력해 ML/DL 모델로 분석하고 Ollama AI의 자연어 설명 체험

프로젝트 구성

python-ai-basic-lab/
├── docs/                   # 학습 문서 (01.md ~ 12.md) + 용어 사전
├── data/                   # 실데이터셋 CSV (stock_ohlcv, macro, dart, external 등)
├── backend/app/            # FastAPI 서버 (문서 연계 실습 API + 주식 분석 API + Ollama 연동)
│   ├── chapters/           # docs와 연결된 실습 코드 모음 (README.md + practice.py)
│   ├── dart_utils.py       # DART 공시·재무제표 유틸리티
│   ├── external_market_utils.py  # FRED·World Bank 거시경제 데이터 유틸리티
│   └── main.py             # API 라우터
├── frontend/               # 브라우저 UI (FastAPI 가 FileResponse 로 서빙)
│   ├── index.html          # 메인 랜딩 페이지 (/)
│   ├── stock_lab.html      # 실데이터 모델 비교 실험실 (/lab)
│   ├── stock_predict.html  # 파일 업로드형 예측 (/predict)
│   ├── stock_advisor.html  # 이벤트 투자 컨설팅 (/advisor)
│   ├── dart_lab.html       # DART 공시 투자 파이프라인 (/dart)
│   ├── macro_lab.html      # 거시경제 투자 파이프라인 (/macro)
│   ├── datasets.html       # 데이터셋 허브 (/datasets)
│   ├── hotel_stock.html    # 호텔 주가 멀티모델 실험실 (/hotel-stock)
│   ├── stock_lab.js        # 실험실 그리드·차트·챗봇 로직
│   ├── app.js              # 실습 학습 로직
│   ├── nn_viz.js           # 뉴런 계산 시각화 로직
│   └── styles.css          # 공통 스타일
├── scripts/                # 자동 생성 및 검증 스크립트
│   ├── refresh_datasets.py # 실데이터 자동 갱신
│   └── runtime_smoke_check.sh  # import·챕터·API 통합 검증
├── Dockerfile              # FastAPI 앱 이미지
├── docker-compose.yml      # app + ollama + qdrant
└── requirements.txt        # pip 의존성 목록

웹앱 라우트 요약

URL	화면 파일	설명
`/`	`index.html`	메인 랜딩 — 전체 화면 안내 및 추천 순서
`/lab`	`stock_lab.html`	실데이터 기반 4종 ML/DL 모델 비교
`/predict`	`stock_predict.html`	CSV 업로드 → 타겟 예측 + 특성 중요도
`/advisor`	`stock_advisor.html`	뉴스·이벤트 문장 → 업종 영향도 컨설팅
`/dart`	`dart_lab.html`	DART 재무 + 공시 → 투자 관찰 점수
`/macro`	`macro_lab.html`	FRED·World Bank 거시 데이터 → ML 예측
`/datasets`	`datasets.html`	`data/` CSV 미리보기 + 자동 차트
`/hotel-stock`	`hotel_stock.html`	호텔 주가 멀티모델 시계열 실험실

학습 로드맵

모듈 1–5: 기초 과정 (chapter01 ~ 99)

모듈	챕터 범위	주제
모듈 1	chapter01 ~ 05	Python·NumPy·Pandas·확률·선형대수 기초
모듈 2	chapter06 ~ 15	데이터 분석·전처리·피처 엔지니어링
모듈 3	chapter16 ~ 20	머신러닝 기초 (회귀·트리·군집·평가)
모듈 4	chapter21 ~ 30	딥러닝 기초 (신경망·역전파·CNN 기초)
모듈 5	chapter31 ~ 99	심화 (하이퍼파라미터·앙상블·시계열·배포)

각 챕터: 10분 개념 학습 + 30분 Python 실습

모듈 6: 퀀트 ML/DL 실전 (chapter100 ~ 114 + docs/01~12.md)

문서	Day	주제	관련 챕터/웹앱
docs/01.md	Day 029	퀀트 AI 모델 지도: 회귀부터 Transformer까지	chapter06, 08, 21, `/lab`, `/hotel-stock`
docs/02.md	Day 030	모델링 기본기: 튜닝, 검증, 평가, 군집화	chapter09, 10, 107, `/predict`
docs/03.md	Day 031	시계열 모델 1: RNN, LSTM, Transformer 기초	chapter21, `/hotel-stock`
docs/04.md	Day 032	시계열 모델 2: PatchTST, TFT, iTransformer	chapter103, 112, `/predict`, `/hotel-stock`
docs/05.md	Day 033	웹앱 실습 1: 학습 허브에서 한 챕터 실행하기	`/`
docs/06.md	Day 034	웹앱 실습 2: 같은 데이터로 모델 4종 비교하기	`/lab`
docs/07.md	Day 035	웹앱 실습 3: 개념 놀이터로 지도학습과 군집화 익히기	`/lab?chapter=chapter09&concept=clustering`
docs/08.md	Day 036	웹앱 실습 4: 뉴런 계산과 신경망 맛보기	`/lab?chapter=chapter21...`
docs/09.md	Day 037	웹앱 실습 5: CSV 업로드로 다중 종목 예측하기	`/predict`
docs/10.md	Day 038	웹앱 실습 6: 평가와 백테스트 읽기	`/lab?chapter=chapter10`, `/lab?chapter=chapter107`
docs/11.md	Day 039	웹앱 실습 7: 호텔 주가 멀티모델 실험실	`/hotel-stock`
docs/12.md	Day 040–041	웹앱 실습 8: 종합 미니 프로젝트	`/`, `/lab`, `/predict`, `/hotel-stock`

퀀트 핵심 개념

개념	설명
IC (Information Coefficient)	예측값과 실제 수익률의 Pearson 상관
Rank IC	순위 기반 Spearman 상관 — 이상치에 강건
ICIR	IC / IC 표준편차 — 신호 일관성 측정
Walk-Forward Validation	미래 데이터 누출 방지 시계열 교차 검증
Purged K-Fold	학습/검증 경계에 Embargo 기간 추가
Long-Short Backtest	상위/하위 분위 포트폴리오 수익률 비교

문서 인덱스

문서	설명
docs/voca.md	AI/ML·퀀트 용어 사전 (한국어, 개발자 눈높이)
docs/01.md	머신러닝 개요, 선형·로지스틱 회귀, 삼성전자 데이터셋
docs/02.md	SVM — 주가 구분선 긋기
docs/03.md	Decision Tree · Random Forest — 스무고개 모델
docs/04.md	앙상블 · Gradient Boosting · XGBoost · LightGBM
docs/05.md	클러스터링 — 비슷한 종목끼리 자동 분류
docs/06.md	딥러닝 기초 — MLP로 주가 방향 예측
docs/07.md	CNN — 주가 차트 패턴 탐지
docs/08.md	RNN · LSTM — 주가 흐름 기억하기
docs/09.md	Transformer · Attention — 중요한 날 집중하기
docs/10.md	PatchTST · TFT · iTransformer — 더 스마트한 예측
docs/11.md	모델 평가 · 투자 시뮬레이션 · 하이퍼파라미터 튜닝
docs/12.md	종합 실전 예측 프로젝트 (특성공학·예측해석·웹앱 적용)

CSV 데이터셋 상세 가이드 — 알고리즘 활용처 & 학습 정교화 데이터 규모

data/ 폴더의 CSV 파일이 어떤 ML/DL 알고리즘에서 쓰이는지,
그리고 모델 정확도를 높이려면 몇 건까지 데이터를 늘려야 하는지 설명합니다.

📂 stock_ohlcv.csv — 주가 OHLCV 시계열

항목	내용
컬럼	`date, open, high, low, close, volume`
현재 건수	약 260건 (1종목 약 1년치 일별 데이터)
사용 알고리즘	로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅, 신경망(MLP), LSTM, RNN, Transformer, PatchTST, TFT
API 엔드포인트	`POST /api/stock/analyze`

데이터 규모별 정교화 수준

건수 (일별 데이터)	기간	정교화 수준	비고
현재 ~260건	약 1년	기초 실습 가능	ML 기초 모델은 동작
500건	약 2년	검증 가능	교차검증 시작 가능
1,000건	약 4년	중급	계절성·사이클 패턴 학습 시작
2,000건+	약 8년+	양호	LSTM·Transformer 의미 있는 학습
5,000건+	약 20년+	정교	다양한 시장 국면 포함, 모든 모델 최적

💡 yfinance로 005930.KS 등 KRX 종목을 10~20년치 다운로드하면 정교한 학습이 가능합니다.

📂 traffic_timeseries.csv — 트래픽 시계열 예제

항목	내용
컬럼	`date, close, volume`
현재 건수	12건 (데모용 최소 샘플)
사용 알고리즘	RNN, LSTM, Transformer (시계열 패턴 학습 데모)
API 엔드포인트	`POST /api/stock/analyze`

데이터 규모별 정교화 수준

건수	정교화 수준	비고
현재 12건	데모 화면 확인 전용	실제 예측 불가
100건+	기초 패턴 학습	RNN·LSTM 기초 실습
500건+	중급 시계열 예측	계절성·추세 학습 가능
2,000건+	정교	Transformer·PatchTST 효과 체감

💡 실제 트래픽·판매량·에너지 소비량 데이터를 추가하면 범용 시계열 예측 실습이 가능합니다.

📂 dart_fundamentals.csv — DART 재무제표

항목	내용
컬럼	`stock_code, ticker, corp_name, sector, year, revenue, operating_income, net_income, ...` (37개 컬럼)
현재 건수	약 32건 (8종목 × 4년치)
사용 알고리즘	로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅, 신경망(MLP)
API 엔드포인트	`POST /api/macro/train`, `/api/dart/pipeline`

데이터 규모별 정교화 수준

건수	종목 × 연도 기준	정교화 수준
현재 32건	8종목 × 4년	데모 수준, 과적합 위험
50건+	10종목 × 5년	기초 분류 가능
200건+	40종목 × 5년	ML 모델 의미 있는 학습
500건+	100종목 × 5년	신뢰 가능한 분류
1,000건+	100종목 × 10년	정교한 재무 ML 모델

💡 OpenDartReader로 KOSPI 200 종목의 10년치 재무제표를 수집하면 산업별 패턴 학습이 가능합니다.

📂 dart_disclosures.csv — 공시 텍스트

항목	내용
컬럼	`stock_code, ticker, corp_name, sector, receipt_date, report_name, report_category, ...`
현재 건수	약 65건
사용 알고리즘	TF-IDF + 코사인 유사도, KoBERT, FinBERT, 마르코프체인
API 엔드포인트	`POST /api/stock/news-consult` (내부 테마 분류)

데이터 규모별 정교화 수준

건수	정교화 수준	비고
현재 65건	기초 TF-IDF 분류 가능	KoBERT 파인튜닝 불가
200건+	TF-IDF·코사인 유사도 신뢰도 향상	테마 분류 개선
500건+	KoBERT/FinBERT 파인튜닝 시작 가능	라벨링 필요
2,000건+	NLP 모델 학습 가능	감성 라벨 포함 시
10,000건+	정교한 금융 NLP 분류기	실전 뉴스 분류 수준

📂 external_invest_ml_dataset.csv — DART + 거시경제 결합 데이터

항목	내용
컬럼	재무 37개 + 거시경제(FRED·WorldBank) 10개 + 레이블 2개 = 51개 컬럼
현재 건수	약 22건
사용 알고리즘	로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅, 신경망(MLP)
예측 목표	`label_next_revenue_up` (다음 해 매출 증가 여부)
API 엔드포인트	`POST /api/macro/train`

데이터 규모별 정교화 수준

건수	정교화 수준	비고
현재 22건	데모 수준, 통계적으로 불안정	결과 해석 주의
100건+	기초 분류 가능	20종목 × 5년
500건+	중급 — 교차검증 의미 있음	100종목 × 5년
1,000건+	양호 — 섹터별 패턴 구분 가능	200종목 × 5년

📂 external_macro_pipeline.csv — FRED·WorldBank 거시경제 연간 지표

항목	내용
컬럼	`year, fred_fedfunds, fred_cpi_yoy, fred_unrate, fred_dgs10, fred_vix, fred_oil_wti, wb_*`
현재 건수	80건 (1947~2026년 연간)
사용 알고리즘	선형 회귀 (거시 트렌드 예측), LSTM (거시 시계열), Transformer
정교화 수준	80건으로 거시 트렌드 분석 충분. 월별 또는 분기별 데이터로 전환하면 LSTM 효과 증대

📂 macro_fred_signals.csv — FRED 월별 경제 시계열

항목	내용
컬럼	`date, series_id, title, value`
현재 건수	약 39,548건 (여러 시리즈 × 월별 데이터)
사용 알고리즘	LSTM, Transformer, 선형 회귀, Gradient Boosting
정교화 수준	이미 충분 — 시리즈 수와 기간이 넉넉함. 추가 시리즈(산업생산·주택착공 등) 추가 시 더 풍부해짐

📂 stocks_features.csv / stock_universe.csv — 종목별 특성·유니버스

항목	내용
컬럼	`ticker, annual_return, volatility, beta, per, roe` / `ticker, sector, momentum_3m, ...`
현재 건수	각 9건
사용 알고리즘	K-Means (종목 군집화), 로지스틱 회귀

데이터 규모별 정교화 수준

건수	K-Means 군집 품질	비고
현재 9건	군집 경계 불안정	K=2~3만 의미 있음
50건+	기초 군집화 가능	K=3~5
200건+	의미 있는 섹터 군집	K=5~8
500건+	정교 — 다양한 업종 포함	K=10+

💡 KOSPI 200 종목 전체를 넣으면 방어주·성장주·고변동주 군집이 명확하게 구분됩니다.

📂 dart_company_profiles.csv — 기업 기본 정보

항목	내용
컬럼	`stock_code, corp_name, sector, ceo_name, established_date, homepage, address`
현재 건수	9건
사용 알고리즘	TF-IDF + 코사인 유사도 (업종 텍스트 분류), K-Means
정교화	종목 수를 늘릴수록 텍스트 유사도 기반 분류 정확도가 향상됨 (목표: 100종목+)

📂 experiment_log.csv — 실험 기록

항목	내용
컬럼	`run_id, ticker, model, lookback_days, features, accuracy, auc, sharpe, max_drawdown`
현재 건수	6건
사용 알고리즘	참고용 (실험 이력 추적)
정교화	실험을 반복할수록 자동으로 누적. 100건+ 쌓이면 하이퍼파라미터 최적화 패턴 분석에 활용 가능

알고리즘별 권장 학습 데이터 규모

알고리즘	최소 (기초 실습)	적정 (검증 가능)	정교 (실전 수준)	관련 CSV
로지스틱 회귀	100건	500건	2,000건+	`stock_ohlcv`, `dart_fundamentals`, `external_invest_ml_dataset`
SVM	100건	500건	2,000건+	`stocks_features`, `dart_disclosures` (TF-IDF 벡터화 후)
KNN	50건	200건	1,000건+	`stocks_features`, `stock_universe`
의사결정나무	100건	300건	1,000건+	`dart_fundamentals`, `external_invest_ml_dataset`
랜덤 포레스트	200건	1,000건	5,000건+	`stock_ohlcv`, `dart_fundamentals`, `external_invest_ml_dataset`
그래디언트 부스팅	200건	1,000건	5,000건+	`stock_ohlcv`, `dart_fundamentals`, `external_invest_ml_dataset`
신경망 MLP	500건	2,000건	10,000건+	`stock_ohlcv`, `external_invest_ml_dataset`
K-Means	30건	200건	500건+	`stocks_features`, `stock_universe`, `dart_fundamentals`
TF-IDF + 코사인 유사도	50건	200건	1,000건+	`dart_disclosures`, `dart_company_profiles`
RNN	100 시점	500 시점	2,000 시점+	`stock_ohlcv`, `traffic_timeseries`, `macro_fred_signals`
LSTM	100 시점	500 시점	2,000 시점+	`stock_ohlcv`, `traffic_timeseries`, `macro_fred_signals`
Transformer (PatchTST·TFT·iTransformer)	500 시점	2,000 시점	5,000 시점+	`stock_ohlcv`, `macro_fred_signals`
KoBERT / FinBERT	500건 (레이블 필요)	2,000건	10,000건+	`dart_disclosures` (감성 라벨 추가 후)
Word2Vec	10,000 토큰+	100,000 토큰+	1,000,000 토큰+	`dart_disclosures` 텍스트 (외부 말뭉치 추가 권장)
LoRA / QLoRA 파인튜닝	1,000 instruction 쌍	5,000 쌍	10,000 쌍+	`dart_disclosures` (instruction 형식 변환 후)
몬테카를로 시뮬레이션	1,000회 시뮬레이션	10,000회	100,000회+	`stock_ohlcv` (μ·σ 추정용)

핵심 원칙

데이터가 많을수록 과적합이 줄고, 다양한 시장 국면을 학습해 실전 성능이 높아집니다.

단순히 건수를 늘리는 것보다 다양한 기간(상승장·하락장·횡보장)과 다양한 섹터를 포함시키는 것이 더 중요합니다.

시계열 모델(LSTM·Transformer)은 건수보다 **시점 수(days)**가 핵심입니다.

NLP 모델(KoBERT·FinBERT·Word2Vec)은 건수보다 도메인 텍스트의 다양성이 중요합니다.

Name		Name	Last commit message	Last commit date
Latest commit History 224 Commits
artifacts/screenshots		artifacts/screenshots
backend/app		backend/app
data		data
docs		docs
frontend		frontend
homework		homework
scripts		scripts
.gitignore		.gitignore
Dockerfile		Dockerfile
docker-compose.yml		docker-compose.yml
readme.md		readme.md
requirements.txt		requirements.txt
stock_practice_utils.py		stock_practice_utils.py
tmp-check.png		tmp-check.png

Uh oh!

Folders and files

Latest commit

History

Repository files navigation

AI/ML Basic Class — 퀀트를 위한 머신러닝과 딥러닝

실행 제반여건 한눈에 보기

1) 필수 소프트웨어(SW)

2) 주요 기술스택

3) 알아야 할 IT 요소기술(최소)

4) 필요한 플랫폼

5) 권장 PC 사양

6) 클라우드 사용 시 대략 비용(예시)

AI, ML, DL: 알고리즘과 기법의 관점에서 이해하기

1. 개념적 계층 구조

2. 왜 '알고리즘'이자 '기법'인가?

① 수학적 알고리즘으로서의 면모

② 구조적 기법(Architecture)으로서의 면모

3. 전통적 알고리즘 vs AI 모델

4. 결론: "모델"은 무엇인가?

따라서 알고리즘의 수학적배경이나 복잡한 알고리즘, 기법을 이해하려 시간을 보내는 것은 무의미 합니다.

주식투자도 기법이 있듯이 본 과정은 알려져 있는 알고리즘, 기법을 AI 코딩을 통해 솔루션을 만드는 과정 입니다.

웹앱 전체 실행/연동 다이어그램 (BE 진입점 → Chapter 실행 → FE 연동)

빠른 시작 (요약)

Docker 권장 실행 (가장 쉬운 방법)

로컬 Python 실행 (Docker 없이)

사전 준비

선수 repo - https://github.com/edumgt/edumgt-lab-init

선수 repo - https://github.com/edumgt/investment-analysis

선수 repo - https://github.com/edumgt/python-basic-lab

선수 repo - https://github.com/edumgt/docker-class

프로젝트 진행 전 Serving 인프라 구축

https://github.com/edumgt/aws-ec2-alb-lab

https://github.com/edumgt/openstack-private-cloud

https://github.com/edumgt/python-crawling-lab

1단계: Docker Desktop 설치

2단계: 프로젝트 클론

3단계: 전체 AI 스택 실행 (Docker Compose)

4단계: Ollama 언어 모델 다운로드

이 repo에서 Ollama의 역할

오전 수업에서 강사와 같이 내용 분석 및 웹앱 실행하여 테스트

오후 수업에서 각자 homework 의 ch01 ~ ch12 까지의 py 를 직접 실행 하여 오류 수정 및 git repo 로 구성하여 , 강사 이메일로 초대

각 py 파일은 개인별 환경, 필요한 파일 경로 오류, 파일 자체의 오탈자 등으로 오류가 있는 파일이며, 해당 수정 후 결과를 캡쳐하여 본인 repo 에 저장한다.

수정 파일의 내용을 주식 관련 업무로 변경한다.

AI 를 이용한 이 repo 의 fork repo 에서 웹앱 개편

이 repo docs 의 내용에 대한 본인 내용 추가

homework 의 소스 변경 및 수행 결과 캡쳐 이미지 등으로 수행 결과 저장

매일 commit 수 50번 이상의 기록이 있을 것

BE / FE 기술스택

백엔드(BE)

프론트엔드(FE)

Docker 스택

Docker + Ollama + ML/DL 결과 도출 흐름

전체 처리 흐름

중요한 포인트

웹앱별 ML / DL 처리 예시

1. 주식 AI 실험실 /lab

2. 예측 실험실 /predict

3. 호텔-주가 실험실 /hotel-stock

아주 쉬운 예시 시나리오

예시 1. /lab 에서 삼성전자 샘플 분석

예시 2. /predict 에서 CSV 업로드 후 모델 비교

예시 3. /hotel-stock 에서 ML vs DL 비교

한 줄 요약

data/ CSV 데이터셋 설명

한눈에 보는 데이터셋 표

파일별로 조금 더 쉽게 설명하면

1. stock_ohlcv.csv

2. traffic_timeseries.csv

3. financial_statements.csv

4. stocks_features.csv

5. stock_universe.csv

6. experiment_log.csv

7. student_performance.csv

8. gender_approval.csv

9. personal_info.csv

웹앱 연결 기준으로 보면

가장 추천하는 시작 순서

5단계: 브라우저에서 접속

Docker 관리 명령어

1. 주식 AI 실험실 `/lab`

2. 예측 실험실 `/predict`

3. 호텔-주가 실험실 `/hotel-stock`

예시 1. `/lab` 에서 삼성전자 샘플 분석

예시 2. `/predict` 에서 CSV 업로드 후 모델 비교

예시 3. `/hotel-stock` 에서 ML vs DL 비교

`data/` CSV 데이터셋 설명

1. `stock_ohlcv.csv`

2. `traffic_timeseries.csv`

3. `financial_statements.csv`

4. `stocks_features.csv`

5. `stock_universe.csv`

6. `experiment_log.csv`

7. `student_performance.csv`

8. `gender_approval.csv`

9. `personal_info.csv`

Packages