나머지 quest 의 모양
남은 7 track 은 팀에서 실제로 배우는 순서로 deep learning 을 쌓아: 작은 개념 먼저, 다음 코드, 다음 operation.
- Neuron, Layer, Forward Pass — neural network 가 뭔지, shape 와 matrix multiply 로.
- Loss, Gradient, Backpropagation — network 가 실제로 어떻게 학습하는지, 읽을 수 있는 calculus 로.
- Training Data, State, Checkpoint — 'model train 했다' 를 'model train, 저장, 복구했다' 로 바꾸는 workflow scaffold.
- Stability, Regularization, Training 작동시키기 — 운영 현실: training 의 대부분은 collapse 안 하게 만드는 일.
- Architecture: Vision, Sequence, Attention — named design (CNN, RNN, Transformer) 과 각각이 왜 발명됐는지.
- Modern Deep Learning Practice — PyTorch mental model, transfer learning, mixed precision, experiment tracking.
- 올바른 Approach 선택 — meta-skill: deep learning 안 쓰는 선택까지 포함해서 도구 고르기.
이 quest 를 진지하게 받는 법
Lesson 마다 exercise 해. 본인 hardware 에서 코드 돌려. 일부러 깨고 error message 읽어 — 각 component 가 뭐 하는지 internalize 하는 가장 좋은 방법이야. Lesson 이 짧은 건 의도적이야 — depth 는 본인 손이 코드를 치는 데서 와.
원칙: 이 quest 는 destination 이 아니라 runway 야. 끝내고 나면 PyTorch source 를 읽고, arXiv 에서 working code 까지 paper 를 따라가고, 다음 문제에 어떤 model 을 fine-tune 할지 결정할 수 있어야 해.
피파 메모: 이 section 의 4 canonical quest — Pippa Quest, OO Quest, AI Math Quest, 이거 — 가 같이 같은 skill 을 4 개 각도에서 가르쳐: 진짜 system, 진짜 abstraction, math, model class 가 어떻게 맞물리는지. 어떤 것도 다른 것의 대체 아니야.