1단계
기초 이해 단계
1~4차시
AI 개념, 함수·미분·벡터 등 수학 기초를 지역 사례와 연결합니다.
Output: 개념 설명, 수학-AI 연결 발표, 초기 아이디어 도출
Course Overview
A 16-session AI·SW course built on Kimpo city data
Core platform
모두의 AI (mdooai.com)
Recommended class size
20~30명 권장 (4~5인 1팀, 4~6팀 구성)
Program size
16차시 (1차시 50분 기준)
Local context
경기도 김포시 공공데이터 및 지역 현안 중심 실습
4 Learning Stages
16-session operation roadmap
2단계
딥러닝 구조화 단계
5~8차시
선형계층, 활성화 함수, 신경망, 역전파를 시각화와 도식 중심으로 익힙니다.
Output: 신경망 도식, 역전파 흐름 정리, 개념 퀴즈
3단계
머신러닝 적용 단계
9~12차시
회귀·분류·앙상블과 모델 평가를 김포 데이터에 직접 적용합니다.
Output: 모델 실습 코드, 성능 비교표, 공정성 토론 결과
4단계
지역 문제 해결 단계
13~16차시
팀별 지역 현안을 데이터 문제로 정의해 정책 제안형 프로젝트로 완성합니다.
Output: 최종 발표 자료, 정책 제안, 상호 평가 결과
Learning goals
- 모두의 AI의 기초 수학·기초 딥러닝·기초 머신러닝 챕터를 통해 AI·SW의 핵심 원리를 이해한다.
- 김포시의 실제 공공데이터를 활용하여 지역 문제를 데이터 기반으로 정의하고 분석한다.
- 문제 정의 → 데이터 수집 → 모델 적용 → 결과 해석 → 발표의 AI 문제해결 전 과정을 경험한다.
- 협력, 발표, 비판적 사고 역량을 바탕으로 AI 시대의 능동적 시민으로 성장한다.
Class setup and tools
Materials
- 노트북 또는 태블릿 (1인 1기기)
- 모두의 AI 계정 (사전 가입 권장)
- Google 계정 (Colab 사용)
Platforms
- 모두의 AI
- Google Colab
- 공공데이터포털
- TensorFlow Playground
Assessment Design
Assessment plan and method
과정 중심 평가: 오답 자체보다 탐색 과정, 토론 참여, 개선 시도를 중심으로 평가합니다.
설명 가능성 평가: 모델 성능 숫자만이 아니라 선택 근거와 결과 해석을 말로 설명할 수 있는지를 봅니다.
윤리·한계 인식 평가: 편향 데이터, 프라이버시, 적용 한계를 발표에 포함하도록 요구합니다.
협력 역량 평가: 팀 내 역할 분담, 피드백 수용, 발표·질의응답 태도를 함께 반영합니다.
16 Sessions
Session-by-session curriculum
1차시Basic deep learning
AI란 무엇인가: 개념과 생활 속 사례
- Summary
- 모두의 AI 기초 딥러닝 Ch.00 학습 / AI의 사회적 영향 토론 / 강의 전체 소개 및 팀 구성
- Materials & tools
- 모두의 AI 플랫폼, 소개 PPT, 팀 구성 워크시트
- Learning target
- AI의 정의와 학습 원리를 자신의 언어로 설명할 수 있다.
- Kimpo connection
- 김포시 스마트시티 사례(자율주행 셔틀, AI 교통 분석)로 지역 연계 동기를 만든다.
2차시Basic math
AI를 위한 수학 기초: 함수·지수·로그
- Summary
- 모두의 AI 기초수학 Ch.01~03 학습 / 함수·지수·로그의 AI 활용 사례 / 연습 문제 풀이 및 즉시 채점
- Materials & tools
- 모두의 AI 플랫폼, 계산기, 그래프 시각화 툴(Desmos)
- Learning target
- 함수·지수·로그의 개념을 이해하고 AI 손실 함수와의 연결고리를 설명할 수 있다.
- Kimpo connection
- 김포시 인구 성장 데이터로 지수함수 적용 사례를 실습한다.
3차시Basic math
미분과 학습의 방향: 경사 하강법의 수학
- Summary
- 모두의 AI 기초수학 Ch.06~08 학습 / 미분·편미분·그라디언트 개념 / 경사 하강법 시각화
- Materials & tools
- 모두의 AI 플랫폼, GeoGebra 시각화, 모눈종이
- Learning target
- 미분의 의미를 이해하고 경사 하강법이 AI 학습에서 어떻게 작동하는지 설명할 수 있다.
- Kimpo connection
- 김포시 교통 혼잡 최소화 문제를 '최솟값 찾기'의 직관으로 연결한다.
4차시Basic math
벡터와 내적: 데이터의 유사도 측정
- Summary
- 모두의 AI 중급수학 Ch.01~02 / 기초 딥러닝 Ch.01 학습 / 벡터 내적 연습 / 유사도 계산 실습
- Materials & tools
- 모두의 AI 플랫폼, 내적 계산 워크시트, Python(Google Colab)
- Learning target
- 벡터 내적을 계산하고 데이터 간 유사도를 수치화할 수 있다.
- Kimpo connection
- 김포시 주요 지점(학교, 병원, 마트) 위치 벡터로 거리 유사도를 계산한다.
5차시Basic deep learning
행렬과 선형 계층: 한꺼번에 계산하는 힘
- Summary
- 모두의 AI 기초 딥러닝 Ch.02~03 / 중급수학 Ch.03~04 학습 / 행렬 곱셈 연습 / 선형 계층 개념
- Materials & tools
- 모두의 AI 플랫폼, 행렬 곱셈 워크시트, Python NumPy 실습
- Learning target
- 행렬 곱셈을 수행하고 신경망 선형 계층의 역할을 설명할 수 있다.
- Kimpo connection
- 김포시 공공 시설 이용률 데이터를 행렬로 표현하는 실습으로 연결한다.
6차시Basic deep learning
뉴런과 활성화 함수: AI에 판단력을 더하다
- Summary
- 모두의 AI 기초 딥러닝 Ch.04~05 학습 / ReLU·시그모이드·소프트맥스 비교 / 인공 뉴런 구조 이해
- Materials & tools
- 모두의 AI 플랫폼, 활성화 함수 그래프 출력물, TensorFlow Playground
- Learning target
- 주요 활성화 함수의 특성을 이해하고 인공 뉴런의 동작 과정을 설명할 수 있다.
- Kimpo connection
- 김포시 미세먼지 농도 임계값 판단(위험/보통/좋음)을 활성화 함수로 비유 설명한다.
7차시Basic deep learning
신경망 구조: 은닉층과 깊이
- Summary
- 모두의 AI 기초 딥러닝 Ch.06~11 학습 / 배치 처리·은닉층·깊은 신경망·소프트맥스 학습 / 신경망 도식 완성
- Materials & tools
- 모두의 AI 플랫폼, Teachable Machine
- Learning target
- 신경망의 깊이와 너비가 학습 능력에 미치는 영향을 설명하고 전체 구조를 도식화할 수 있다.
- Kimpo connection
- 김포시 교통 CCTV 이미지 분류 사례를 신경망 구조와 연결한다.
8차시Basic deep learning
역전파와 학습: 실수에서 배우는 AI
- Summary
- 모두의 AI 기초 딥러닝 Ch.12~13 학습 / 역전파 개념 및 연쇄 법칙 복습 / 기초 딥러닝 총정리
- Materials & tools
- 모두의 AI 플랫폼, 역전파 흐름도 출력물, 퀴즈 시트
- Learning target
- 역전파의 원리를 이해하고 경사 하강법과의 관계를 설명할 수 있다.
- Kimpo connection
- AI가 김포시 데이터를 학습하는 전체 과정을 한 번에 복습한다.
9차시Basic machine learning
머신러닝 입문: 데이터와 지도학습
- Summary
- 모두의 AI 기초 머신러닝 Ch.00~02 학습 / 데이터·특성 개념 / 지도·비지도·자기지도학습 구분 / 결측치 처리 실습
- Materials & tools
- 모두의 AI 플랫폼, 김포시 공공데이터(CSV), Python pandas 실습
- Learning target
- 머신러닝의 종류를 구분하고 실제 데이터의 결측치를 처리하는 방법을 적용할 수 있다.
- Kimpo connection
- 김포시 버스 이용객 수와 인구통계 데이터의 결측치를 직접 다뤄 본다.
10차시Basic machine learning
회귀 분석: 데이터의 흐름을 예측하다
- Summary
- 모두의 AI 기초 머신러닝 Ch.04~05 학습 / 선형 회귀 원리 / 손실 함수(MSE) 개념 / Python 실습
- Materials & tools
- 모두의 AI 플랫폼, Python scikit-learn, 김포시 인구·부동산 데이터(CSV)
- Learning target
- 선형 회귀 모델을 이해하고 김포시 실제 데이터에 적용하여 예측값을 도출할 수 있다.
- Kimpo connection
- 한강신도시 인구 증가 추이 데이터를 바탕으로 미래 인구를 예측한다.
11차시Basic machine learning
분류 모델: 예/아니오를 판단하는 AI
- Summary
- 모두의 AI 기초 머신러닝 Ch.06~07 학습 / 로지스틱 회귀·의사결정나무 학습 / Python 분류 실습
- Materials & tools
- 모두의 AI 플랫폼, Python scikit-learn, 김포시 환경 데이터
- Learning target
- 분류 모델의 원리를 이해하고 의사결정나무를 구현하여 결과를 해석할 수 있다.
- Kimpo connection
- 김포시 미세먼지 농도 데이터로 위험 등급 분류 모델을 구축한다.
12차시Basic machine learning
앙상블과 모델 평가: 더 똑똑하게, 더 공정하게
- Summary
- 모두의 AI 기초 머신러닝 Ch.09·11~12 학습 / 랜덤 포레스트·교차 검증·혼동 행렬 / 모델 비교 실습
- Materials & tools
- 모두의 AI 플랫폼, Python scikit-learn, 평가 지표 비교 워크시트
- Learning target
- 앙상블 모델의 장점을 설명하고 교차 검증·혼동 행렬을 활용해 모델 성능을 평가할 수 있다.
- Kimpo connection
- 김포시 복지 서비스 수요 예측 모델에 교차 검증을 적용하고 공정성 이슈를 토론한다.
Kimpo Issues
How the course connects to local Kimpo issues
| Area | Detail | Dataset source | Linked sessions |
|---|---|---|---|
| 인구·도시성장 | 한강신도시 개발 이후 급격한 인구 유입으로 2024년 기준 약 50만 명 도시로 성장 | 김포시 통계연보, 행정안전부 주민등록 인구통계 | 2, 10, 13, 14차시 |
| 교통 | GTX-D 노선 수요 분석, 버스 이용 혼잡도, 김포골드라인 혼잡 문제 | 국토교통부 대중교통 현황, 김포시 교통 DB, 카드 데이터(공공데이터포털) | 3, 7, 13~16차시 |
| 환경·대기질 | 인천·서울 인접 지역 특성상 미세먼지에 취약하고, 신도시 개발에 따른 환경 변화가 진행 중 | 환경부 대기환경 정보 | 6, 11, 13~16차시 |
| 상권·경제 | 신도시 상권 성장과 구도심 상권 쇠퇴가 공존하여 지역 소상공인 지원이 필요한 상황 | 소상공인진흥공단 상권정보, 공공데이터포털 카드 매출 데이터 | 13~16차시 |
| 청소년·교육 | 청소년 방과후 활동 공간 부족과 AI·SW 교육 인프라 확충 필요성 | 김포시 청소년 통계, 교육부 학교 현황 데이터 | 1, 13, 16차시 |
인구·도시성장
한강신도시 개발 이후 급격한 인구 유입으로 2024년 기준 약 50만 명 도시로 성장
Dataset source
김포시 통계연보, 행정안전부 주민등록 인구통계
Linked sessions
2, 10, 13, 14차시
교통
GTX-D 노선 수요 분석, 버스 이용 혼잡도, 김포골드라인 혼잡 문제
Dataset source
국토교통부 대중교통 현황, 김포시 교통 DB, 카드 데이터(공공데이터포털)
Linked sessions
3, 7, 13~16차시
환경·대기질
인천·서울 인접 지역 특성상 미세먼지에 취약하고, 신도시 개발에 따른 환경 변화가 진행 중
Dataset source
환경부 대기환경 정보
Linked sessions
6, 11, 13~16차시
상권·경제
신도시 상권 성장과 구도심 상권 쇠퇴가 공존하여 지역 소상공인 지원이 필요한 상황
Dataset source
소상공인진흥공단 상권정보, 공공데이터포털 카드 매출 데이터
Linked sessions
13~16차시
청소년·교육
청소년 방과후 활동 공간 부족과 AI·SW 교육 인프라 확충 필요성
Dataset source
김포시 청소년 통계, 교육부 학교 현황 데이터
Linked sessions
1, 13, 16차시
Expected outputs and outcomes
학생이 AI·머신러닝·딥러닝의 관계를 설명하고 기본 수학 개념을 실제 문제와 연결할 수 있습니다.
김포시 데이터로 회귀·분류·앙상블 모델을 적용하고 결과를 해석하는 경험을 얻게 됩니다.
팀 프로젝트를 통해 지역 문제를 데이터 문제로 바꾸는 사고력과 협업 역량을 기르게 됩니다.
최종 발표에서 정책 제안, 한계 분석, AI 윤리 고려까지 포함한 완성형 결과물을 만들 수 있습니다.