docs: 파이썬 교육자료 AI 연관성 강화

ai lecture/courses/02_python_core_syntax/part_2_python_core_syntax.md

@@ -21,7 +21,7 @@
 
 ## 3. 왜 파이썬 문법이 중요할까요? (Introduction)
 
-AI 개발의 세계에 오신 것을 환영합니다! 파이썬은 AI와 데이터 과학 분야에서 가장 사랑받는 언어입니다. 문법이 간결하고 사람의 생각과 비슷해서, 프로그래밍을 처음 시작하는 분들도 쉽게 배울 수 있습니다. 이번 주차에는 앞으로 우리가 만들 모든 AI 서비스의 뼈대가 될 파이썬의 가장 핵심적인 문법들을 하나씩 정복해나갑니다.
+AI 개발의 세계에 오신 것을 환영합니다! 파이썬은 AI와 데이터 과학 분야에서 가장 사랑받는 언어입니다. 문법이 간결하고 사람의 생각과 비슷해서, 복잡한 AI 모델의 로직을 직관적으로 표현할 수 있습니다. 이번 주차에는 앞으로 우리가 만들 모든 AI 서비스의 뼈대가 될 파이썬의 가장 핵심적인 문법들을 하나씩 정복해나갑니다. **단순히 문법을 배우는 것을 넘어, 각 문법이 실제 AI 개발 과정에서 어떻게 데이터를 다루고 모델을 조작하는 데 사용되는지**에 초점을 맞출 것입니다.
 
 > [!TIP]
 > 이 파트의 모든 코드 예제는 아래 링크의 파이썬 파일에서 직접 실행하고 수정해볼 수 있습니다.
@@ -69,7 +69,7 @@ print(f"최종 리스트: {fruits}")
 ```
 
 ### 5.2. 파이썬다운 코드: 리스트 컴프리헨션 (List Comprehension)
-`for` 반복문을 한 줄로 간결하게 표현하여 새로운 리스트를 만드는 방법입니다.
+`for` 반복문을 한 줄로 간결하게 표현하여 새로운 리스트를 만드는 방법입니다. 단순히 코드를 짧게 만드는 기술을 넘어, 대용량 데이터를 빠르고 효율적으로 가공하기 위한 **전문가의 코드 작성 방식**입니다. AI 모델에 입력될 대량의 데이터를 필터링하거나 특정 형태로 변환할 때 매우 유용하게 사용됩니다.
 
 ```python
 # 0부터 9까지의 숫자 중 짝수만 제곱하여 리스트 만들기
@@ -94,6 +94,7 @@ point = (10, 20)
 
 ### 6.1. 딕셔너리(Dictionary): 의미를 부여한 데이터 관리법
 - `Key:Value` 쌍으로 데이터를 저장하며, 순서보다 '의미(Key)'를 통해 값을 찾는 데 특화된 <a href="./glossary.md#자료구조-data-structure">자료구조</a>입니다. (`{}` 사용)
+- AI 개발에서는 모델의 성능에 영향을 주는 다양한 **하이퍼파라미터(e.g., `{'learning_rate': 0.01, 'epochs': 100}`)** 를 관리하거나, 웹 API로부터 받은 **JSON 형식의 데이터를 다룰 때** 핵심적인 역할을 합니다.
 
 ```python
 user = {"name": "앨리스", "age": 30}
@@ -158,8 +159,8 @@ print("발사!")
 
 > **🎯 5일차 목표:** 반복되는 코드를 `[함수(Function)](./glossary.md#함수-function)`로 묶어 재사용하고, 함수의 입력([매개변수](./glossary.md#매개변수-parameter와-인자-argument))과 출력([반환 값](./glossary.md#반환-값-return-value))을 이해합니다.
 
-### 8.1. 함수(Function): 나만의 미니 프로그램
-[함수](./glossary.md#함수-function)는 특정 작업을 수행하는 코드 묶음에 이름을 붙인 **'재사용 가능한 레시피'**입니다. `def` 키워드로 정의하고, 이름으로 호출하여 사용합니다.
+### 8.1. 함수(Function): 나만의 데이터 처리 레시피
+[함수](./glossary.md#함수-function)는 특정 작업을 수행하는 코드 묶음에 이름을 붙인 **'재사용 가능한 레시피'**입니다. 특히 AI 개발에서 함수는 **'데이터 전처리기'** 와 같습니다. 입력(매개변수)으로 원본 데이터를 받고, 특정 방식(알고리즘)으로 가공하여 깨끗하게 정제된 데이터(반환 값)를 출력하는 과정은 AI 모델 학습의 가장 기본적인 단계입니다. `def` 키워드로 나만의 데이터 처리 레시피를 만들어보세요.
 
 ### 8.2. 입력(매개변수)과 출력(반환 값)
 - **[매개변수(Parameter)](./glossary.md#매개변수-parameter와-인자-argument):** 함수에 전달하는 재료(입력 값).

ai lecture/courses/03_python_collections/part_3_python_collections.md

@@ -21,7 +21,7 @@
 
 ## 3. 전문가의 공구함, 컬렉션 깊이 알기 (Introduction)
 
-지난 시간에 파이썬의 기본 뼈대를 세웠다면, 이번 주차에는 그 연장들을 넣어둘 **'전문가용 공구함(컬렉션)'**을 깊이 있게 탐구합니다. 단순히 데이터를 담는 것을 넘어, 용도에 따라 최적화된 특수 공구들을 꺼내 쓰는 법을 배우게 됩니다. 상황에 맞는 최적의 '데이터 그릇'을 선택하는 능력을 길러, 코드의 효율성과 가독성을 한 단계 끌어올려 보겠습니다.
+지난 시간에 파이썬의 기본 뼈대를 세웠다면, 이번 주차에는 그 연장들을 넣어둘 **'전문가용 공구함(컬렉션)'**을 깊이 있게 탐구합니다. 단순히 데이터를 담는 것을 넘어, **AI 데이터 분석 및 처리**라는 특정 용도에 따라 최적화된 특수 공구들을 꺼내 쓰는 법을 배우게 됩니다. 상황에 맞는 최적의 '데이터 그릇'을 선택하는 능력을 길러, 코드의 효율성과 가독성을 한 단계 끌어올려 보겠습니다.
 
 > [!TIP]
 > 본 파트의 모든 예제 코드는 `../../source_code/part_2_3_python_syntax_collections.py` 파일에서 직접 실행해볼 수 있습니다.
@@ -34,6 +34,8 @@
 
 ### 4.1. `sort()` vs `sorted()`: 원본을 바꿀 것인가, 새것을 얻을 것인가?
 
+데이터 분석 과정에서 **원본 데이터를 훼손하지 않고 보존하는 것은 매우 중요**합니다. 이 둘의 차이를 명확히 이해해야 의도치 않은 데이터 유실을 막을 수 있습니다.
+
 - **`list.sort()` 메서드**: **원본 리스트 자체를** 정렬합니다. 반환값은 `None`입니다. (내 방 정리)
 - **`sorted()` 내장 함수**: 정렬된 **새로운 리스트를 반환**합니다. 원본은 바뀌지 않습니다. (정리된 모습 촬영)
 
@@ -45,7 +47,7 @@ print(f"원본: {my_list}, 정렬된 사본: {new_list}")
 ```
 
 ### 4.2. 스마트한 개수 세기: `collections.Counter`
-리스트나 문자열에 포함된 각 항목이 몇 번 등장하는지 세어주는 '똑똑한 재고 관리인'입니다.
+리스트나 문자열에 포함된 각 항목이 몇 번 등장하는지 세어주는 '똑똑한 재고 관리인'입니다. 특히 **자연어 처리(NLP)에서 텍스트 데이터의 단어 빈도를 계산**하는 가장 기초적이면서도 핵심적인 작업에 사용됩니다. 이를 통해 어떤 단어가 중요한지 파악하는 등 데이터 분석의 첫걸음을 뗄 수 있습니다.
 
 ```python
 from collections import Counter
@@ -77,7 +79,7 @@ first, *rest, last = (1, 2, 3, 4, 5)
 ```
 
 ### 5.2. 키가 없을 때의 구원투수: `collections.defaultdict`
-존재하지 않는 키에 접근할 때 `KeyError` 대신 지정된 기본값을 자동으로 생성하는 '자동 완성 노트'입니다. 데이터 그룹핑 시 `if`문을 줄여 코드를 매우 간결하게 만듭니다.
+존재하지 않는 키에 접근할 때 `KeyError` 대신 지정된 기본값을 자동으로 생성하는 '자동 완성 노트'입니다. `if`문을 사용해 키의 존재 여부를 매번 확인할 필요가 없어 코드가 매우 간결해집니다. **흩어져 있는 데이터를 특정 기준(e.g., 영화 장르, 사용자 그룹)에 따라 묶어서(Grouping) 분석**할 때 폭발적인 효율성을 보여줍니다.
 
 ```python
 from collections import defaultdict

ai lecture/courses/04_object_oriented_programming/part_4_object_oriented_programming.md

@@ -23,7 +23,9 @@
 
 지금까지 우리는 프로그래밍의 '재료'를 다듬는 법을 익혔습니다. 이번 주차에는 이 재료들을 조합하여 '요리'를 하는 법, 즉 더 크고 체계적인 프로그램을 만드는 **[객체 지향 프로그래밍(OOP)](./glossary.md#객체-지향-프로그래밍-object-oriented-programming-oop)** 패러다임을 학습합니다.
 
-Scikit-learn, PyTorch 등 대부분의 AI 라이브러리는 OOP에 기반하며, `model = RandomForestClassifier()` 와 같은 코드는 OOP를 이해해야 그 구조를 꿰뚫어 볼 수 있습니다.
+**이번 파트의 최종 목표는 `model = RandomForestClassifier()` 라는 AI 코드 한 줄을 완벽하게 이해하는 것입니다.**
+
+Scikit-learn, PyTorch, TensorFlow 등 세상의 모든 AI 라이브러리는 OOP를 기반으로 설계되었습니다. 따라서 OOP를 이해하는 것은 단순히 프로그래밍 기술을 하나 더 배우는 것이 아니라, **AI 개발자로서 라이브러리의 구조를 꿰뚫어 보고 자유자재로 활용하기 위한 필수 관문**입니다.
 
 > **💡 핵심 비유: OOP는 '붕어빵 비즈니스'입니다**
 > OOP의 모든 개념을 '붕어빵 장사'에 빗대어 이해해 봅시다!
@@ -44,6 +46,16 @@ Scikit-learn, PyTorch 등 대부분의 AI 라이브러리는 OOP에 기반하며
 - **클래스(Class)**: 객체를 만들기 위한 **'설계도'** 또는 '붕어빵 틀'.
 - **객체(Object)**: 클래스로부터 생성된 **'실체'** 또는 '팥 붕어빵', '슈크림 붕어빵'.
 
+> [!IMPORTANT]
+> ### AI 라이브러리와 클래스 & 객체
+> `model = RandomForestClassifier()` 코드를 OOP 관점에서 해부해 봅시다.
+> - **`RandomForestClassifier`**: 머신러닝 모델의 기능(데이터 학습, 예측 등)이 정의된 **클래스(설계도)**입니다.
+> - **`model`**: 설계도로부터 막 생성된 **객체(실체)**입니다. 이 객체는 이제 자신만의 데이터와 상태를 가질 수 있습니다.
+> - **`model.fit(X, y)`**: `model` 객체가 가진 기능, 즉 **메서드(행동)**를 호출하여 모델을 학습시킵니다.
+> - **`model.feature_importances_`**: 학습이 끝난 후 `model` 객체 내부에 저장된 결과, 즉 **속성(상태)**을 확인합니다.
+>
+> 이처럼 AI 라이브러리를 사용한다는 것은 **'클래스를 가져와, 객체를 만들고, 그 객체의 메서드와 속성을 활용하는 과정'** 그 자체입니다.
+
 ```python
 from dataclasses import dataclass
 
@@ -75,6 +87,10 @@ shu_cream_bpp.sell() # "슈크림 붕어빵을 1200원에 판매합니다."
 
 **상속(Inheritance)**은 '기본 붕어빵 틀'을 물려받아 '피자 붕어빵 틀' 같은 신제품을 만드는 것입니다.
 
+> [!TIP]
+> **AI 모델링과 상속**
+> PyTorch 같은 딥러닝 프레임워크에서 나만의 모델을 만들 때, 우리는 항상 `torch.nn.Module` 이라는 클래스를 **상속**받습니다. 이는 PyTorch가 제공하는 학습, 최적화 등 모델의 핵심 기능들은 그대로 물려받되, 모델의 구조를 정의하는 `forward()` 메서드만 **재정의(Overriding)**하여 나만의 신경망을 만들기 위함입니다. 상속은 이처럼 AI 라이브러리의 기능을 확장하는 핵심 도구입니다.
+
 ```python
 @dataclass
 class PizzaBungeoppang(Bungeoppang): # Bungeoppang 클래스를 상속