KANT AI/ML Learning System

강의 내용을 많이 옮겨 적는 저장소가 아니라, 자료 없이 설명하고, 직접 계산하고, 코드로 검증한 지식만 남기는 학습 시스템입니다.

학습 가이드 · 학습 지도 · 진행 현황 · Work Mode

---

이 저장소의 역할

KANT 강의 PDF와 수업 자료는 학습의 입력(source) 입니다. 이 저장소는 입력을 그대로 복제하지 않고 다음 결과만 보관합니다.

• 하나의 개념을 중복 없이 설명하는 canonical note
• 자료 없이 회상한 뒤 바뀐 이해를 적은 짧은 TIL
• 수식과 Tensor 연산을 실제로 확인한 코드 및 실험
• 며칠 뒤에도 설명할 수 있는지 확인한 복습 기록

노트 분량과 커밋 수는 진도가 아닙니다. 이해의 기준은 설명, 적용, 구현, 유지(retention) 입니다.

먼저 읽을 문서

처음에는 GUIDE.md만 읽으면 됩니다. 그 문서에는 다음이 모두 들어 있습니다.

1. 강의 PDF를 프로젝트에 올린 뒤 무엇을 요청할지
2. 매 수업을 어떤 순서로 학습할지
3. concepts/, til/, labs/, reviews/ 중 어디에 기록할지
4. 기존 긴 TIL을 어떻게 처리할지
5. $kant-learning-cycle Work Mode를 어떻게 사용할지
6. 이해 완료 여부를 어떤 기준으로 판단할지

학습 루프

강의 PDF / 기존 노트
        ↓
자료 없이 회상
        ↓
진단 질문으로 빈틈 확인
        ↓
직관 → 작은 숫자 → 수식·shape → 코드
        ↓
새 문제에 적용
        ↓
내 말로 다시 설명
        ↓
통과한 내용만 최소 기록
        ↓
1·3·7·14일 뒤 재검증

저장소 구조

.
├── curriculum/          # 전체 개념 지도, PDF 인덱스, 진행 상태
├── concepts/            # 개념별 단일 기준 문서
├── til/                 # 그날 바뀐 이해만 기록하는 짧은 로그
├── labs/                # 실행 가능한 코드, 계산, 실험
├── reviews/             # 주간 및 간격 반복 복습
├── content/             # 기존 v1 강의 중심 노트: 보존용 레거시 자료
├── archive/             # 마이그레이션 및 보존 정책
├── templates/           # concept, TIL, lab, review 템플릿
├── .agents/skills/      # 저장소 전용 Work Mode와 보조 스킬
├── GUIDE.md             # 앞으로의 학습 운영 설명서
└── AGENTS.md            # 저장소를 수정하는 에이전트의 작업 규칙

문서별 역할

위치	작성 시점	담는 내용	담지 않는 내용
curriculum/	전체 지도를 만들거나 상태가 변할 때	선수지식, 우선순위, 학습 상태	긴 개념 설명
concepts/	설명과 적용을 통과한 뒤	개념별 최신 이해	강의 순서, 날짜별 로그
til/	실제로 이해가 바뀐 날	오개념, 수정된 이해, 증거, 다음 질문	강의 전체 요약
labs/	코드를 실행하거나 실험했을 때	가설, 코드, 출력, 해석	실행하지 않은 예상 결과
reviews/	간격 복습 및 주간 회고 때	회상 성공·실패, 상태 변경	새 강의 복사
content/	새로 작성하지 않음	과거 노트와 원본 학습 기록	신규 canonical note

학습 상태

상태	의미
seen	읽거나 수업에서 본 적이 있음
recognized	설명을 보면 이해됨
explained	자료 없이 내 말로 설명 가능
applied	새로운 숫자 예제나 문제에 적용 가능
implemented	최소 코드로 구현하거나 디버깅 가능
retained	며칠 뒤에도 설명·적용 가능

파일이 존재한다는 이유만으로 상태를 올리지 않습니다. 현재 상태는 curriculum/progress.md에서 관리합니다.

Work Mode

새 강의 학습, PDF 전체 재구성, 진단, 개념 문서 생성에는 저장소 스킬을 사용합니다.

$kant-learning-cycle

이 모드는 설명부터 시작하지 않습니다. 먼저 기존 지식과 선수지식을 진단하고, 적용 및 teach-back을 거친 뒤 필요한 파일만 갱신합니다.

기존 긴 노트 하나를 명시적으로 다듬거나 canonical note로 이관할 때만 다음 보조 스킬을 사용합니다.

$organize-til-notes

기존 노트 처리 원칙

content/의 기존 문서는 삭제하거나 전면 재작성하지 않습니다.

• 신규 학습은 새 구조에서 시작합니다.
• 과거 날짜의 TIL을 소급해서 채우지 않습니다.
• 같은 개념을 다시 공부할 때만 기존 노트에서 유효한 내용을 추출합니다.
• canonical note로 통합한 뒤에도 원본 경로는 링크 안정성을 위해 당분간 보존합니다.

자세한 정책은 archive/README.md를 참고합니다.

현재 목표

• 주력: LLM Systems / Inference Optimization Research Engineer
• 보조: Post-training / Evaluation
• 장기: Efficient LLM Algorithms / Architecture Research

따라서 개념을 배울 때 항상 다음 연결을 확인합니다.

수학적 의미
→ Tensor 연산과 shape
→ PyTorch 구현
→ Transformer/LLM에서의 위치
→ 시스템 또는 평가 관점의 실제 영향