> >
Post

[Upstage AI Lab] 4주차 - CS

[Upstage AI Lab] 4주차 - CS 학습 내용

Posted
Preview Image
By DoorNote
55 min read
[Upstage AI Lab] 4주차 - CS

들어가며

이번 주는 컴퓨터 공학(CS)에 대한 내용을 바탕으로, 4주차 학습이 마무리되었다.
이번 포스팅에서는 이러한 학습 내용을 바탕으로 4주차 학습 내용을 요약 및 정리했다.



📑 목차



01. 자료구조

자료구조란? 여러 데이터(값)들의 묶음을 저장하고, 사용하는 방법(접근, 수정, 삭제 등)을 정의한 것


1. 자료구조와 복잡도

1-1. List: []

  • 순서가 있는 변경 가능한(mutable) 데이터 묶음
  • 다양한 데이터 타입의 데이터를 저장 가능
  • 가장 일반적으로 많이 사용
1
2
3
4
5
6
7
8
9
10
11

my_list = [1, 2, 3, 4, 5]
my_list[0] = 100 # 삽입: [100, 2, 3, 4, 5]
my_list.append(6) # 추가: [100, 2, 3, 4, 5, 6]
my_list.remove(3) # 삭제: [100, 2, 4, 5, 6]
my_list.pop() # 마지막 요소 삭제: [100, 2, 4, 5]
my_list.insert(0, 0) # 삽입: [0, 100, 2, 4, 5]
my_list.sort() # 정렬: [0, 2, 4, 5, 100]
my_list.reverse() # 역순: [100, 5, 4, 2, 0]
my_list.count(4) # 4의 개수: 1
my_list.index(4) # 4의 위치: 2
my_list.clear() # 모두 삭제: []


1-2. Tuple: ()

  • 순서가 있는 변경 불가능한(immutable)데이터의 묶음.
  • 한번 생성되면 내용 변경 불가. 리스트보다 약간 빠르고 메모리 효율적
1
2

my_tuple = (1, 2, 3, 4, 5)
my_tuple[0] = 100 # 오류: 'tuple' object does not support item assignment


  • 집합 (Set): {} 또는 set()
  • 순서가 없고 중복을 허용하지 않는 데이터의 묶음.
  • 합집합, 교집합 등 집합 연산에 유용. 특정 요소의 존재 여부 빠르게 확인 가능.
1
2
3
4
5
6

# %%
my_set = {1, 2, 3, 4, 5}
my_set.add(6) # 추가: {1, 2, 3, 4, 5, 6}
my_set.remove(3) # 삭제: {1, 2, 4, 5, 6}
my_set.pop() # 임의의 요소 삭제: {2, 4, 5, 6}
my_set.clear() # 모두 삭제: set()


1-3. Dictionary: {}

  • 키(Key)-값(Value) 쌍으로 이루어진 데이터의 묶음. 순서가 없음 (Python 3.7+ 부터는 입력 순서 유지).
  • 키를 통해 값을 빠르게 찾아올 수 있음 (해시 테이블 기반)
1
2
3
4
5
6

my_dict = {'apple': 1, 'banana': 2, 'cherry': 3}
my_dict['apple'] = 100 # 값 변경: {'apple': 100, 'banana': 2, 'cherry': 3}
my_dict['orange'] = 4 # 추가: {'apple': 100, 'banana': 2, 'cherry': 3, 'orange': 4}
my_dict.pop('banana') # 삭제: {'apple': 100, 'cherry': 3, 'orange': 4}
my_dict.popitem() # 임의의 요소 삭제: {'apple': 100, 'cherry': 3}
my_dict.clear() # 모두 삭제: {}


1-4. 추상 자료형 (ADT), 구현 (Implementation)

추상 자료형 (ADT)

  • “무엇(What)” 에 초점: 데이터와 그 데이터에 수행될 수 있는 연산들의 명세
  • 내부적으로 어떻게 동작하는지는 정의하지 않음


구현 (Implementation)

  • “어떻게(How)” 에 초점: ADT에서 정의된 명세를 실제로 구현하는 방식.
  • 구체적인 자료구조와 알고리즘을 사용하여 ADT의 연산을 실제로 만듦


관계: ADT는 설계도, 구현은 그 설계도를 바탕으로 실제로 지은 건물


1-5. 알고리즘

알고리즘이란? 어떤 문제를 해결하기 위한 단계적인 절차나 방법

복잡도

  • 알고리즘의 성능을 나타내는 척도.
  • 입력 데이터의 크기가 증가함에 따라 알고리즘이 얼마나 많은 시간과 공간(메모리) 을 사용하는지를 분석.


시간 복잡도 (Time Complexity)

  • 정의: 입력 데이터의 크기(n)에 대해 알고리즘의 실행 시간이 어떻게 변하는지를 나타냄.
  • 측정 기준: 실제 실행 시간(초)이 아닌, 연산의 실행 횟수를 기준으로 측정.
    • 왜? 실제 시간은 하드웨어, 프로그래밍 언어, 컴파일러 등 환경에 따라 달라지기 때문.
  • 목표: 입력 크기 n이 커질수록 실행 시간이 얼마나 빠르게 증가하는가


공간 복잡도 (Space Complexity)

  • 정의: 입력 데이터의 크기(n)에 대해 알고리즘이 사용하는 메모리 공간이 어떻게 변하는지를 나타냄.
  • 측정 기준: 알고리즘 실행에 필요한 총 메모리 양.
    • 고정 공간: 입력 크기와 상관없이 항상 필요한 공간 (코드 저장 공간, 단순 변수 등)
    • 가변 공간: 입력 크기에 따라 변하는 공간 (데이터 저장을 위한 동적 할당 메모리, 재귀 호출 스택 등)


  • 최근 경향: 메모리 용량이 커지면서 시간 복잡도만큼 중요하게 다루지는 않지만, 대규모 데이터를 다루거나 메모리 제약 환경(임베디드 시스템 등)에서는 여전히 중요.


1-6. Big-O 표기법

복잡도를 표현하는 수학적인 표기법. 입력 크기 n이 무한히 커질 때의 복잡도 증가율(성장률) 을 나타냄.

  • 가장 영향력이 큰 항(최고차항) 만 남기고, 계수(상수) 는 무시.
  • ex
    • 3n² + 5n + 100 → 최고차항은 n². 계수 3 무시. → O(n²)
    • log n + n → 최고차항은 n. → O(n)
    • 50 (상수 시간) → O(1)



2. 선형 자료구조

데이터 요소들을 순차적인(sequential) 방식으로 저장하는 자료구조.
마치 데이터를 한 줄로 늘어놓은 것과 같은 형태

특징

  • 각 요소는 자신의 이전(previous) 요소와 다음(next) 요소 (있다면)를 가진다.
  • 데이터 간의 관계가 1:1 인 구조.


종류

  • 정적(Static) 선형 자료구조: 크기가 고정됨 (예: 배열)
  • 동적(Dynamic) 선형 자료구조: 크기가 변할 수 있음 (예: 연결 리스트, 파이썬 리스트)
  • 선형 자료구조: 리스트, 튜플, 문자열, 데크 등


2-1. 시퀀스(Sequence) 자료구조

데이터 요소들이 정해진 순서(order) 를 가지며 나열되어 있는 자료구조.

특징

  • 순서 유지: 요소들이 저장된 순서가 그대로 유지됨.
  • 인덱싱: 각 요소는 고유한 위치 번호(인덱스)를 가지며, 이를 통해 특정 요소에 직접 접근 가능 my_sequence[i]
  • 슬라이싱: 특정 범위의 요소들을 잘라내어 새로운 시퀀스를 만들 수 있음. my_sequence[start:end:step]


대표적인 시퀀스 타입

  • 리스트 (List): 변경 가능 (mutable)
  • 튜플 (Tuple): 변경 불가능 (immutable)
  • 문자열 (String): 변경 불가능 (immutable)
  • range() 객체: 특정 범위의 정수 시퀀스 (변경 불가능)
  • bytes, bytearray 등



3. Hash Table

해시 테이블 이란? Key를 Value에 매핑하여, 키를 통해 값을 빠르게 찾거나 저장할 수 있는 자료구조

조건

  • 결정론적: 동일한 키에 대해서는 항상 동일한 해시 값을 반환해야 함. hash(“apple”)은 언제나 같은 값
  • 빠른 계산: 해시 값 계산 자체가 오래 걸리면 안 됨
  • 해시 값이 버킷 배열 전체에 최대한 균등하게 분포되어야 함 (충돌 최소화)


파이썬의 hash()

  • 파이썬 객체를 정수 해시 값으로 변환해주는 내장 함수
  • 불변 객체만 해시 가능. (list, dict, set 등 변경 가능한 객체는 hash() 불가 ❌ - TypeError 발생)
  • 왜 불변 객체만? → 객체가 변경되면 해시 값도 달라질 수 있어, 해시 테이블에서 위치를 찾을 수 없게 됨


3-1. 해시 충돌

서로 다른 키(Key) 를 해시 함수에 넣었더니 동일한 해시 값(인덱스) 이 나오는 경우

발생 이유

  • 키의 종류는 거의 무한하지만, 해시 값(배열 인덱스)의 개수는 유한하기 때문
  • 아무리 좋은 해시 함수라도 충돌을 완벽하게 피할 수는 없다.


3-2. 집합(Set)

순서가 없고, 중복된 요소를 허용하지 않는(unique) 변경 가능한(mutable) 데이터 요소들의 묶음.

특징

  • 수학의 집합 개념과 유사 (합집합, 교집합, 차집합 등 연산 가능)
  • 요소의 존재 여부를 매우 빠르게 확인 가능 (해시 테이블 기반)
  • 요소들이 정렬되어 있지 않음. (입력 순서 유지 안됨 - 단, 내부적으로는 해시값 순서 등으로 관리될 수 있음)
  • 요소는 반드시 해시 가능 해야 함 (숫자, 문자열, 튜플 등 리스트, 딕셔너리, 다른 집합은 요소로 가질 수 없음 ❌)




02. DataBase

체계적으로 구조화하여 저장된 데이터의 집합, 효율적인 관리 시스템


1. DB 유형

유형핵심 개념주요 특징AI 활용 예시 (저장 데이터)대표 기술
관계형 (RDB)표(Table) 와 관계정형 데이터, SQL, ACID, 무결성사용자 정보, 모델 메타데이터, 정형 학습 데이터MySQL, PostgreSQL, SQLite
NoSQL관계형 외 다양한 모델유연한 스키마, 확장성, 속도로그, 캐싱, 실시간 데이터, 사용자 프로필MongoDB, Redis, Cassandra
Vector DB벡터 유사도 검색 최적화임베딩 저장, 의미 기반 검색문서/이미지 임베딩 (RAG), 추천 정보, 검색 인덱스Milvus, Pinecone, FAISS


핵심 역할

  • RDB: 구조화된 데이터의 정확하고 일관된 관리. (예: 사용자 계정)
  • NoSQL: 대규모/비정형 데이터의 유연하고 빠른 처리, 확장성 확보. (예: 서비스 로그)
  • Vector DB: AI 임베딩 벡터의 효율적 저장 및 의미 기반 유사도 검색. (예: RAG 문서 검색)


1-1. SQL

Table 생성

1
2
3
4
5
6
7
8
9
10
11

CREATE TABLE IF NOT EXISTS ai_models (
    model_id INTEGER PRIMARY KEY,
    model_name TEXT NOT NULL,
    task TEXT,
    framework TEXT);

INSERT INTO ai_models (model_id, model_name, task, framework) 
VALUES 
    (1, 'ResNet', 'Image Classification', 'PyTorch'),
    (2, 'BERT', 'Natural Language Processing', 'TensorFlow'),
    (3, 'LSTM', 'Sequence Modeling', 'PyTorch');

| Column Name | Data Type | Constraints        |
|-------------|------------|--------------------|
| model_id    | INTEGER    | PRIMARY KEY        |
| model_name  | TEXT       | NOT NULL           |
| task        | TEXT       | (nullable)         |
| framework   | TEXT       | (nullable)         |


| model_id | model_name | task                         | framework   |
|----------|------------|------------------------------|-------------|
| 1        | ResNet     | Image Classification         | PyTorch     |
| 2        | BERT       | Natural Language Processing  | TensorFlow  |
| 3        | LSTM       | Sequence Modeling            | PyTorch     |


SELECT

  • Table에서 원하는 데이터를 가져오는 명령어
  • SELECT *: Table의 모든 열 데이터를 가져오는 명령어
  • SELECT column1, column2: 특정 열의 데이터를 가져오는 명령어
1

SELECT * FROM ai models;

| model_id | model_name | task                         | framework   |
|----------|------------|------------------------------|-------------|
| 1        | ResNet     | Image Classification         | PyTorch     |
| 2        | BERT       | Natural Language Processing  | TensorFlow  |
| 3        | LSTM       | Sequence Modeling            | PyTorch     |


INSERT

  • Talbe에 새로운 데이터 행(row)을 추가
  • INSERT INTO table_name (column1, column2, ...) VALUES (value1, value2, ...);
1
2
3
4

INSERT INTO ai_models (model_id, model_name, task, framework)
VALUES
  (4, 'GPT-3', 'NLP', 'OpenAI'),
  (5, 'Transformer', 'Machine Translation', 'PyTorch');

| model_id | model_name  | task                         | framework   |
|----------|-------------|------------------------------|-------------|
| 1        | ResNet      | Image Classification         | PyTorch     |
| 2        | BERT        | Natural Language Processing  | TensorFlow  |
| 3        | LSTM        | Sequence Modeling            | PyTorch     |
| 4        | GPT-3       | NLP                          | OpenAI      |
| 5        | Transformer | Machine Translation          | PyTorch     |


UPDATE

  • Table에 있는 기존 데이터 행의 값을 변경
  • 주의: WHERE 절로 변경 대상을 명확히 지정
  • UPDATE table_name SET column1 = new_value1 WHERE condition;
1
2
3

UPDATE ai_models
SET task = 'Language Modeling'
WHERE model_id = 2;

| model_id | model_name  | task                 | framework   |
|----------|-------------|----------------------|-------------|
| 1        | ResNet      | Image Classification | PyTorch     |
| 2        | BERT        | Language Modeling    | TensorFlow  |
| 3        | LSTM        | Sequence Modeling    | PyTorch     |
| 4        | GPT-3       | NLP                  | OpenAI      |
| 5        | Transformer | Machine Translation  | PyTorch     |


DELETE

  • Table에서 특정 데이터 행을 삭제
  • 주의: WHERE 절로 삭제 대상을 명확히 지정
  • DELETE FROM table_name WHERE condition;
1

DELETE FROM ai_models WHERE model_id = 5;

| model_id | model_name  | task                 | framework   |
|----------|-------------|----------------------|-------------|
| 1        | ResNet      | Image Classification | PyTorch     |
| 2        | BERT        | Language Modeling    | TensorFlow  |
| 3        | LSTM        | Sequence Modeling    | PyTorch     |
| 4        | GPT-3       | NLP                  | OpenAI      |


WHERE

  • SELECT, UPDATE, DELETE구문에서 처리할 데이터를 특정 조건으로 제한
  • 비교 연산자 (=, >, <, >=, <=, !=), 논리 연산자 (AND, OR, NOT) 사용.
1
2
3

SELECT model_name, task
FROM ai_models
WHERE framework = 'PyTorch';

| model_name  | task                 |
|-------------|----------------------|
| ResNet      | Image Classification |
| LSTM        | Sequence Modeling    |
| Transformer | Machine Translation  |


COUNT

  • 조건 만족 행의 개수를 계산
  • SELECT COUNT(*) AS alias FROM table WHERE condition; (AS로 별칭 지정)
1
2
3

SELECT COUNT(*) AS tf_count
FROM ai_models
WHERE framework = 'TensorFlow';

| tf_count |
|----------|
|    1     |


LIMIT

  • SELECT 조회 결과의 개수를 제한
  • Pandas 의 head() 비슷
  • SELECT ... FROM ... WHERE ... LIMIT N;
1
2

SELECT * FROM ai_models
LIMIT 2;

| model_id | model_name  | task                 | framework   |
|----------|-------------|----------------------|-------------|
| 1        | ResNet      | Image Classification | PyTorch     |
| 2        | BERT        | Language Modeling    | TensorFlow  |


📊 기본 SQL 명령어 요약

명령어주요 기능기본 사용법 (예시)비고
SELECT데이터 조회SELECT col1, col2 FROM tbl;가장 기본, 중요
INSERT데이터 추가INSERT INTO tbl (col1) VALUES (val1);commit() 필요
UPDATE데이터 수정UPDATE tbl SET col1 = val1 WHERE condition;WHERE, commit() 중요
DELETE데이터 삭제DELETE FROM tbl WHERE condition;WHERE, commit() 중요
WHERE조회/수정/삭제 조건 지정... WHERE col1 > 10 AND col2 = 'val';필터링 핵심
COUNT()조건 만족 행 개수 계산SELECT COUNT(*) AS cnt FROM tbl WHERE condition;집계 함수 기초
LIMIT조회 결과 개수 제한SELECT * FROM tbl LIMIT N;미리보기 등 활용
CREATE TABLE새로운 테이블 생성 (DDL)CREATE TABLE tbl (col1 type, col2 type);데이터 구조 정의


1-2. 관계형 DB 설계 기초

RDBS

  • RDB: 데이터를 표 형식(행과 열)으로 저장하고 관계(연결)를 통해 구조화하는 데이터베이스
  • Table: 관계형 데이터베이스에서 데이터를 저장하는 기본 단위. 행과 열로 구성된 2차원 구조


Table 설계

  • 데이터를 체계적으로 저장하고 관리하기 위한 청사진
  • 데이터 중복을 막고 일관성을 유지하는 기반
  • 나중에 데이터를 효율적으로 검색하고 활용하는 데 큰 영향
  • AI 앱 스키마 설계 예시 (이미지 분류 모델용 메타데이터)
    • 상황: 이미지 분류 AI 모델 학습을 위해 이미지 파일 경로와 해당 이미지의 레이블(정답)을 저장해야 함
    • 테이블 설계 (예: image_metadata 테이블):
Column NameData TypeDescriptionPK?
image_idINTEGER이미지 고유 ID✅
file_pathTEXT이미지 파일 저장 경로 
labelTEXT이미지 정답 레이블 (예: ‘cat’) 
dataset_sourceTEXT데이터셋 출처 (예: ‘ImageNet’) 


키(Key)

  • Table에서 행을 고유하게 식별하거나 테이블 간의 관계를 맺는 데 사용되는 특별한 열
  • 데이터의 무결성(Integrity) 을 지키는 데 핵심적인 역할
  • 무결성: 데이터가 정확하고 일관되게 유지되는 것을 의미하며, 잘못된 데이터나 중복된 데이터가 없도록 보장

key


기본 키 (Primary Key, PK)

  • 각 행을 고유하게 식별할 수 있는 하나 이상의 열
  • 특정 데이터를 정확하게 찾아 수정하거나 삭제하는 기준. 다른 테이블과의 관계 설정 기준
  • 특징
    • 유일성: PK 값은 테이블 내에서 중복될 수 없음 ❌
    • 최소성: 꼭 필요한 최소한의 열로 구성됨.
    • NULL 값 불가 (Not Null): PK 값은 비어 있을 수 없음 ❌


외래 키 (Foreign Key, FK)

  • 한 테이블의 열이 다른 테이블의 기본 키(PK) 를 참조하는 것. 테이블 간의 관계를 표현
  • 여러 테이블에 분산된 정보를 연결하여 의미 있는 데이터 조회 가능 (JOIN의 기반)
  • 특징
    • 참조하는 테이블(부모 테이블)의 PK에 존재하는 값만 허용 (또는 NULL)
    • 참조 무결성을 보장. → 잘못된 데이터 연결 방지


Key 요약

종류역할특징예시 (orders 테이블 기준)
기본 키 (PK)행 고유 식별유일성, 최소성, Not Nullorder_id (주문 번호)
외래 키 (FK)다른 테이블 PK 참조 (관계)참조 무결성user_id (users 테이블 참조)



2. 정규화 & ERD

2-1. 정규화 (Normalization)

테이블 설계를 잘 못하면 데이터 중복이 발생하고, 수정/삭제 시 문제가 생길 수 있는데
정규화는 데이터 중복을 최소화하고 일관성 및 무결성을 높이는 방향으로 테이블 구조를 분해하는 과정

과도하면 성능 저하 가능성 (반정규화 고려)


  • 목표: 잘 구조화된 관계 스키마(테이블 구조)를 만드는 것
  • 핵심 원리: 하나의 데이터는 한 곳에만 저장 (정보 중복 배제)
  • 주요 정규형: 단계별 규칙 집합. 차수가 높아질수록 제약 조건이 엄격해짐
    • 제1정규형 (1NF - First Normal Form)
    • 제2정규형 (2NF - Second Normal Form)
    • 제3정규형 (3NF - Third Normal Form)


부분 종속 vs 이행 종속

구분정의발생 위치해결 정규형
부분 종속복합 기본 키의 일부에만 종속된 속성1NF → 2NF2NF
이행 종속기본 키 → 중간 속성 → 종속 속성2NF → 3NF3NF


단계 요약

정규형조건목표
1NF모든 열의 값이 원자값(Atomic Value) 이어야 함.다중값 속성 제거
2NF1NF 만족 + 부분 함수 종속 제거. (PK 전체에 완전 종속)부분 종속 속성 분리
3NF2NF 만족 + 이행 함수 종속 제거. (PK 외 일반 열 간 종속 X)이행 종속 속성 분리


정규화 전 상태(1NF)

  • 정규화 전 Table이며 학생번호, 과목, 지도교수, 성적 정보를 하나의 테이블에 모두 포함하고 있음
  • 이 구조는 제1정규형(1NF)은 만족하지만, 여러 문제가 존재
  • 문제점
    • 과목마다 동일한 지도교수 정보가 반복되며 데이터 중복이 발생
    • 지도교수가 변경되면 여러 행을 동시에 수정해야 하며, 수정 이상이 발생할 수 있음
    • 새로운 과목을 추가할 때 학생 정보가 없으면 삽입이 어려운 문제 발생


정규화 후 상태(2NF)

  • 정규화 과정을 통해 하나의 Table을 두 개로 분리
  • 학생번호 + 과목 + 성적 Table
  • 과목 + 지도교수 Table
  • 해결 방식 및 효과
    • 과목에 대한 지도교수 정보를 별도 테이블로 분리함으로써 중복을 제거
    • 과목만 수정해도 자동으로 해당 교수 정보가 반영되므로 수정 이상을 방지
    • 새로운 과목이나 학생 정보를 독립적으로 관리할 수 있어 삽입/삭제 이상도 해소


2-2. ERD

ERD는 데이터베이스 구조를 시각적으로 표현하는 도구

ERD

  • 구성요소
    • 개체 (Entity): 저장할 데이터 대상. 사각형으로 표현. (예: 사용자, 주문)
    • 속성 (Attribute): 개체의 특성. 타원형 또는 개체 내부에 표기. (예: 이름, 주문일자)
    • 관계 (Relationship): 개체 간의 연결. 마름모 또는 선으로 표현. (예: 사용자가 주문을 한다)



3. 고급 SQL

3-1. JOIN

정규화를 통해 여러 테이블로 분리된 데이터를 필요에 따라 연결하여 함께 조회해야 할 때 사용
두 테이블 간의 관련 있는 열(보통 PK-FK 관계) 을 기준으로 데이터를 합칩


join JOIN 종류


INNER JOIN

  • 두 테이블 모두에 연결 조건이 일치하는 행만 결과에 포함. 가장 흔히 사용
1
2
3

SELECT l.log_id, u.name, l.action
FROM user_logs l
INNER JOIN users u ON l.user_id = u.id;

| log_id |  name  |  action  |
|--------|--------|----------|
|   1    |  민수   |  login   |
|   2    |  지우   |  view    |
|   3    |  민수   |  post    |
|   4    |  철수   |  login   |
|   5    | Alice  |  view    |
|   6    |  민수   | logout   |
|   7    |  지우   | comment  |
|   8    |  Bob   |  login   |
|   9    |  준호   |  login   |


LEFT JOIN

  • 왼쪽 테이블의 모든 행을 결과에 포함시키고, 오른쪽 테이블은 연결 조건이 일치하는 경우에만 데이터를 가져옴
  • 일치하는 데이터가 없으면 오른쪽 테이블의 열은 NULL로 표시
1
2
3

SELECT l.log_id, u.name, l.action
FROM user_logs l
LEFT JOIN users u ON l.user_id = u.id;

| id |  name  | log_id |  action  |
|----|--------|--------|----------|
| 1  |  민수   |   1    |  login   |
| 1  |  민수   |   6    | logout   |
| 1  |  민수   |   3    |  post    |
| 2  |  지우   |   7    | comment  |
| 2  |  지우   |   2    |  view    |
| 3  |  철수   |   4    |  login   |
| 4  | Alice  |   5    |  view    |
| 5  |  Bob   |   8    |  login   |
| 6  |  준호   |   9    |  login   |


3-2. Subquery

다른 SQL 쿼리 내부에 포함된 또 다른 SELECT 쿼리. 괄호 () 로 감싸서 사용

활용

  • WHERE 절에서 비교 값으로 사용 (예: 평균 나이보다 많은 사용자 조회)
  • FROM 절에서 임시 테이블처럼 사용 (인라인 뷰 Inline View)
  • SELECT 절에서 스칼라 값(단일 값) 조회
  • 장점: 복잡한 로직을 단계적으로 표현 가능
  • 단점: 너무 복잡하거나 비효율적으로 사용 시 성능 저하. JOIN으로 해결 가능하면 JOIN이 더 나을 수도 있음
1
2
3
4

-- 평균 나이 이상 사용자
SELECT name
FROM users
WHERE age > (SELECT AVG(age) FROM users);

|  name  |
|--------|
|  지우   |
| Alice  |
|  Bob   |


3-3. 집계 함수

여러 행의 데이터를 바탕으로 하나의 요약된 값을 계산하는 함수. SELECT 절이나 HAVING 절에서 주로 사용

📊 주요 집계 함수

함수설명예시
COUNT()행의 개수 계산.COUNT(*) (전체 행), COUNT(column) (NULL 제외)
SUM()숫자 열의 합계 계산.SUM(price)
AVG()숫자 열의 평균 계산.AVG(age)
MAX()열의 최대값 계산.MAX(score)
MIN()열의 최소값 계산.`MIN(timestamp)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

-- users 테이블 생성
CREATE TABLE users (
    id INT PRIMARY KEY,
    name VARCHAR(50),
    age INT
);

-- 데이터 삽입
INSERT INTO users (id, name, age) VALUES
(1, '민수', 25),
(2, '지우', 28),
(3, '철수', 30),
(4, 'Alice', 27),
(5, 'Bob', 24),
(6, '준호', 29);

SELECT * FROM users;

| id |  name  | age |
|----|--------|-----|
|  1 |  민수   | 25  |
|  2 |  지우   | 28  |
|  3 |  철수   | 30  |
|  4 | Alice  | 27  |
|  5 |  Bob   | 24  |
|  6 |  준호   | 29  |

1
2
3
4
5
6

-- 집계 함수
SELECT
    COUNT(name) AS total_users,
    AVG(age) AS average_age,
    MAX(age) AS max_age
FROM users;

| total_users | average_age | max_age |
|-------------|-------------|---------|
|      6      |    27.17    |   30    |



4. NoSQL - 데이터베이스

4-1. NoSQL

RDBMS의 한계를 극복하고, 대규모 데이터 처리, 유연한 데이터 모델링, 높은 가용성/확장성 요구에 부응하기 위해 등장


NoSQL

RDBMS의 한계

  • 스키마 변경 어려움: 데이터 구조를 바꾸려면 ALTER, TABLE 등 복잡한 작업 필요. 변화 잦은 서비스에는 부담
  • 수평적 확장의 어려움: 사용자/데이터 폭증 시 여러 서버로 분산하기가 상대적으로 복잡
  • 비정형/반정형 데이터: 로그, 소셜 미디어 글, 센서 데이터 등 형태가 일정하지 않은 데이터 저장/관리에 부적합

NoSQL (Not Only SQL)

  • SQL만 사용하는 것이 아니다 라는 의미. (일부는 SQL 유사 언어 사용)
  • 반정형/비정형/정형 모두 사용 가능
  • DB별 API 또는 고유 쿼리 언어, 스키마 구조 변경이 유연함


4-2. MongoDB

MongoDB는 대표적인 NoSQL 데이터베이스로, 문서 지향(Document-oriented) 저장 방식을 사용

MongoDB

  • 관계형 DB처럼 테이블 구조를 강제하지 않음
  • SQL 대신 MongoDB 자체 쿼리 언어 사용
  • 대용량의 비정형/반정형 데이터 처리에 적합
  • 수평적 확장 (Scale-out) 을 통해 고성능 분산 처리 가능


MongoDB 용어RDBMS 용어 (유사 개념)설명
DatabaseDatabase데이터베이스. Collection들의 그룹.
CollectionTable문서(Document) 들의 그룹. 테이블과 유사.
DocumentRow (행)MongoDB에서 데이터 저장의 기본 단위. JSON/BSON 형태. 행과 유사하지만 스키마 유연
FieldColumn (열)문서 내의 Key-Value 쌍에서 Key 부분. 열과 유사.
IndexIndex특정 필드 기반으로 조회 성능 향상. (RDBMS와 유사)
_id (Field)Primary Key각 Document를 고유하게 식별하는 값. 자동 생성 가능




03. 컴퓨터 시스템

1. 컴퓨터 시스템 기본 구성 요소

CS 컴퓨터 시스템 기본 구성 요소

1-1. CPU

컴퓨터의 두뇌, 프로그램의 명령어를 해석하고 실행하며, 모든 장치를 제어하는 핵심 장치

  • ALU: 덧셈, 뺄셈 등 산술 연산과 AND, OR 등 논리 연산을 수행
  • 제어 장치: 명령어 해석, 데이터 흐름 제어, 다른 장치들에 작업 지시
  • 레지스터: CPU 내부의 매우 빠른 임시 저장 공간. 현재 처리 중인 명령어, 데이터 등을 저장


1-2. 메모리

CPU가 당장 처리해야 할 데이터나 프로그램을 잠시 올려두는 임시 저장 공간

  • CPU가 빠르게 접근할 수 있도록 데이터 임시 보관
  • 실행 중인 프로그램과 데이터 저장
  • CPU보다는 느리지만, 저장장치보다는 훨씬 빠름. 전원이 꺼지면 내용이 사라짐 (휘발성)


1-3. 저장장치

데이터와 프로그램을 영구적으로 보관하는 공간

  • 운영체제(OS), 응용 프로그램, 사용자 파일 등 저장
  • 전원이 꺼져도 데이터 유지 (비휘발성)
  • 메모리보다 속도는 느림, 하지만 용량이 훨씬 크며, HDD(하드 디스크)보다 SSD가 훨씬 빠름


1-4. 폰 노이만 아키텍처 (Von Neumann Architecture)

현대 컴퓨터 구조의 기반이 되는 모델. 수학자 존 폰 노이만이 제안

  • 프로그램(명령어) 과 데이터가 동일한 메모리 공간에 저장
  • CPU는 메모리에서 명령어를 하나씩 순차적으로 가져와(Fetch) 해석하고(Decode) 실행(Execute)
  • 장점: 구조가 간단하고 프로그램 변경이 용이 (메모리 내용만 바꾸면 됨). 범용 컴퓨터 구현 가능
  • 단점(폰 노이만 병목 현상)
    • CPU가 명령어와 데이터에 접근하기 위해 동일한 버스(통로) 를 사용
    • CPU 속도에 비해 메모리 접근 속도가 느려서, CPU가 메모리를 기다리는 시간이 발생하여 전체 성능이 제한될 수 있다.


1-5. CPU vs GPU 와 AI 연산

CPU (Central Processing Unit)

  • 구조: 소수의 고성능 코어로 구성. 복잡한 명령어 처리, 빠른 순차 처리, 제어 흐름 처리에 최적화.
  • 특징: 직렬 작업, 다양하고 복잡한 작업 처리에 강함. 코어 당 성능 우수.


GPU (Graphics Processing Unit)

  • 구조: 수많은 단순한 코어로 구성. 동일한 연산을 대규모 데이터에 대해 병렬로 처리하는 데 최적화.
  • 특징: 병렬 처리 능력 탁월. 단순 반복 계산(특히 행렬/벡터 연산)에 매우 효율적.


AI 연산과 GPU

  • 딥러닝 학습/추론 과정은 매우 많은 행렬 곱셈 및 벡터 연산을 포함.
  • GPU의 수많은 코어는 이러한 연산을 병렬로 동시에 처리하여 CPU보다 수십~수백 배 빠른 속도를 낼 수 있다.
  • 예: 이미지 처리 시 각 픽셀에 동일한 필터 연산 적용, 신경망 가중치 업데이트 등.


1-6. 양자화 - 모델 최적화

AI 모델(특히 딥러닝 모델)의 가중치 나 활성화값 을 표현하는 숫자의 정밀도를 낮추는 기술

  • 목적
    • 모델 크기 감소: 낮은 정밀도 숫자는 더 적은 메모리 공간 차지 → 모델 저장 공간 감소
    • 메모리 사용량 감소: 모델 로딩 및 실행 시 필요한 RAM/GPU 메모리 감소
    • 추론 속도 향상: 낮은 정밀도 연산은 일반적으로 더 빠르고, 하드웨어 가속 지원 활용 가능
  • Trade-off
    • 정확도 감소 가능성: 정밀도를 낮추면서 정보 손실이 발생하여 모델 예측 정확도가 약간 떨어질 수 있다.



2. 운영체제(OS)

컴퓨터 하드웨어와 사용자(또는 애플리케이션 소프트웨어) 사이에 위치하여, 컴퓨터 시스템의 자원을 효율적으로 관리하고 사용자에게 편리한 인터페이스를 제공하는 핵심 시스템 소프트웨어

OS

  • 역할
    • 컴퓨터 시스템의 관리자이자 중재자
    • 하드웨어의 복잡성을 숨기고 사용자가 컴퓨터를 쉽게 사용할 수 있도록 도와줌
  • 핵심 기능
    • 프로세스 관리 (Process Management): 프로그램의 생성, 실행, 종료, 스케줄링, 동기화 등 관리
    • 메모리 관리(Memory Management): 프로그램 실행에 필요한 메모리 공간 할당 및 회수, 가상 메모리 관리
    • 저장장치 관리: 디스크 공간 관리, 파일 생성/삭제/읽기/쓰기 등 파일 시스템 운영
    • 입출력 장치 관리: 키보드, 마우스, 모니터, 프린터 등 주변 장치와의 데이터 입출력 제어
    • 네트워킹 (Networking): 네트워크 통신 기능 제공 및 관리
    • 보안 (Security): 시스템 접근 제어, 사용자 인증, 자원 보호 등
    • 사용자 인터페이스 (User Interface): 사용자가 컴퓨터와 상호작용할 수 있는 환경 제공


2-1. Process & Thread

Process

  • 정의: 실행 중인 프로그램, 디스크에 저장된 프로그램 코드가 메모리에 올라와 CPU에 의해 실행되는 동적인 상태
  • 특징
    • 각 프로세스는 자신만의 독립적인 주소 공간을 할당받음
    • 다른 프로세스의 메모리 공간에 직접 접근 불가 (OS의 보호)
    • 운영체제로부터 CPU 시간, 메모리, 파일 핸들 등 자원을 할당받는 단위
    • 독립된 메모리 때문에, 프로세스끼리 데이터를 주고받으려면 별도의 IPC 메커니즘 필요
  • 구성요소
    • 코드(Code) 영역: 실행할 프로그램 명령어
    • 데이터(Data) 영역: 전역 변수, 정적 변수 등 저장
    • 힙(Heap) 영역: 프로그램 실행 중 동적으로 할당되는 메모리 공간 (예: 객체 생성)
    • 스택(Stack) 영역: 함수 호출 시 지역 변수, 매개변수, 복귀 주소 등 저장

메모리-구조


Thread

  • 정의: 프로세스 내에서 실행되는 실행 흐름의 가장 작은 단위. “경량 프로세스“라고도 불림
  • 특징
    • 프로세스 자원 공유: 스레드는 자신이 속한 프로세스의 코드, 데이터, 힙 영역 메모리를 다른 스레드들과 공유
    • 독립적인 실행 흐름: 각 스레드는 자신만의 독립적인 스택(Stack) 영역과 레지스터 값을 가짐
    • 스레드 간 통신: 같은 프로세스 내 스레드들은 메모리를 공유하므로, 데이터를 직접 주고받기 쉬움
    • 생성/관리 오버헤드 적음: 프로세스 생성보다 스레드 생성이 훨씬 가볍고 빠름

Thread


프로세스 vs 스레드 요약

구분프로세스 (Process)스레드 (Thread)
정의실행 중인 프로그램프로세스 내 실행 흐름 단위
메모리독립적 공간 할당프로세스 자원 공유 (스택/레지스터는 독립)
자원 공유어려움 (IPC 필요)쉬움 (메모리 공유)
생성/관리오버헤드 큼오버헤드 작음
안정성한 프로세스 오류가 다른 프로세스에 영향 적음한 스레드 오류가 프로세스 전체에 영향 가능
활용독립적 작업, 병렬 처리 (멀티코어)동시성 작업, 자원 공유 작업, 응답성 향상


2-2. Pyhon GIL

GIL이란 CPython의 잠금 한 번에 딱 한 스레드만 파이썬 코드를 실행하게 하는 것
메모리 관리(참조 카운팅)를 쉽게 스레드로부터 보호하기 위함으로 사용

  • 핵심 영향 (threading 사용 시):
    • I/O 작업 (대기 많음): 스레드가 대기할 때 다른 스레드가 일할 수 있어 성능 향상 (동시성)
    • CPU 작업 (계산 많음): 여러 스레드도 결국 순서대로 실행되어 병렬 처리 효과 거의 없음
  • CPU 병렬 처리 해결책:
    • ✅ 표준/안정적: multiprocessing 사용. 각 프로세스가 독립된 GIL을 가져 진짜 병렬 처리 가능
    • 실험적 (Python 3.13+): Free-threaded 모드. GIL을 끄는 옵션으로 threading 병렬 가능성 제시
  • ⚠️ 중요 (Free-threaded):
    • 아직 매우 실험적인 기능 (버그, 성능 저하, 호환성 문제 가능)
    • 기본 파이썬은 여전히 GIL이 활성화되어 있음
    • 실제 개발 환경에서는 딥러닝/백엔드 프레임워크는 멀티프로세싱/멀티스레딩 기능들을 내장하고 있다.




04. Network

네트워크란 두 대 이상의 컴퓨터 또는 장치들이 서로 연결되어 정보(데이터)를 주고받을 수 있는 상태

  • 컴퓨터: 데스크톱, 노트북, 스마트폰, 서버 등
  • 장치: 프린터, 스캐너, 스마트 TV, IoT 기기 등


구성요소

구성요소역할
🔌 기기(Host)컴퓨터, 스마트폰, 프린터 등
📡 통신 장비공유기, 스위치, 라우터 등 데이터가 올바른 목적지로 가도록 안내
🔁 전송 매체유선(케이블), 무선(Wi-Fi, Bluetooth 등)
📬 프로토콜서로 “어떻게 대화할지” 약속한 규칙 (ex. TCP/IP)


1. IP 주소

ip-address

  • 네트워크에 연결된 각 장치를 식별하기 위한 논리적인 주소. 숫자로 구성
  • 인터넷 세상의 집 주소와 같음. 데이터가 정확한 목적지를 찾아가도록 함
  • 특징
    • 고유성: 일반적으로 특정 네트워크 내에서는 중복되지 않음 (하지만 상황에 따라 변할 수 있음 - 유동 IP)
    • 변경 가능: 네트워크 환경이 바뀌거나, ISP(인터넷 서비스 제공자)가 변경하면 IP 주소도 바뀔 수 있다.
  • 종류
    • 공인 IP (Public IP): 전 세계에서 유일한 IP 주소. 인터넷 상에서 나를 식별. (ISP가 제공)
    • 사설 IP (Private IP): 특정 내부 네트워크(집, 회사) 안에서만 사용되는 IP 주소
      • 외부 인터넷에서는 직접 접근 불가


1-1. DNS

DNS

  • 정의: 도메인 이름을 IP 주소로 변환해주는 것이 DNS
  • ex: 172.217.160.142 -> www.google.com
  • DNS 없이는 IP 주소를 직접 외워야 하므로 인터넷 사용이 매우 불편


1-2. Mac 주소

Mac-address

  • 정의: 네트워크 인터페이스 카드(NIC, 랜카드)에 부여된 물리적인 고유 식별 번호. 하드웨어 자체의 주소
  • 특징
    • 전 세계적으로 고유: 제조사에서 할당하며, 이론적으로는 중복되지 않음
    • 불변성: 해당 하드웨어가 바뀌지 않는 한 변하지 않음
    • 콜론(:)이나 하이폰(-)으로 구분된 6개의 16진수 덩어리
  • IP 주소와의 관계
    • IP 주소: 최종 목적지 (집 주소) - 네트워크 상에서 장치를 찾을 때 사용
    • MAC 주소: 실제 배달 대상 (집 안의 특정 사람) - 같은 네트워크 내에서 특정 하드웨어를 찾을 때 사용
    • 비유: 아파트 101동 501호 (IP 주소)에 사는 홍길동 (MAC 주소) 에게 편지 전달



2. 클라이언트-서버 TCP/IP 및 HTTP

2-1. OSI 7계층 vs TCP/IP 4계층

OSI-TCP:IP.png

OSI 7계층 모델

  • 국제표준화기구(ISO)에서 개발한 참조 모델
  • 네트워크 통신 과정을 7개의 상세한 단계로 나뉨 (물리, 데이터 링크, 네트워크, 전송, 세션, 표현, 응용)
  • 실제 구현에서는 너무 복잡하고 비효율적인 면이 있어 널리 사용되지는 않는다.
  • 비유: 아주 상세하게 모든 부품과 조립 순서가 적힌 이론적인 설계도


TCP/IP 4계층 모델

  • 현재 인터넷 표준 모델로, 실제 인터넷 통신에서 사용
  • OSI 모델을 더 실용적으로 그룹화하여 4개의 계층으로 단순화 (네트워크 인터페이스, 인터넷, 전송, 응용)
  • 비유: 실제 건물을 지을 때 사용하는 실용적인 건축 도면


비교

특징OSI 7계층TCP/IP 4계층
목적참조 모델, 개념 학습실제 구현, 인터넷 표준
계층 수7개 (세분화)4개 (실용적 그룹화)
사용 현황이론적, 교육용실제 인터넷 표준
개발 주체ISO (국제표준화기구)미국 국방부 (ARPANET)
주요 초점각 계층의 명확한 역할 정의프로토콜 기반의 실제 동작


2-2. 포트(Port)

port

  • 역할
    • 하나의 IP 주소 안에서 여러 프로세스(프로그램)를 구분해주는 논리적인 문
    • 네트워크 통신에서 ‘문’ 역할: 어떤 프로세스와 연결할지 정해줌
    • 예: 같은 컴퓨터에서 웹 서버(80번)와 메일 서버(25번)를 동시에 운영 가능

  • 특징

    • 컴퓨터에서 프로세스는 네트워크 서비스를 제공할 때 특정 포트를 사용
    • 한 포트는 동시에 하나의 프로세스만 사용 가능
    • 예: 80번 포트는 웹 서버(Apache, Nginx 등)가 사용 중이라면, 다른 앱은 사용 불가
AI | 인공지능, Upstage AI Lab
Python CS 자료구조
This post is licensed under CC BY 4.0 by the author.