인공지능 수학 교과서, 저자 직강! AI 교육 핵심 활용법 🚀

인공지능 수학 수업 자료 공유 및 활용 방안

안녕하세요! 대전 대신고등학교에서 수학을 가르치고 있는 하진수입니다. 저는 대학교 때 정보와 컴퓨터를 복수 전공했고, 2022년에는 AI 융합 교육 대학원에서 석사 학위를 취득했습니다. 2018년에는 대한민국 수학 교사상을 받았고, 2024년에는 하차 수학 교육 종합 계획 수립 연구단으로 활동했습니다. 2025 개정 고등학교 인공지능 수학 교사용 집필 자료집과 시마스 인공지능 수학 교과서 집필에도 참여했습니다.

제가 만든 자료들을 선생님들과 공유하고 싶어서 이렇게 준비했습니다. 혹시 괜찮으시다면 아래 링크를 꼭 기억해주세요!

[노션 페이지 링크] (채팅창에 공유해 드렸습니다.)

이 노션 페이지에 제가 만든 인공지능 수학 관련 자료들을 모아두었습니다. 수업에 필요한 자료가 있다면 언제든지 가져가서 활용하셔도 좋습니다. 아직 자료를 계속 만들고 있는 중이라 완벽하지는 않지만, 보기 편하게 정리하려고 노력했습니다. 특히 인공지능 수학 뒷부분의 데이터 과학, 머신러닝 관련 자료도 중간 단원까지는 만들어 두었습니다.

인공지능 수학, 어렵지 않아요!

인공지능 수학을 처음 가르칠 때 저도 어떻게 해야 할지 고민이 많았습니다. 하지만 알고 보면 고등학교 1학년 수학 과정만 마치면 충분히 이해할 수 있는 내용입니다.

• 수학적 내용: 간단한 이차 함수, 미분법, 벡터의 정의, 내적, 함수의 최댓값/최솟값 정도만 알면 됩니다.
• 부담감: 인공지능이라는 단어 때문에 어렵게 느껴질 수 있지만, 정보 교과와 연계되는 부분도 있습니다.

인공지능 수학의 구성:

• 이론: 인공지능 수학에서 이론적인 부분을 다룹니다.
• 기초: 파이썬을 이용해 인공지능 원리를 구성하는 방법을 배웁니다. (올해부터 고등학교에서는 파이썬을 기본으로 배우죠!)
• 심화: 데이터 과학과 머신러닝을 통해 내용을 더 깊이 있게 다룹니다.
• 고급: 선형대수학의 고유치, 고유 벡터, 선형 변환 등 고급 수학 내용도 활용하면 이미지 변환 등을 쉽게 이해할 수 있습니다.

인공지능 수학, 어떻게 가르칠까?

1. 인공지능의 역사와 흐름 잡기

• 지도 학습, 비지도 학습, 강화 학습: 정답을 알고 푸는지, 모르고 푸는지, 보상을 통해 배우는지 등 기본적인 개념만 설명해도 충분합니다.
• 실습: 티처블 머신, AI 오션 등을 활용하여 학생들이 직접 체험하게 하면 좋습니다. (캠 사용 시 티처블 머신 활용에 제약이 있을 수 있습니다.)
• 역사적 흐름: 앨런 튜링의 튜링 테스트부터 다트머스 회의, XOR 문제, 제프리 힌튼의 딥러닝 발전까지 흐름을 잡고 설명하면 학생들이 인공지능을 더 쉽게 이해할 수 있습니다. (제 노션 페이지에 관련 자료와 영상 링크를 많이 넣어두었습니다.)
• 흑망성쇠: 인공지능 역사에서 두 번의 침체기가 있었던 이유 (XOR 문제, 기울기 소실 문제)와 이를 극복한 과정을 설명해주면 흥미를 유발할 수 있습니다.

2. 수학과 인공지능의 연결고리 찾기

• 논리 연산: NOT, OR, AND 연산은 익숙하지만, 배타적 논리합(XOR)은 학생들이 어려워할 수 있습니다. 카드 게임 등으로 재미있게 설명해주면 좋습니다.
  • XOR 연산: 둘 중 하나만 참일 때 참, 둘 다 참이거나 둘 다 거짓이면 거짓입니다. (01 또는 10일 때만 1)
• 논리 회로: 집합 연산과 유사하게 생각하면 이해하기 쉽습니다.
• 순서도: 점화식이나 재귀 함수 구성과 연결하여 설명할 수 있습니다. (등차/등비수열과 연결)

3. 이미지 데이터 처리 (3단원)

• RGB 색 공간: 레드(R), 그린(G), 블루(B) 색이 어떻게 혼합되는지, 명도, 채도, 색상 변화를 설명하기 좋습니다.
  • 색상 표현: 검정색(0,0,0), 흰색(255,255,255)부터 시작하여 16진법(FF) 개념까지 연결하여 설명할 수 있습니다.
  • 실습: [라피도 테이블 링크] (채팅창에 공유)를 활용하여 학생들이 직접 RGB 값을 입력하고 색 변화를 체험하게 하면 매우 효과적입니다. (예: FF0000 -> 빨간색, 00FF00 -> 초록색, 0000FF -> 파란색)
  • 색상 혼합: 빨간색과 파란색을 섞으면 마젠타색이 되는 등, 학생들이 직접 색을 조합하고 예상해보는 활동을 할 수 있습니다.
• 좌우 변환, 명도 변화: 이미지 변환과 함께 수학적 원리(벡터, 행렬)를 연결하여 설명할 수 있습니다.
• 나만의 심볼 만들기: [AI 웹 실험실 링크] (채팅창에 공유)을 활용하여 학생들이 직접 색상을 조합하고 변환 필터를 적용해보는 실습을 진행할 수 있습니다. (예: 세피아 필터 적용, 하트 모양 만들기 등)
  • 행렬 연산: 행렬의 덧셈, 뺄셈, 곱셈이 색상 변화와 어떻게 연결되는지 설명할 수 있습니다. (예: 행렬 덧셈 -> 색상 밝게 하기)
  • 과제 활용: 학생들이 직접 만든 심볼과 그에 사용된 행렬식을 설명하는 과제를 내주면 좋습니다.

4. 데이터 분석 및 시각화

• 해밍 거리: 두 이미지 간의 유사성을 측정하는 방법으로, 0과 1로 이루어진 데이터를 비교하여 차이점을 세는 방식입니다. (MNIST 데이터 활용 실습 가능)
• 다층 퍼셉트론: 입력값, 가중치, 내적을 통해 출력값을 계산하는 과정을 설명합니다. (수열의 점화식과 유사)
• CNN (합성곱 신경망): 이미지 데이터를 압축하고 특징을 추출하는 원리를 설명합니다. (필터/커널 개념 활용)
  • 실습: [CNN 관련 실습 링크] (채팅창에 공유)를 통해 이미지 샤픈, 흑백 변환 등 다양한 필터 효과를 체험하게 할 수 있습니다.
• 추세선 분석: 산점도를 통해 데이터의 경향성을 직선으로 나타내는 방법입니다. (연평균 기온 데이터 활용)
  • 지오지브라 활용: [지오지브라 링크] (채팅창에 공유)를 통해 학생들이 직접 추세선을 그려보고 기후 변화 등과 연결하여 설명할 수 있습니다.
• 최적화 과정: 손실 함수를 최소화하는 값을 찾는 과정으로, 2차 함수 최댓값/최솟값 개념과 연결하여 설명할 수 있습니다.
  • 경사강법: 기울기를 이용하여 최적값을 찾아가는 과정을 점화식을 통해 설명합니다. (학습률 개념 중요)
  • 실습: [경사강법 관련 실습 링크] (채팅창에 공유)를 통해 학생들이 직접 최적화 과정을 체험하게 할 수 있습니다.

추가 자료 및 활용 팁

• 노션 페이지: 제가 만든 모든 자료는 노션 페이지에 정리되어 있습니다. 필요하신 자료는 자유롭게 다운로드하여 활용하세요.
• 구글 드라이브: 일부 자료는 구글 드라이브에 저장되어 있어 접근이 용이합니다.
• AI 웹 실험실: 코딩 없이도 다양한 AI 관련 실험을 해볼 수 있는 유용한 도구입니다.
• 코랩(Colab): 파이썬 코딩을 온라인에서 쉽게 할 수 있는 환경을 제공합니다.
• 질의응답: 수업 중 궁금한 점이나 자료 활용에 어려움이 있다면 언제든지 저에게 메일(하진수 선생님)로 문의해주세요.

인공지능 수학은 학생들이 미래 사회를 살아가는 데 필수적인 역량을 키울 수 있는 과목입니다. 제가 만든 자료들이 선생님들의 수업에 조금이나마 도움이 되기를 바랍니다. 감사합니다!