👉 [웹 포트폴리오 바로가기]

다양한 현장에서 쌓은 문제 해결 경험을 바탕으로
Python과 AI 기술을 실제 프로젝트로 구현하고 기록하고 있습니다.

병원, 철강 가공, 특수용접 등 서로 다른 현장에서 문제를 직접 해결해 온 경험을 바탕으로
현재 Python · AI · Deep Learning 기술을 활용한 개인 및 팀 프로젝트를 개발하고 있습니다.

결과만 남기는 것이 아니라 실험 → 개선 → 문서화 → 배포 과정을 GitHub에 기록하며
프로젝트의 완성도를 지속적으로 높여가는 것을 목표로 하고 있습니다.

• 🏥 병원 물리치료 파트 — 4년
• 🏭 1차 철강 가공 — 2년
• 🔧 특수용접 — 2년
• 💻 Python · AI 기반 프로젝트 개발

WAV 음악 데이터를 분석하여 10개 음악 장르를 예측하는 AI 프로젝트

Python PyTorch ResNet18 Librosa Scikit-learn Streamlit

Development

• RandomForest 기반 기본 장르 예측 모델 구현
• 장르별 신뢰도 시각화
• 여러 WAV 파일 비교 기능 구현
• 예측 이력 기능 추가
• 3초 Segment 기반 학습 데이터 확장
• ResNet18 Fine-tuning
• Backbone / FC Learning Rate 분리
• SpecAugment 적용
• AS-IS / TO-BE 모델 성능 비교
• Epoch별 학습 과정 시각화
• Streamlit 웹 애플리케이션 통합

Result

• Validation Accuracy: 76.47% → 82.32%
• Model Improvement: +5.85%p
• Epoch별 Validation Accuracy / Train Loss / Learning Rate 시각화
• 6강 기본 → 7강 고급 → 8강 Deep Learning 구조로 기능 확장
• WAV 업로드 기반 음악 장르 예측 웹 구현
• Streamlit 배포 완료

GitHub Repository

AI 음악 장르 예측기 실행하기

음성 기반으로 레시피를 검색하고, 조리 단계를 진행하며, 재료 변경까지 반영할 수 있도록 설계한 팀 프로젝트

Python PyTorch Whisper wav2vec2 QLoRA Qwen3-TTS Streamlit Supabase

My Role — STT Fine-tuning

• Whisper Small 기반 초기 STT 실험
• wav2vec2 비교 실험 및 성능 검증
• openai/whisper-large-v3-turbo QLoRA 파인튜닝
• Fixed100 / New500 기준 WER · CER 평가
• 모델 비교를 통한 최종 STT 모델 선정
• TTS 생성 음성 → STT 재인식 통합 테스트 진행
• Git Branch / Pull Request / Review 기반 협업
• STT 관련 README 및 실험 과정 문서화

Current Result

• Whisper Small / wav2vec2 / Whisper Large 비교 실험 완료
• Whisper Large-v3-turbo를 ChefEar 최종 STT 모델로 선정
• 요리명, 재료명, 숫자, 계량단위, 조리 행동 표현 중심으로 검증
• STT 모델과 팀 서비스 통합 작업 진행 중

GitHub Repository

프로젝트는 기능 구현 이후에도 README, 코드 구조, 실행 결과를 지속적으로 정리하고 있습니다.

개발 구현의 기반이 되는 최신 AI/Deep Learning 논문들을 치열하게 읽고 분석하는 공간입니다.

프로젝트 개발에 필요한 기술을 직접 실습하고 결과를 기록하고 있습니다.

• CNN 이미지 분류
• ResNet18 Fine-tuning
• Transfer Learning
• Data Augmentation
• SpecAugment
• Model Optimization

• Transformer 구조 실습
• SentenceTransformer
• 문장 Embedding
• 유사도 기반 검색
• Top-K 검색

• 음성 데이터 처리
• Mel Spectrogram
• 음악 장르 분류
• TTS 관련 실습
• Audio Feature Extraction
• Whisper STT Fine-tuning
• wav2vec2 비교 실험
• QLoRA 기반 STT 모델 학습
• WER / CER 기반 음성인식 모델 평가
• STT / TTS 통합 테스트

• Pandas / NumPy 데이터 처리
• RandomForest
• Scikit-learn
• 데이터 시각화
• 모델 성능 비교 및 실험

Python Pandas NumPy

PyTorch Scikit-learn ResNet18

Librosa Mel Spectrogram Whisper wav2vec2 Qwen3-TTS

Fine-tuning QLoRA WER CER

Matplotlib Streamlit

VS Code Google Colab Git GitHub

프로젝트가 늘어나더라도 동일한 기준으로 관리할 수 있도록
GitHub 운영 원칙을 적용하고 있습니다.

• 프로젝트별 독립 Repository 운영
• Public Repository 중심 관리
• 프로젝트 목적을 Description에 명확하게 작성

각 프로젝트 README는 다음 구조를 기준으로 작성합니다.

프로젝트 소개 → 개발 환경 → 주요 기능 → 실행 방법 → 실행 결과 → 개선 사항

작업 내용을 확인하기 쉽도록 의미 있는 Commit Message를 사용합니다.

• feat — 기능 추가
• fix — 오류 수정
• docs — 문서 수정
• refactor — 코드 개선
• style — 코드 정리

• main — 최종 버전
• develop — 개발 내용 통합
• feature — 기능 개발
• fix — 오류 수정
• docs — 문서 수정

프로젝트 작업 및 협업 과정에서
Issue → Branch → Pull Request → Merge 흐름을 기록합니다.

AI / Python 기초 학습
        ↓
개인 프로젝트 구현
        ↓
실험 · 성능 개선 · 문서화
        ↓
Streamlit 기반 결과물 배포
        ↓
논문 및 기술 Research Archive 구축
        ↓
팀 프로젝트 및 협업 경험 확장
        ↓
개발자 포트폴리오 고도화