개발자로 돈 버는 방법 10가지

Medium에서 " How to make money with code " 라는 블로그 내용을 읽고, "경제적 자유"를 얻기 위한 활동을 시작해야겠다는 생각을 한번 더 가져 보게 되었어요 해당 블로그에 있는 내용을 아래에 나열해보고, 아래 내용들을 수행하는 행동들을 저의 블로그에 하나씩 기록으로 남겨 보고자 해요 첫번째, Help a Local Business 주위 가족이나 친구들에게 작은 규모의 일(웹사이트 개발 혹은 개선사항개발)을 물어서 해결해주는 일을 하는 것을 말해요 돈을 받을 수도 있고, 성공적인 프로젝트 수행시 기존 고객을 통해 새로운 고객을 넓혀나갈 수 있다고 조언하고 있어요 그리고 첫 프로젝트라면, 공짜로 해주는것도 고민해보라고 조언하네요 ( 인생 길게 보자는 의미겠죠? ) 두번째, Blogging 말그대로 블로깅을 통해서 돈을 버는 방법을 말하고, 아마 대부분의 개발자들이 고려본 내용이라고 생각해요 좀 차이가 있다면, 글을 기재하는 것만으로도 돈을 벌수 있는 블로그(Medium) 같은 곳에 글을 적는 것도 하나의 방법이라고 하네요 그게 아니라면, 블로그에 광고를 통한 수익을 얻는것인데 아주 블로그가 흥하신 Outsider 님도 광고 수익은 기대하지 않는게 좋아요~ 라는 말씀을 주셨던게 기억이 나네요 꼭 돈으로 가치를 따질 수는 없겠지만, 자신을 알릴수도 있으니 그것만으로도 가치를 높이는 활동이라고 할수 있을꺼 같아요 세번째, App Development 모바일 앱을 만들어서 수익을 올리는 것이라고 하네요. ML/AI 영역에서는 3매치 게임을 기계적으로 대량으로 만들어서 하루에 1개씩 앱을 배포하면서 굉장한 수익을 얻었다는 일례가 이미 있어요 다만, 이런 앱을 만들기 위해서는 유저로 부터 결제를 할만한 가치있는 앱을 만드는게 우선이 되어야 한다고 하네요. 다만 수익이 길게 가지 않는 부분이 있을수 있다는 건 함정 앱을 만드는데 시간을 소비하는 비용대비, 수익이 많지...

"스타트업 1년 차입니다" - 독서 후기

이미지
저자 : 조성주  이 책에서는 "스타트업"을 준비하는 사람들이 생각해보아야 하는 것들을 12가지 챕터로 표현하고 있다. 기업가 정신부터 해서 고객관점의 아이템 발굴, 마케팅 방식, 성장을 위한 조직관리 및 계약관계에 관한 팁까지 내용들이 짧지만 알차게 준비되어 있다고 생각한다.  나의 조직이 "스타트업"이라는 가정하게 어떻게 하면 좋을지를 빗대어 많이 생각하게 되었고, 그런 관점으로 후기를 좀 적어보려 한다. 1. 수익은 목적이 아니라 결과여야 한다. "기업의 역할이 수익을 내는 것이라고 말하는 것은 음식을 먹거나 숨 쉬는 것이 사람의 역할이라고 말하는 것과 같다. 회사는 손실이 나면 망한다. 사람이 먹지 못하면 죽는 것과 마찬가지다. 하지만 숨 쉬는 것이나 먹는 것이 삶의 목표가 될 수는 없다. 이윤은 생존의 필요조건이다. 그러나 우리가 이윤을 추구하는 것은 사회 전체의 행복에 기여하기 위해서다." - 달라이 라마 ( 저서 "리더스 웨이" 중에서 ) 2. 기술력보다 중요한 것은 고객이다. "기술력의 높고 낮음의 문제가 아니라, 고객에게 적합한지가 핵심이다.", "기술은 아직 제품이 아니다"  - 이 책 내용 중에서 3. 미션과 비젼 "미션은 나침판과 같다. 향후 회사가 나아갈 방향을 결정하는 데 중요한 역할을 할 것이다. 비전은 나침판을 들고 어디까지 가야 하는지, 가면 뭐가 있는지 알려주는 이정표라 하겠다. 이처럼 미션과 비전은 조직을 한 방향으로 갈 수 있게 해주는 핵심역할을 하게 될 것이다" - 이 책 내용 중에서 4.  사람을 움직이는 힘 "큰 배를 만들게 하고 싶다면 나무와 연장을 주고 배 만드는 법을 가르치기 전에 먼저 바다에 대한 동경을 심어줘라. 그러면 그 사람 스스로 배를 만드는 법을 찾아낼 것이다." - 생텍쥐베리 (...

"세상에서 가장 쉬운 통계학입문" - 독서 후기

이미지
저자 : 고지마 히로유키 옮김 : 박주영  한 5~6년 전인가, 회사에서 진행된 "통계스터디"에서 사용했던 교제. 그 때는 "데이터분석"과는 별개의 업무를 진행하고 있어, 나에게는 기본소양을 넓힌다는 생각으로 접했던 책이다. 그때 잠시 보고 책장에 고이 모셔놓았던 책이기도 하다.  지금은 나와는 상관없을 줄 알았던, "데이터"를 다루고 있고, "통계" 관련 전공을 수료하지 않은 나로서는 뭔가 기본을 잡아주는게 필요하지 않을까 싶어서 다시 읽게 되었다. 사실 과거 스터디를 진행한 강사 분이 "이건 정말 쉬운거예요~ 어렵지 않아요~"라고 했던 말이 아직도 기억에 남는다. 그런데도 그때 난 책의 반을 넘기지 못했던거 같은데 말이다.  지금 짧게나마 "데이터"를 다루고 살다보니, 그 때 강사님의 말이 어느정도는 이해는 된다.  평균/분산/표준편차 까지는 말이다.  통계학도 "기술통계" 라는 부분과 "추리통계" 라는 영역으로 구성되어 있다는 내용도 알게되었다. 기술통계 = 관측을 통해 얻은 데이터에서 그 데이터의 특징을 뽑아내기 위한 기술 도수분포표, 히스토그램, 평균값, 표준편차 등등 추리통계 = 통계학 방법과 확률 이론을 섞은 것. '전체를 파악할 수 없을 정도의 큰 대상'이나 '아직 일어나지 않은, 미래에 일어날 일'에 관해 추측하는 것 부분으로 전체를 추측한다. 선거 속보, 지구온난화의 예상, 주가예상, 금융상품/보험상품 가격 책정 등   내가 업무를 진행하면서, "기초통계량"이라는 표현을 많이 사용했었는데, 이 "기초통계량"이라는 부분들이 대부분은 "기술통계"에 해당하는 통계량이였다.  나는 이 책을 통해 통계학을 조금이나마 이해한듯하다. 가령, 분포를 기준으로 설명을 해보자면 이렇...

"구글이 목표를 달성하는 방식 OKR" - 독서 후기

이미지
저자 : 크리스티나 워드케 옮김 : 박수성  팀장을 6여년 해오면서 매년 고민되는 것이 있다. "어떻게 하면 팀이 성과를 잘 내면서 개인(구성원)의 발전이 이루어 낼수 있을까?". 사실 2가지 다 이루어 진다면, 아마 너무나도 좋을것이다. 하지만 대부분의 경우, 그렇게 되기가 쉽지가 않다. 다만, 내가 겪은 1가지는 일반적으로 "성과가 나는 팀"에서는 "구성원들의 만족도가 높고, 성장도 동반될 가능성이 높다"는 것이다. 그래서 난 지인이 추천해주는 이 책을 읽어 보기로 했다.  OKR 은 구글에서 목표를 달성하기 위해서 진행하는 하나의 수단이라고 생각 된다. 구글과 관련한 업무 혁신 관련 도서들은 이 책 외에도 많다. "스프린트" 라는 책이나, "구글은 어떻게 일하는가?" 에서도 비슷하면서도 약간은 다른 이야기들을 해준다. 다만, 내가 읽었던 책들 중에서 이 책이 가장 심플하고, 명확하고, 직관적이였다는 것은 맞는거 같다.  OKR ( Object Key Results ) 에 대해서 책 내용을 하나의 표로 나타내면, 이렇다.  간단하게 표로 표현해서 모든 부분들이 해결이 된다는 것을 의미하지는 않는다. 목표 수립을 위한 과정들이 가장 중요하고, 그리고 그것을 달성하기 위해 주기적으로 상기시키고 집중하는게 이 OKR의 취지라고 생각이 든다.  팀을 운영하다보면, 방향성과 목표에 혼란이 오거나, 산적한 업무들(우선순위나 의사결정권자의 변심 등등)로 인해 본래 달성하고자 했던 부분들을 놓치게되는 경우가 종종 있다. 비단 외부적인 요인이 아니더라도 목표달성을 실패하는 경우는 많다. 목표를 지속적으로 확인하지 못해서 일 수도 있고, 목표를 정확하게 정의하지 못했거나, 목표를 정확하게 평가할 기준들이 모호할 때에도 이런 일은 일어난다.   이 책에서는 목표는 심플해야 하고, 평가 기준은 명확히 하며, 정해진 목표는 주기적으로 ...

"과학을 읽다" - 독서 후기

이미지
저자 : 정인경 2020년의 첫 도서!  이 책을 읽게 된 배경은 이렇다. 데이터과학자(Data Scientist) 라는 말은 꽤 오래전 부터 들려왔었고, 나 또한 최근 1년여간 해당 직군에 속하여 업무를 진행해 오고 있다. 보통은 데이터기술자(Data Engineer) 와 데이터분석가(Data Analyst) 의 영역을 합쳐서, 데이터과학자(Data Scientist)라고 표현하는 내용을 가장 쉽게 접할 수 있는데, 최근 과학을 쉽고 다양한 시각에서 표현해주는 도서들을 통해서 "데이터과학"이 추구하는 바가 무엇이고, "데이터과학자"로서의 난 어떻게 해야 하는가? 에 대한 이해를 하고자 이 책을 읽게 되었다.  책 소개를 잠시 하자면, 과학을 주제로 출판된 다양한 도서들을 5가지 주제로 이야기를 풀어서 말해준다. 지금이야 과학이라는 것이 익숙하고, 자연에서 벌어지는 많은 일들이 과학자들에 의해 증명되고 설명되어 졌지만, 그런것들이 없던 시절에 어떻게 그런 일들이 일어 났었는지, 그런 것들을 추구하기 위해 어떻게 변화되어 왔었는 지를 이 책에서 잘 서술해주고 있다.  책을 보면서, 느낀 부분은 "철학"과 "과학"이라는 부분이 유사한 부분도 다른 부분도 있다는 것 이였다. 둘 다 어떤 진리를 찾아가는 과정이라는 부분은 유사하다고 생각이 되었고, 다른 부분은 "철학"은 존재 이유를 정신적인 부분에서 찾는 과정이라면, "과학"은 실험/증명을 통해 찾아가는 방법이라는 것이라고 생각이 되었다.  다시 내가 이 책을 읽게 된 부분, 즉 데이터과학자로서 나는 어떻게 살아가는게 좋을가? 로 돌아와 본다면, 난 사실 아직도 "데이터과학자"로서의 삶과 추구하는 바를 다 이해 했다고 생각되지는 않는다. 다만, 조금더 과학자스러운 접근을 해보는게 "데이터과학자"로서의 삶에 더 가까워지는 것은 아닌가...

Lecture 2 "Supervised Learning Setup Continued" -Cornell CS4780 SP17

이미지
Lecture 2 "Supervised Learning Setup Continued" by Cornell CS4780, Machine Learning for Decision Making SP17 * 부족한 영어 실력으로 잘못된 해석이 있을 수 있습니다. 수정이 필요한 부분이 있다면 알려주시면 감사하겠습니다. 개요 Supervised Learning Setup ( continue ) Train and Test H ( hypothesis class ) and Algorithm TA ( Terrible Algorithm ) Cases Loss Function Generalization 1. Supervised Learning Setup ( continue ) (x៷,y៷) ~ P 우리는 P(y|x)를 모르며, 그래서 ML을 통해 알고자 하는 것입니다. 동일 분포를 가지는 환경에서 수행이 되어야 한다고 강조하고 있습니다. (  IID  참고 ) 노키아 사례를 통해 "동일 분포" 구성이 얼마나 중요한지 알수 있습니다. 사진 촬영시 얼굴인식을 통한 부가기능을 제공함. 얼굴 인식시 사용한 데이터가 "백인"이 아니였음. 미국 유저들에게서 "얼굴인식"이 잘 되지 않는 문제 발생. Example : Facial Recognize in Image 각 pixel 은 RGB( Red / Green / Blue ) 의 데이터로 구성됨 1장의 Image는 화소에 따라, 6M 개의 pixel 을 가짐 1장의 Image를 x = { ... } 로 표현한다면, 6M * 3 (RGB) = 18M 의 실수형 데이터 조합으로 표현가능 Dense / Sparse Dense : 전체 공간에 데이터가 빽빽하게 차 있는 경우 ( 극히 일부 데이터가 0 ) Sparse : 전체 공간에 비해 데이터가 희소한 경우 ( 대부분의 데이터가 0 ) ...

Lecture 1 "Supervised Learning Setup" -Cornell CS4780 Machine Learning for Decision Making SP17

이미지
Lecture #1 - Supervised Learning Setup by Cornell CS4780 , Machine Learning for Decision Making SP17 * 부족한 영어 실력으로 잘못된 해석이 있을 수 있습니다. 수정이 필요한 부분이 있다면 알려주시면 감사하겠습니다. 개요 Machine Learning 이란? Machine Learning 의 역사 Machine Learning 의 타입 및 사례 Supervised Learning 구조 1. ML(Machine Learning) 이란? CS(Computer Science) 와 ML(Machine Learning) 의 차이점을 통해서 이해를 해보도록 하겠습니다.   CS의 경우, Program을 Logic을 이용해서 사람이 만드는 구조하고 한다면, ML의 경우, Input에 활용되는 Data에 의해 Program이 생성되는 구조입니다. 하여 Data이 양과 질에 의해서 Program의 품질도 개선이 될수 있습니다. 2. ML(Machine Learning)의 역사 1952년 Samuel's Checker player MiniMax Algorithm ( Traditional AI ) 1957년 Perceptron ( Frank Rosenblatt @ Cornell ) Multiple Layer Perceptron = Artificial Neural Networks = Deep Learning AI Winter 1969년 Minskey & Papert "killed" AI AI 버블 붕괴 -> AI Research 와 관련한 자금투자 붕괴 Rebirth as ML  ML : Bottom up / AI : Top Down ML : More practical smaller goals Based on Statistics and Optimization...