안녕하세요!

오늘은 최근 개발 업계와 테크 판을 뜨겁게 달구고 있는 흥미로운 신조어,

'바이브 코딩(Vibe Coding)'에 대해 알아보려고 합니다.

전 테슬라 AI 책임자 안드레아 카파시가 언급하며 화제가 된 이 용어,

도대체 어떤 의미일까요?

1. 바이브 코딩이란?

전통적인 코딩이 프로그래밍 언어(C, Java, Python 등)의 문법을 익혀 한 줄씩 직접 입력하는 방식이었다면,

바이브 코딩은 AI와 대화하며 '느낌(Vibe)'으로 소프트웨어를 만드는 방식을 말합니다.

개발자가 "이런 기능이 있고, 디자인은 이런 느낌인 웹사이트 만들어줘"라고 말하면,

AI가 그 의도(Vibe)를 파악해 코드를 대신 짜주는 것이죠.

2. 핵심은 '언어'가 아니라 '대화'

바이브 코딩의 핵심은 다음 세 가지로 요약할 수 있습니다.

• 자연어 명령: 복잡한 문법 대신 우리가 평소 쓰는 말로 소통합니다.
• 반복적 수정(Iterative): AI가 만든 결과물을 보고 "이 부분은 좀 더 어둡게", "버튼 위치는 왼쪽으로" 같이 피드백을 주며 완성도를 높입니다.
• 결과 중심: 코드가 어떻게 돌아가는지 세세하게 아는 것보다, 내가 원하는 결과물이 빠르게 나오는 것에 집중합니다.

3. 왜 지금 '바이브 코딩'인가?

최근 Cursor(커서), Claude, GPT-4o 같은 AI 툴들이 놀라울 정도로 똑똑해졌기 때문입니다.

이제는 전문 개발자뿐만 아니라 기획자, 디자이너, 심지어 코딩을 전혀 모르는 일반인도

본인이 원하는 툴이나 앱을 몇 분 만에 뚝딱 만들어낼 수 있는 시대가 된 것이죠.

4. '바이브'만으로 충분할까? (주의점)

물론 장점만 있는 건 아닙니다.

디버깅의 어려움: AI가 짠 코드를 이해하지 못하면, 나중에 큰 오류가 생겼을 때 대처하기 힘들 수 있습니다.

유지보수의 한계: 겉보기엔 멀쩡해도 속은 엉망인 '스파게티 코드'가 될 위험도 있죠.

따라서 전문가들은

"기본적인 개념은 공부하되,구현은 AI에게 맡기는 방식"

이 가장 효율적이라고 조언합니다.

이제 코딩은 더 이상 공부해야 할 '장벽'이 아니라,

내 아이디어를 실현해 줄 '도구'가 되었습니다.

다만, 빠르게 발전하는 AI를

좋아해야할지, 걱정해야할지 고민이 되는 요즘입니다. 

수원에 사는 친구를 만나기 위해

퇴근하고 행궁동행

전부터 가보고 싶었던 식당인

운멜로키친

호점도 많고,

각 매장마다 파는 메뉴들도 조금씩 다르다고 한다.

 

 

 

 

 

 

 

통인시장

영업시간 08:30-22:30

매달 3번째 일요일 휴무

식사는 10:00-22:30까지

 

 

 

 

추운 날씨에

 

 

 

 

 

지난 취업 준비하면서 시작한 블로그였는데  취업을 하고 나니 뒷전이 되었다.

20년도 인턴 생활 3개월 끝

정규직 전환과 함께 들여다보지 않았다.

요즘 빠르게 변하는 IT 를 보며,

빠르게 정보를 취득하고 발 빠르게 익혀보는 것이 중요하단 생각이 들었다.

그래서 다시 블로그을 해볼까 한다. 

2026.02.11 

[K-Means Clustering]

* 이 알고리즘은 비지도 학습의 가장 간단하면서 널리 사용하는 군집 기법이다.

[과정]

• 1. 데이터의 특정 영역을 대표하는 클러스터 중심(cluster center)를 찾는다.
• 1. 데이터 포인트를 가장 가까운 클러스터 중심에 할당하고,
• 1. 새로 할당된 포인트를 포함한 평균값으로 클러스터 중심을 다시 지정.
• 1. 클러스터에 할당되는 데이터 포인트에 변화가 없을 때 알고리즘 종료.

[단점]

• 계산 및 사용이 간단하여 널리 쓰이나, 클러스터의 개수를 지정해야 하므로, 선택에 어려움이 있을 수 있다.

  --> 어느정도 데이터의 갯수에 대해 짐작하고 있어야 한다. 그래야 군집을 몇 개 넣을지 알 수 있음.

※ 시각화를 사용해서 데이터를 짐작할 수 있다. (PCA)

- 참고 : 클러스터링(Clustering)은 주어진 데이터 집합을 유사한 데이터들의 그룹으로 나누는 것이며, 예측 문제와 달리 특정한 독립변수와 종속변수의 구분도 없고, 학습을 위한 목표값도 필요로 하지 않는 비지도 학습이다.

from sklearn import datasets
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import numpy as np
from sklearn.model_selection import train_test_split
import seaborn as sns

## 1. make_blobs toy data 
X, y = datasets.make_blobs(random_state = 1)

kmeans = KMeans(n_clusters = 3) # 3개의 클래스를 나타내는 데이터를 만들어 줌.
kmeans.fit(X)


## 2. checking labels
kmeans.labels_


## 3. X predict  
kmeans.predict(X)


## 4. scatter graph
%matplotlib inline
plt.scatter(X[:,0], X[:,1],
           c = kmeans.labels_, marker = 'o', s = 10)
plt.scatter(kmeans.cluster_centers_[:,0],
            kmeans.cluster_centers_[:,1],
            c = ['r', 'k', 'b'], marker = '^', s = 50)
plt.show()


## k = 5
kmeans5 = KMeans(n_clusters = 5) # 5개의 클래스를 나타내는 데이터를 만들어 줌.
kmeans5.fit(X)
assign = kmeans5.labels_
# 시각화
%matplotlib inline

plt.scatter(X[:,0], X[:,1],
           c = assign, marker = 'o', s = 10)
plt.scatter(kmeans5.cluster_centers_[:,0],
            kmeans5.cluster_centers_[:,1],
            c = ['r', 'k', 'b', 'gray', 'orange'], marker = '^', s = 50)
plt.show()

- K 의 값을 변경했을 때 결과는 위의 그래프와 같다. 여기서 적합한 k의 값을 찾기 위해서는 PCA를 사용하여 데이터의 형태가 어떻게 되어 있는지 판단하고 군집화 진행하는 것을 추천

[병합 군집]

• 시작할 때, 각각의 포인트 하나하나가 클러스터로 지정됨
• 종료 조건을 만족할 때까지 가장 비슷한 두 클러스터를 합쳐 나간다.
• 사이킷런의 종료 조건은 클러스터 개수
• linkage옵션에서 가장 비슷한 클러스터를 측정하는 방법 지정
  • ward: 기본값인 ward연결은 클로스터의 분산을 가장 작게 증가시키는 두 클러스터를 합침
  • average: 클러스터 포인트 사이의 평균 거리가 가장 짧은 두 클러스터 병합
  • complete: 클러스터 포인트 사이의 최대 거리가 가장 짧은 두 클러스터 병합

- 계층적 클러스터링  : 군집 하나의 데이터 샘플을 하나의 클러스터로 보고 가장 유사도가 높은 클러스터를 합치면서 클러스터 갯수를 줄여 가는 방법을 말한다.

1. Agglomerative Clustering : scikit-learn 패키지

from sklearn.cluster import AgglomerativeClustering
from sklearn import datasets
import matplotlib.pyplot as plt


X, y = datasets.make_blobs(random_state = 1)
agg = AgglomerativeClustering(n_clusters = 3)
assign = agg.fit_predict(X)
%matplotlib inline
fig, ax = plt.subplots()
scatter = ax.scatter(X[:,0], X[:,1],
                    c = assign, marker="o", s=10)
ax.legend(*scatter.legend_elements(),
         loc = 'lower right', title = 'classes')

2.  덴드로그램(dendrogram) 사용 :  SciPy 패키지 -> 결과를 시각화 해줌

from scipy.cluster.hierarchy import dendrogram, ward
import seaborn as sns 

X,y = datasets.make_blobs(random_state=0, n_samples=12)

linkage_array = ward(X) # 분산을 최소화하는 방향으로 클러스터 함
dendrogram(linkage_array) # 위계를 가지는 형태로 만들어줌 

ax = plt.gca()
bounds = ax.get_xbound()
ax.plot(bounds, [7.25, 7.25], '--', c='k')
ax.plot(bounds, [4, 4], '--', c='k')

ax.text(bounds[1], 7.25, 'two clusters', va='center', fontdict={'size':15})
ax.text(bounds[1], 4, 'three clusters', va='center', fontdict={'size':15})
plt.xlabel('sample No.')
plt.ylabel('cluster distance')

[DBSCAN]

• density-based spatial clustering of applications with nois
• 클러스터의 개수를 미리 정할 필요가 없음
• 복잡한 형상도 찾을 수 있으며, 어떤 클래스에도 속하지 않는 포인트를 비교적 잘 구분해낸다
• 병합군집, k-mean 보다는 느림

<방법>

• 특성 공간에서 가까이 있는 데이터가 많은, 밀도가 높은 지역의 포인트를 찾음
• 데이터 밀집 지역이 한 클러스터를 구성하며, 비교적 비어 있는 지역을 경계로 다른 클러스터와 구분된다는 아이디어
• min_sample, eps 2개의 매개변수
  • 한 데이터 포인트에서 eps 거리 안에 데이터가 min_samples 만큼 있으면, 이 데이터 포인트를 핵심 샘플로 분류
  • eps 거리 안에 min_samples보다 데이터가 적으면 잡음으로 분류
• 시작할 때는 모자이크 포인트 선택

from sklearn.cluster import DBSCAN
from sklearn import datasets
import matplotlib.pyplot as plt

X,y = datasets.make_blobs(random_state=0, n_samples=12)

dbscan = DBSCAN()
clusters = dbscan.fit_predict(X)
print("cluster label:{}".format(clusters))
# output : cluster label:[-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1]
# 해석 :  전부다 잡음이다 클러스터로 분류되지 않았다. 군집으로 분류되지 않았다.

# 그래프 확인(defualt)
%matplotlib inline
plt.scatter(X[:,0],X[:,1],c=clusters, marker = 'o',s=10)


dbscan1 = DBSCAN(min_samples=2, eps=2)
clusters1 = dbscan1.fit_predict(X)
print("cluster label:{}".format(clusters1))
# output : cluster label:[0 1 1 1 1 0 0 0 1 0 0 0]
# 해석 : 0으로 바뀐 두개가 군집화가 된 것을 확인 할 수 있음


# 그래프 확인(min_samples=2, eps=2)
%matplotlib inline
plt.scatter(X[:,0],X[:,1],c=clusters2, marker = 'o',s=10)

- 위 두개의 그래프를 확인해보면 default 그래프보다 매개변수를 조절한 그래프에서 군집화가 발생했다.

- min_sample의 수를 줄이, eps(거리)를 늘린 결과라고 생각하면 된다.

지금까지 본 군집방식에 있어 눈으로 확인하기 위해 다음을 시도해보았다.

from sklearn.metrics.cluster import adjusted_rand_score
from sklearn.preprocessing import StandardScaler
import numpy as np

X, y = datasets.make_moons(n_samples=200, noise = 0.05, random_state=0)  # 초승달 데이터 -> 그래프가 초승달로 나옴

# 평균이 0, 분산이 1이 되도록 표준화
scaler = StandardScaler()
scaler.fit(X)
X_scaled = scaler.transform(X)

fig, axes = plt.subplots(1,4,figsize=(15,3),
                        subplot_kw={'xticks':(), 'yticks':()})

# 사용할 알고리즘 모델의 리스트 작성
algorithms = [KMeans(n_clusters=2), AgglomerativeClustering(n_clusters=2),
             DBSCAN()]

# randomly assign에서 ARI=0인 그래프 작성 위해 무작위 클러스터 생성
random_state = np.random.RandomState(seed=0) # 랜덤넘버 생성기인 랜덤함수들을 포함하는 클래스
random_clusters = random_state.randint(low=0,high=2,size=len(X)) # 0 부터 2사이의 무작이 난수 생성 

# 위에서 생성한 무작위 클러스터 plotting
axes[0].scatter(X_scaled[:,0],X_scaled[:,1], c=random_clusters, s=60, edgecolors = 'b')
axes[0].set_title("randomly assign - ARI: {:.2f}".format(adjusted_rand_score(y, random_clusters)))

# 3가지 군집 알고리즘 적용한 결과 plotting
for ax, algorithm in zip(axes[1:], algorithms):
    clusters = algorithm.fit_predict(X_scaled)
    ax.scatter(X_scaled[:,0], X_scaled[:,1], c=clusters,
              s=60, edgecolors = 'b')
    ax.set_title("{} - ARI: {:.2f}".format(algorithm.__class__.__name__,
                                          adjusted_rand_score(y,clusters)))

- 그래프를 확인하면 DBSCAN 이 가장 잘 군집화 한 것이라고 생각할 수 있다. 하지만 더 확실하게 하기 위해서는 평가지표를 통한 확인이 필요하다. 이것은 다음 장에서 설명하겠습니다.

OpenCV(Open Source Computer Vision)

- 인텔에서 만든 강력한 영상처리 라이브러리

- 실시간 이미지 프로세싱에 중점을 둔 라이브러리

- OpenCV-python : OpenCV의 파이썬 API를 모아둔 것

- 아나콘다를 사용하시는 분들은 프롬프트를 열어서 다음 명령어로 설치하시길 바랍니다.

pip install tensorflow
conda update wrapt

pip install keras

pip install opencv-python

- OpenCV를 이용한 간단한 얼굴 인식

import cv2
import sys

# 불러올 경로 결정
image_file = "./image/red.jpg"
cascade_file = "C:/Anaconda3/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml" # 정면 얼굴인식
cascade_file2 = "C:/Anaconda3/Lib/site-packages/cv2/data/haarcascade_lefteye_2splits.xml"


image = cv2.imread(image_file)
image_gs = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cascade = cv2.CascadeClassifier(cascade_file)
face_list = cascade.detectMultiScale(image_gs,scaleFactor = 1.1,minNeighbors=3, minSize=(70,70))

cascade2 = cv2.CascadeClassifier(cascade_file2)
eye_list = cascade2.detectMultiScale(image_gs,scaleFactor = 1.1, minNeighbors=1,minSize=(10,10))

if len(face_list) > 0:
    print(face_list)
    color = [(0,0,255),(0,255,0)]
    for face in face_list:
        x,y,w,h = face
        cv2.rectangle(image, (x,y), (x+w, y+h), color[0], thickness=8)
        # 이미지, 가로,세로 시작 위치, 끝나는 위치, 컬러, 선의 굵기
    if len(eye_list) > 0:
        print(eye_list)
        for eye in eye_list:
            x,y,w,h = eye
            cv2.rectangle(image, (x,y), (x+w, y+h), color[1], thickness=8)
    cv2.imwrite("facedetect-output.PNG", image)

else:
    print("no face")

- 아나콘다에서 openCV가 정상적으로 설치되었을 경우 위와 같은 파일경로에 파일이 있는 것을 확인할 수 있습니다.

- 이미지를 사용자에 따라 저장한 위치에서 불러오고 cascade를 통해 어떤 것을 분류할 것인지 결정합니다.

- minNeighbors :  각 후보 사각형을 유지해야하는 이웃 수를 지정

- minsize : 가능한 최소 객체 크기

- facedetect-output.PNG

- 저는 레드벨벳 얼굴로 테스트를 해보았고 완전히 찾아내지는 못했지만 어느정도 인식하는 것으로 확인 할 수 있었습니다.

# 각각 xml 설명

[정면 얼굴 검출]
arcascade_frontalface_default.xml
haarcascade_frontalface_alt.xml
haarcascade_frontalface_alt2.xml
haarcascade_frontalface_alt_tree.xml


[측면 얼굴 검출]
haarcascade_profileface.xml


[웃음 검출]
haarcascade_smile.xml


[눈 검출]
haarcascade_eye.xml
haarcascade_eye_tree_eyeglasses.xml
haarcascade_lefteye_2splits.xml
haarcascade_righteye_2splits.xml


[고양이 얼굴 검출]
haarcascade_frontalcatface.xml
haarcascade_frontalcatface_extended.xml


[사람의 전신 검출]
haarcascade_fullbody.xml


[사람의 상반신 검출]
haarcascade_upperbody.xml


[사람의 하반신 검출]
haarcascade_lowerbody.xml


[러시아 자동차 번호판 검출]
haarcascade_russian_plate_number.xml
haarcascade_licence_plate_rus_16stages.xml