TensorFlow Developer Certificate를 따고 나서 가장 많이 받는 질문이 있다. “그래서 그거 따면 뭐가 달라져요?” 솔직히 말하면, 자격증만으로는 아무것도 달라지지 않는다. 합격 이메일 받는 순간은 뿌듯하다. 구글이 인증한 딥러닝 역량이라는 점에서 기분 좋은 건 사실이다. 그런데 그 뿌듯함이 채 가시기도 전에 현실이 찾아온다. 이력서에 한 줄 추가한 것, 그게 전부냐고.
아니다. TensorFlow Developer Certificate는 제대로 활용하면 포트폴리오의 강력한 기반이 된다. 단, “활용”이라는 게 핵심이다. 자격증을 따는 과정에서 익힌 기술들, 이미지 분류, NLP, 시계열 분석, 그리고 딥러닝 모델 구조에 대한 이해를 실제 프로젝트로 연결하는 작업이 필요하다. 그 연결을 어떻게 하느냐에 따라 이 자격증이 “스펙 한 줄”로 끝나느냐, 아니면 취업과 커리어 전환의 실제 무기가 되느냐가 갈린다.
이 글에서는 TensorFlow Developer Certificate를 준비하는 과정과 합격 이후에 포트폴리오를 어떻게 구성하면 좋을지, 내가 직접 부딪히면서 배운 것들을 중심으로 정리해보려 한다.
TensorFlow Developer Certificate가 뭔지부터 제대로 알자
구글이 만든 TensorFlow Developer Certificate는 TensorFlow를 활용한 딥러닝 개발 역량을 증명하는 자격증이다. 시험은 온라인으로 진행되며, PyCharm IDE 환경에서 5시간 안에 실제 코드를 작성해 제출하는 방식이다. 객관식이 아니다. 코드가 실제로 동작해야 하고, 모델의 정확도가 기준치를 넘어야 합격한다.
시험에서 다루는 영역은 크게 네 가지다.
첫째는 기본 머신러닝 모델 구성이다. Dense 레이어 기반의 신경망으로 회귀와 분류 문제를 푸는 것. 복잡하지는 않지만 TensorFlow/Keras API를 자유자재로 다룰 수 있어야 한다.
둘째는 **컴퓨터 비전(CNN)**이다. 이미지 분류 문제를 합성곱 신경망으로 해결하는 것이 핵심이다. 데이터 증강, 전이 학습(Transfer Learning), 콜백 설정 등도 포함된다.
셋째는 **자연어 처리(NLP)**다. 텍스트 토크나이징, 패딩, 임베딩, LSTM, GRU 같은 시퀀스 모델을 활용해 감성 분류나 텍스트 생성 문제를 다룬다.
넷째는 시계열 분석이다. 시계열 데이터를 다루는 방법, 윈도우 처리, RNN/LSTM을 활용한 예측 모델을 구성하는 것이다.
이 네 가지 영역이 포트폴리오의 기둥이 된다. 시험 준비를 위해 어차피 이 영역들을 깊이 공부해야 하는데, 그 공부 결과물 자체가 포트폴리오의 재료가 될 수 있다는 게 핵심 포인트다. 자격증 공부와 포트폴리오 제작을 분리해서 생각하지 말고, 처음부터 함께 설계해야 한다.
시험 준비 단계에서 포트폴리오를 함께 설계하는 법
대부분의 사람들이 자격증 공부를 “시험 통과”라는 목표로만 접근한다. Coursera의 DeepLearning.AI TensorFlow Developer 전문 과정(앤드류 응 교수와 로렌스 모로니가 참여한 4개 코스)을 듣고, 연습 문제 풀고, 합격하면 끝. 이렇게 하면 자격증은 따지만 포트폴리오는 아무것도 남지 않는다.
다른 접근법이 있다. 공부하면서 나오는 모든 코드를 처음부터 GitHub에 올리는 것이다. 강의 예제를 그냥 따라 치는 게 아니라, 내 방식으로 변형해서 올리는 것. 예를 들어 강의에서 고양이-개 분류 문제를 다루면, 나는 그걸 응용해서 내가 관심 있는 다른 이미지 분류 문제로 바꿔본다. 꽃 종류 분류, 음식 사진 분류, 의류 카테고리 분류 등 아이디어는 얼마든지 있다.
이렇게 하면 공부가 끝날 때쯤 GitHub에 여러 저장소가 생겨 있다. 이 저장소들이 포트폴리오의 초안이다. 아직 다듬어지지 않았지만, 이것들을 기반으로 정식 포트폴리오 프로젝트를 만들어 나갈 수 있다.
코드만이 아니라 README를 신경 써라. GitHub 저장소에서 채용 담당자나 다른 개발자가 가장 먼저 보는 건 README다. 이 프로젝트가 무엇을 하는 건지, 왜 이 방법을 선택했는지, 결과가 어떻게 나왔는지를 명확하게 적어야 한다. 코드는 완벽하지 않아도 된다. 하지만 README가 없거나 허술하면 그 프로젝트는 없는 것이나 다름없다.
또한 Jupyter Notebook을 잘 활용하라. 단순히 코드만 있는 .py 파일보다, 코드와 설명, 시각화 결과가 함께 있는 Notebook이 훨씬 보기 좋다. 각 셀마다 왜 이 코드를 썼는지, 이 결과가 의미하는 게 뭔지를 마크다운으로 설명해두면, 그 Notebook 자체가 포트폴리오 아이템이 된다.
합격 이후: 영역별 포트폴리오 프로젝트 아이디어
자격증을 취득했다면 이제 진짜 포트폴리오를 만들 차례다. 시험 영역 네 가지에서 각각 하나씩만 제대로 된 프로젝트를 만들어도 강력한 포트폴리오가 된다. 구체적인 아이디어를 제시해보겠다.
컴퓨터 비전 프로젝트
컴퓨터 비전 영역에서 가장 인상적인 포트폴리오는 “해결한 문제”가 명확한 것이다. 단순히 “MNIST로 숫자 분류했습니다”는 임팩트가 없다. 모두가 하는 것이기 때문이다.
대신 이런 방향을 추천한다. 공개 의료 이미지 데이터셋(예: Kaggle의 피부암 이미지 분류 데이터)을 활용해 질병 분류 모델을 만들어보는 것이다. 또는 음식 사진을 분류하는 앱을 만드는 것도 좋다(Food-101 데이터셋이 공개돼 있다). 전이 학습을 활용해 MobileNetV2나 EfficientNet 같은 사전 학습된 모델을 파인튜닝하면 적은 데이터로도 높은 성능을 낼 수 있다.
한 단계 더 나아가, 이 모델을 Streamlit이나 Gradio로 간단한 웹 앱으로 만들어 배포하면 포트폴리오의 격이 완전히 달라진다. “모델을 만들었다”와 “모델을 실제로 쓸 수 있게 배포했다”는 현업에서 보는 관점이 다르다. Streamlit은 파이썬만 알아도 되고, Hugging Face Spaces에 무료로 배포할 수 있다. 링크 하나로 누구나 바로 써볼 수 있는 데모가 있다는 건 포트폴리오에서 강력한 차별점이다.
프로젝트 문서에는 반드시 포함해야 할 내용들이 있다. 왜 이 데이터셋을 선택했는지, 클래스 불균형 문제는 어떻게 다뤘는지, 전이 학습에서 어떤 레이어를 동결하고 어떤 레이어를 학습시켰는지, 최종 정확도는 어느 정도이고 어디서 틀리는지(오분류 사례 시각화). 이런 분석이 있는 프로젝트는 그냥 “97% 정확도 달성”이라고만 쓴 프로젝트와 차원이 다르다.
자연어 처리(NLP) 프로젝트
NLP는 요즘 가장 뜨거운 분야다. 그러나 TensorFlow 자격증 수준에서 다루는 NLP는 LSTM, GRU 기반의 시퀀스 모델이지, ChatGPT 같은 트랜스포머 기반이 아니다. 이 차이를 솔직하게 인지하면서, 그 수준에서 할 수 있는 의미 있는 프로젝트를 만드는 것이 중요하다.
추천하는 프로젝트는 뉴스 기사 또는 리뷰 감성 분류기다. 네이버 영화 리뷰, 카카오 감성 데이터, 또는 한국어 공개 텍스트 데이터셋을 활용해 긍정/부정 분류 모델을 만드는 것이다. 한국어 NLP를 다룬다는 점이 차별점이 된다. 영어 데이터로만 공부하는 사람들이 많기 때문이다. KoNLPy나 형태소 분석기를 활용한 전처리 과정을 포함하면 더욱 실무적인 프로젝트가 된다.
또 다른 방향은 텍스트 생성 모델이다. 특정 작가의 글이나 특정 스타일의 텍스트를 학습해 새로운 텍스트를 생성하는 것. 완성도보다 과정이 중요하다. 어떤 데이터로 학습했고, 어떤 아키텍처를 사용했으며, 결과물의 한계가 무엇인지를 솔직하게 기록하는 게 오히려 좋은 인상을 준다.
NLP 프로젝트에서 특히 강조하고 싶은 건 단어 임베딩 시각화다. 학습된 임베딩을 t-SNE나 PCA로 시각화해서 유사한 단어들이 벡터 공간에서 어떻게 클러스터링 되는지 보여주면, 모델이 단어의 의미를 어떻게 학습했는지 직관적으로 설명할 수 있다. 이런 시각화는 발표나 면접에서도 설명하기 좋다.
시계열 분석 프로젝트
시계열은 금융, 기상, 에너지, 유통 등 거의 모든 산업에서 쓰인다. 그래서 시계열 분석 포트폴리오는 도메인과 연결하기가 쉽다는 장점이 있다.
가장 접근하기 쉬운 건 주가 예측 모델이다. 다만 주의할 게 있다. “주가 예측을 해서 돈을 벌었다”는 식의 서사는 신뢰도가 낮다. 주가는 예측이 사실상 불가능하기 때문이다(효율적 시장 가설). 대신 “LSTM이 시계열 패턴을 어떻게 학습하는지 탐구하기 위해 주가 데이터를 사용했고, 단기 추세 예측의 한계를 실험을 통해 확인했다”는 식의 솔직한 접근이 훨씬 좋은 포트폴리오다.
더 실용적인 방향은 에너지 사용량 예측이나 기상 데이터 예측이다. 한국 기상청은 과거 기상 데이터를 공개하고 있고, 한국전력 공공데이터포털에서는 전력 사용량 데이터를 제공한다. 이런 실제 국내 데이터를 활용하면 “실제 문제에 적용했다”는 맥락이 생겨 포트폴리오의 현실감이 높아진다.
시계열 프로젝트에서 꼭 포함해야 할 요소는 다양한 모델 비교다. LSTM 하나로만 하지 말고, 단순 선형 회귀, Dense 신경망, LSTM, 양방향 LSTM 등을 같은 데이터로 비교해서 어떤 모델이 왜 더 잘 동작하는지 분석하면 이해도를 보여줄 수 있다.
통합 프로젝트: 여러 기술을 하나로 묶기
포트폴리오에서 가장 강력한 아이템은 여러 기술을 하나의 문제에 통합 적용한 프로젝트다. 예를 들어 이런 프로젝트를 상상해보자.
“농산물 품질 자동 분류 시스템”: 카메라로 찍은 과일이나 채소 이미지를 CNN으로 분류하고, 그 품질 데이터를 시계열로 기록해 향후 불량 발생 추이를 예측하며, 사용자가 텍스트로 문의를 남기면 NLP로 감성 분류해 피드백 시스템에 연결하는 것이다. 이 세 가지를 하나의 Streamlit 앱으로 합치면, 자격증에서 배운 모든 영역이 하나의 실제 서비스처럼 보이는 포트폴리오가 된다.
물론 처음부터 이걸 만들려면 부담스럽다. 각 영역의 프로젝트를 먼저 완성하고, 나중에 합치는 방식으로 접근하면 된다. 통합 프로젝트는 포트폴리오의 메인 아이템으로 활용하기 좋다.
포트폴리오를 빛나게 하는 요소들: 코드 그 이상
많은 사람들이 포트폴리오를 “코드 모음”이라고 생각한다. 하지만 채용 담당자나 시니어 개발자가 포트폴리오를 볼 때 코드를 줄줄이 읽지 않는다. 그들이 보는 건 다음과 같은 것들이다.
문제 정의의 명확성: 이 프로젝트가 무슨 문제를 해결하려고 했는가. 배경이 설명되어 있는가. 왜 이 접근법을 선택했는가.
실패와 개선의 기록: 처음에 잘 안 됐던 부분, 그 이유를 분석한 것, 어떻게 개선했는지의 과정. 이게 없으면 처음부터 다 잘 됐다는 건데, 그건 오히려 신뢰도를 낮춘다. 실험 과정이 투명하게 드러나는 포트폴리오가 더 설득력 있다.
시각화의 질: 학습 곡선(loss, accuracy 그래프), 혼동 행렬(confusion matrix), 예측 결과 시각화, 오분류 사례 분석. 이런 시각화가 잘 되어 있으면 결과를 직관적으로 전달할 수 있다.
비교와 분석: “이 모델이 저 모델보다 좋았다”가 아니라 “이런 조건에서는 이 모델이 더 나았고, 그 이유는 이렇다”는 분석. 이게 있으면 단순 구현자가 아니라 사고하는 개발자로 보인다.
배포 링크: 실제로 동작하는 서비스 링크 하나가 100줄의 설명보다 강하다. Streamlit, Gradio, Hugging Face Spaces 등을 활용해 모델을 배포하고, 링크를 README 상단에 걸어두자.
포트폴리오를 정리하는 플랫폼: 어디에 올릴 것인가
코드는 GitHub에, 설명은 다른 곳에 정리하는 이중 구조를 추천한다.
GitHub: 코드와 Jupyter Notebook, README를 관리하는 기본 플랫폼이다. 프로필 README를 잘 꾸며두면 GitHub 자체가 포트폴리오 페이지가 된다. Pinned repositories에 핵심 프로젝트들을 고정해두는 것도 중요하다.
개인 블로그 또는 노션: 프로젝트에 대한 더 상세한 설명, 공부하면서 배운 것들, 시행착오 등을 기록하는 공간이다. 기술 블로그를 꾸준히 운영하면 검색엔진에도 노출되고, 자신의 학습 과정을 보여주는 증거가 된다. 구글에 내 이름이나 프로젝트명으로 검색했을 때 뭔가 나오는 것 자체가 신뢰의 지표다.
Kaggle: 데이터 사이언스 분야에서 Kaggle 프로필은 GitHub만큼 중요하다. 대회 참가 기록, 공개 노트북의 좋아요 수, 메달 등이 모두 실력의 증거가 된다. TensorFlow 자격증 공부를 하면서 배운 기술들로 Kaggle 입문 대회나 공개 데이터셋 노트북을 올려보는 걸 강력히 추천한다.
LinkedIn: 포트폴리오 링크를 프로필에 연결하고, 프로젝트 완성 시 공유 게시물을 올리는 것도 좋다. 의외로 LinkedIn을 통해 채용 연락이 오는 경우가 많다. TensorFlow Developer Certificate 배지를 LinkedIn에 추가하는 것도 물론 기본이다.
현실적인 타임라인: 자격증 취득부터 포트폴리오 완성까지
막연하게 “열심히 하겠다”는 계획보다 구체적인 타임라인이 도움이 된다. 직장이나 학업과 병행하는 기준으로 현실적인 일정을 제시해보겠다.
1~2개월: 자격증 준비와 기초 프로젝트 병행
Coursera TensorFlow 전문 과정을 수강하면서, 각 섹션이 끝날 때마다 그 내용을 적용한 작은 프로젝트를 GitHub에 올린다. 강의를 듣고만 끝내지 말고, 데이터셋을 바꿔보거나 모델 구조를 변형해보는 실험을 기록으로 남긴다.
2~3개월: 자격증 취득 및 첫 번째 독립 프로젝트 시작
자격증을 취득하고 나서 위에서 제시한 영역별 프로젝트 아이디어 중 하나를 선택해 제대로 된 프로젝트를 시작한다. 데이터 수집, 전처리, 모델링, 평가, 시각화, README 작성까지 처음부터 끝까지 혼자 해보는 것이 목표다. 완성도보다 완주가 중요하다.
3~4개월: 배포 및 두 번째 프로젝트
첫 번째 프로젝트를 Streamlit이나 Gradio로 배포하고, 두 번째 영역의 프로젝트를 시작한다. 이 시기에 Kaggle 대회에 처음으로 참가해보는 것도 좋다.
4~6개월: 통합 프로젝트 및 포트폴리오 정리
여러 기술을 통합한 메인 프로젝트를 완성한다. 기존 프로젝트들의 README를 다시 손보고, 개인 블로그에 각 프로젝트의 개발 과정을 글로 정리한다. 이 시점에서 이력서와 LinkedIn을 업데이트하고, 적극적으로 채용 공고에 지원해본다.
자격증과 포트폴리오를 함께 제시하는 법
취업 면접에서 TensorFlow Developer Certificate를 언급할 때 그냥 “자격증 있어요”로 끝내지 말자. 자격증과 포트폴리오를 연결 짓는 스토리가 필요하다.
이런 식으로 말하면 좋다. “TensorFlow Developer Certificate를 준비하면서 컴퓨터 비전, NLP, 시계열 분석의 기초를 체계적으로 익혔습니다. 그 과정에서 배운 것들을 실제 프로젝트에 적용해보고 싶어서 [프로젝트 이름]을 만들었습니다. [어떤 문제를 해결했고, 어떤 기술을 썼으며, 결과가 어땠는지 한두 문장].” 이렇게 자격증이 학습의 증거이고, 포트폴리오가 적용의 증거가 되도록 연결하면 훨씬 설득력 있다.
면접관이 “TensorFlow 자격증이 실무랑 관련 있나요?”라고 물을 때, “있습니다. 왜냐하면 제가 이 자격증을 기반으로 이런 프로젝트를 만들었고, 이게 실무에서 어떻게 쓰이는지 경험했습니다”라고 답할 수 있어야 한다. 자격증이 포트폴리오의 근거가 되고, 포트폴리오가 자격증의 실용성을 증명하는 구조다.
마치며: 자격증은 문이고, 포트폴리오는 그 문을 여는 열쇠다
TensorFlow Developer Certificate를 따는 것, 그 자체로 의미 없는 건 아니다. 딥러닝의 핵심 영역들을 체계적으로 공부하게 만들어주고, 구글이 인정하는 수준의 실력을 갖췄다는 객관적 증거가 된다. 그 과정이 분명히 값있다.
그런데 그 이후에 멈추면 안 된다. 자격증은 “나 이 문 앞까지 왔어요”를 보여주는 것이고, 포트폴리오는 “나 이 문을 열고 들어가서 이런 걸 만들었어요”를 보여주는 것이다. AI 채용 시장에서 회사들이 원하는 건 결국 후자다.
자격증 공부를 하면서 만든 코드를 버리지 말자. 강의에서 다룬 예제 데이터셋에서 벗어나, 내가 관심 있는 실제 데이터로 같은 기법을 적용해보자. 그 과정을 기록하고, 결과를 공유하자. 그게 포트폴리오다. 거창할 필요 없다. 내가 무엇을 배웠고, 그걸로 무엇을 만들었는지가 명확하게 보이면 된다.
TensorFlow Developer Certificate를 준비 중이라면, 합격 이후를 지금부터 설계하자. 합격 이메일을 받는 그날, 포트폴리오의 첫 번째 프로젝트도 함께 올라가 있도록.
이 글이 도움이 됐다면 TensorFlow 자격증을 준비 중인 분들께 공유해주세요. 각자의 포트폴리오 아이디어나 경험은 댓글로 나눠주시면 함께 발전할 수 있습니다.