맥북 AI 개발 환경 세팅, 초보자를 위한 완벽 가이드

맥북에서 AI 개발을 시작하려는데 어디부터 손대야 할지 막막하셨죠? 걱정 마세요. 오늘 이 글 하나로 맥북에서 인공지능 개발 환경을 완벽하게 구축할 수 있도록 핵심만 쏙쏙 뽑아 알려드릴게요. 특히, M1/M2/M3 칩셋 맥북 사용자도 문제없이 NVIDIA GPU 환경에 준하는 성능을 내는 개발 환경을 만들 수 있도록 상세히 안내할 예정입니다. 파이썬 설치부터 가상 환경 설정, 주요 라이브러리 설치까지 단계별로 차근차근 따라오시면 누구나 자신만의 AI 작업 공간을 만들 수 있을 거예요.

 

결론(즉답 1줄): 맥북 AI 개발 환경 세팅의 핵심은 Homebrew와 Conda를 활용한 파이썬 가상 환경 구축입니다.
핵심 이유 1: 파이썬 가상 환경을 통해 프로젝트별 의존성 충돌을 방지하고 안정적인 개발을 할 수 있습니다.
핵심 이유 2: Apple Silicon 칩셋의 경우 Metal Performance Shaders(MPS)를 활용하여 GPU 가속을 극대화할 수 있습니다.
추천 대상: AI 개발을 처음 시작하는 맥북 사용자, M1/M2/M3 칩셋 맥북으로 효율적인 AI 개발을 원하는 분들

 

 

목차

• 맥북 AI 개발 환경 세팅, 왜 중요할까요?
• 준비물: 시작 전 꼭 확인해야 할 것들
• 필수 도구 설치: Homebrew와 파이썬 환경 구축
• 핵심 라이브러리 설치와 가상 환경 관리
• VS Code로 AI 개발 효율 높이기
• 실전 워크플로우: 데이터부터 모델 학습까지
• 자주 겪는 오류와 해결책
• 직접 써본 기준과 선택 기준
• 장점과 단점
• 추천 대상과 비추천 대상
• 실수하기 쉬운 부분과 해결법

 

 

한눈에 보는 비교표

 

항목	직접 파이썬 설치 (python.org)	Homebrew + pyenv	Miniconda/Anaconda (추천)	판단 기준
파이썬 관리	단일 버전 관리 용이, 다중 버전 관리 어려움	다양한 파이썬 버전 관리 용이	파이썬 및 패키지 통합 관리 탁월	개발 유연성 및 안정성
패키지 관리	pip 위주 (의존성 충돌 가능성)	pip 위주 (의존성 충돌 가능성)	Conda를 통한 안정적인 패키지 관리	라이브러리 의존성 해결
가상 환경	venv 모듈 사용 (기본)	venv 모듈 사용 (기본)	Conda 가상 환경 (강력 추천)	프로젝트 격리 및 안정성
초기 설정 난이도	쉬움	중간 (pyenv 학습 필요)	중간 (Conda 학습 필요)	학습 곡선
AI 개발 적합도	낮음 (의존성 관리 복잡)	보통 (개별 패키지 관리 필요)	높음 (AI 특화 패키지 통합 관리)	생산성 및 효율성

 

 

맥북 AI 개발 환경 세팅, 왜 중요할까요?

 

맥북에서 AI 개발을 시작할 때, 제대로 된 환경 세팅은 프로젝트의 성공과 직결됩니다. 단순히 파이썬을 설치하는 것을 넘어, 여러 AI 라이브러리와 도구들이 서로 충돌 없이 조화롭게 작동하도록 만드는 것이 핵심이죠. 특히 맥북은 윈도우 환경과 달리 Apple Silicon 칩셋이 탑재되어 있기 때문에, 이 칩셋의 성능을 최대한 활용할 수 있는 방식으로 환경을 구성하는 것이 매우 중요합니다. M1, M2, M3와 같은 Apple Silicon 칩셋은 Metal Performance Shaders (MPS) 프레임워크를 통해 GPU 가속을 지원하는데, 이를 잘 활용하면 NVIDIA GPU가 없는 맥북에서도 상당한 AI 모델 학습 및 추론 성능을 경험할 수 있습니다.

복잡하게 느껴질 수 있지만, 기본적인 세팅 원칙만 이해하면 생각보다 어렵지 않아요. 올바른 환경 세팅은 개발 과정에서 발생할 수 있는 수많은 오류와 시간 낭비를 줄여주고, 여러분이 오직 AI 모델 개발 자체에만 집중할 수 있도록 돕습니다. 마치 건축가가 튼튼한 기초 위에 건물을 짓듯이, AI 개발자도 견고한 개발 환경 위에서 자신의 아이디어를 실현해 나가야 하는 거죠. 이번 가이드에서는 맥북 환경에 최적화된, 안정적이고 효율적인 AI 개발 환경을 구축하는 방법을 차근차근 알려드릴 테니 걱정 말고 따라와 주세요.

 

 

준비물: 시작 전 꼭 확인해야 할 것들

 

본격적인 세팅에 앞서 몇 가지 준비물을 확인하고 가면 좋아요. 마치 요리를 시작하기 전에 재료를 점검하듯이 말이죠. 가장 먼저, 여러분의 맥북 운영체제(macOS) 버전이 최신 상태인지 확인하는 것이 중요합니다. 보통 macOS Ventura (13.x) 이상이 권장되며, 이는 새로운 AI 라이브러리들이 최신 운영체제에서 더 잘 작동하고 MPS 지원도 원활하기 때문입니다. 시스템 설정에서 소프트웨어 업데이트를 통해 최신 버전으로 업데이트해주세요.

다음으로, 맥북의 저장 공간을 확인해야 합니다. AI 개발 환경은 파이썬과 여러 라이브러리, 그리고 나중에 학습할 데이터셋까지 고려하면 의외로 많은 저장 공간을 차지할 수 있습니다. 최소 50GB 이상의 여유 공간을 확보해두는 것이 좋습니다. 또, 터미널 사용에 익숙해지는 것도 필요해요. 모든 설치와 설정은 터미널 명령어를 통해 이루어지기 때문이죠. 미리 터미널을 열어두고 기본적인 명령어 (예: ls, cd, pwd) 몇 가지를 연습해보는 것도 좋은 방법입니다. 마지막으로, 안정적인 인터넷 연결은 필수입니다. 모든 패키지와 라이브러리 다운로드가 인터넷을 통해 이루어지므로, Wi-Fi 연결이 불안정하지 않은지 미리 확인해주세요.

 

 

필수 도구 설치: Homebrew와 파이썬 환경 구축

 

이제 맥북 AI 개발 환경의 초석을 다질 시간입니다. 맥 사용자들이라면 필수적으로 사용해야 할 패키지 관리자인 Homebrew부터 설치해볼게요. 터미널을 열고 다음 명령어를 입력합니다. (해당 명령어는 Homebrew 공식 웹사이트에서 항상 최신 버전을 확인하고 복사하는 것이 좋습니다.) Homebrew는 macOS에서 다양한 개발 도구를 손쉽게 설치하고 관리할 수 있게 해주는 마법 같은 도구라고 생각하시면 돼요. 설치 중에 암호를 묻거나 XCode Command Line Tools 설치 여부를 물을 수 있는데, 모두 안내에 따라 진행해주시면 됩니다.

Homebrew 설치가 완료되었다면, 이제 파이썬 환경을 구축할 차례입니다. 여기서 제가 추천하는 방법은 Miniconda를 사용하는 것입니다. Miniconda는 Anaconda의 경량 버전으로, 파이썬 자체는 물론 수많은 과학 계산 및 AI 라이브러리들을 효율적으로 관리할 수 있게 해주는 도구입니다. Homebrew를 통해 Miniconda를 설치하는 것이 가장 편리합니다. 설치 후에는 conda 명령어가 제대로 작동하는지 conda --version 명령어로 확인해주세요. 이제 conda를 이용해 여러분의 첫 AI 개발용 가상 환경을 만들어볼 겁니다. 가상 환경은 프로젝트별로 필요한 파이썬 버전과 라이브러리를 독립적으로 관리할 수 있게 해주어 의존성 충돌을 방지하고 개발 환경을 깔끔하게 유지하는 데 결정적인 역할을 합니다.

 

 

핵심 라이브러리 설치와 가상 환경 관리

 

Miniconda 설치가 완료되었고, 이제 AI 개발의 핵심인 라이브러리들을 설치하고 관리하는 방법을 알아볼게요. 앞서 말했듯이, conda를 사용하면 가상 환경을 만들고 활성화하여 특정 프로젝트에 필요한 라이브러리들만 격리해서 설치할 수 있습니다. 예를 들어, 파이썬 3.9 버전과 함께 numpy, pandas, matplotlib 같은 기본적인 데이터 과학 라이브러리를 포함한 my_ai_env라는 가상 환경을 만들려면 특정 명령어를 사용합니다. 이렇게 가상 환경을 만들고 활성화하면, 앞으로 설치하는 모든 라이브러리는 이 my_ai_env 안에서만 작동하게 됩니다.

이제 AI 개발의 양대 산맥인 PyTorch나 TensorFlow를 설치해봅시다. M1/M2/M3 맥북 사용자라면 PyTorch의 경우 Apple Silicon에 최적화된 MPS (Metal Performance Shaders) 버전을 설치하는 것이 중요합니다. 공식 웹사이트에서 제공하는 설치 명령어를 그대로 복사해서 활성화된 가상 환경에 설치하면 됩니다. TensorFlow의 경우에도 공식 가이드에 따라 Apple Silicon용 버전을 설치해야 합니다. 이 라이브러리들은 매우 용량이 크고 설치에 시간이 걸릴 수 있으니, 안정적인 인터넷 환경에서 진행하는 것을 권장해요. 설치가 완료되면 간단한 코드를 실행하여 MPS가 제대로 작동하는지 확인하는 과정을 거치는 것이 좋습니다. 이렇게 가상 환경을 만들고 필요한 라이브러리만 설치하면, 여러분의 맥북은 강력한 AI 개발 워크스테이션으로 변신하게 됩니다.

 

 

VS Code로 AI 개발 효율 높이기

 

AI 개발에 있어 효율적인 코드 작성과 디버깅을 위해서는 좋은 통합 개발 환경(IDE)이 필수적입니다. 저는 Visual Studio Code (줄여서 VS Code)를 추천합니다. 가볍고 빠르면서도 강력한 기능을 제공하며, 수많은 확장(Extension)을 통해 AI 개발에 최적화된 환경을 구축할 수 있기 때문이죠. VS Code는 Homebrew를 통해서 쉽게 설치할 수 있습니다. 설치 후 VS Code를 실행하고, 가장 먼저 설치해야 할 확장 기능은 바로 'Python' 확장입니다. Microsoft에서 제공하는 이 확장은 파이썬 코드 자동 완성, 문법 검사, 디버깅, 그리고 가상 환경 연동 기능까지 제공하여 개발 생산성을 크게 높여줍니다.

VS Code에서 앞서 conda로 만든 가상 환경을 연결하는 것도 중요합니다. VS Code 하단 또는 명령 팔레트(Command Palette)를 통해 파이썬 인터프리터를 선택할 수 있는데, 여기서 여러분이 만든 my_ai_env와 같은 가상 환경을 선택해주면 됩니다. 이렇게 설정하면 VS Code는 해당 가상 환경에 설치된 라이브러리들을 인식하고, 코드 작성 시 올바른 자동 완성 기능을 제공할 수 있습니다. 추가적으로 'Jupyter' 확장이나 'Pylance'와 같은 확장 기능들도 설치하면 데이터 분석 및 모델 실험에 큰 도움이 될 거예요. VS Code는 개발자가 코딩에만 집중할 수 있도록 수많은 편의 기능을 제공하니, 직접 사용해보면서 자신에게 맞는 설정을 찾아보세요.

 

 

실전 워크플로우: 데이터부터 모델 학습까지

 

환경 세팅을 마쳤다면, 이제 실제로 AI 개발 프로젝트를 진행하는 워크플로우를 익힐 차례입니다. 일반적인 AI 개발 과정은 크게 '데이터 준비', '모델 설계 및 구현', '학습 및 평가', '배포'의 단계를 거칩니다. 맥북 환경에서 이 과정을 효율적으로 수행하기 위한 몇 가지 팁을 알려드릴게요. 먼저, 데이터 탐색 및 전처리 단계에서는 Jupyter Notebook을 적극적으로 활용하는 것이 좋습니다. Jupyter Notebook은 코드 셀 단위로 실행하며 결과를 즉시 확인할 수 있어, 데이터 시각화나 실험적인 코드 작성에 매우 유용합니다. conda install jupyter 명령어로 가상 환경에 설치하고 jupyter notebook 명령어로 실행할 수 있습니다.

모델 설계 및 구현 단계에서는 VS Code와 같은 IDE를 사용하여 체계적으로 코드를 작성합니다. 이때, 코드의 버전 관리는 Git을 통해 수행하고 GitHub와 같은 원격 저장소에 프로젝트를 동기화하는 습관을 들이는 것이 중요합니다. 이는 협업은 물론, 개인 프로젝트의 이력 관리에도 필수적입니다. 학습 단계에서는 Apple Silicon 맥북의 경우, PyTorch나 TensorFlow가 제공하는 MPS 백엔드를 활용하여 모델 학습 속도를 향상시킬 수 있습니다. 코드 내에서 GPU 사용을 명시적으로 설정하는 부분을 잊지 마세요. 작은 모델이나 실험적인 학습에는 맥북의 MPS 가속이 충분히 좋은 성능을 보여줄 것입니다. 이렇게 전체적인 워크플로우를 이해하고 각 도구를 적재적소에 활용하면 여러분의 AI 개발은 훨씬 더 효율적이고 즐거워질 거예요.

 

 

 

 

자주 겪는 오류와 해결책

 

AI 개발 환경을 세팅하다 보면 예상치 못한 오류에 부딪히는 경우가 많습니다. 처음에는 당황스럽겠지만, 대부분은 흔히 발생하는 문제들이고 해결책도 비교적 명확합니다. 가장 흔한 오류 중 하나는 '패키지 의존성 충돌'입니다. 예를 들어, torch와 torchvision 같은 라이브러리들이 서로 다른 버전을 요구하거나, 특정 패키지가 시스템의 다른 패키지와 충돌할 때 발생합니다. 이럴 때는 가상 환경을 새로 만들고 필요한 라이브러리만 최소한으로 설치하거나, conda clean --all 명령어를 통해 캐시를 정리한 후 다시 시도하는 것이 좋은 방법입니다.

다음으로, Apple Silicon 맥북에서 발생하는 성능 관련 문제입니다. PyTorch나 TensorFlow가 MPS를 제대로 인식하지 못하거나, 학습 속도가 기대만큼 나오지 않을 때가 있습니다. 이는 보통 라이브러리가 최신 버전이 아니거나, MPS를 활성화하는 코드가 제대로 작성되지 않았을 때 발생합니다. 해당 라이브러리의 공식 문서에서 Apple Silicon 지원 관련 최신 설치 및 사용 가이드를 확인하고, 코드에서 device = torch.device("mps")와 같이 명시적으로 디바이스를 지정했는지 다시 한번 확인해주세요. 마지막으로, PATH 관련 오류입니다. 특정 명령어가 터미널에서 인식되지 않을 때 발생하는데, ~/.zshrc 또는 ~/.bash_profile 파일에 Miniconda 경로가 제대로 설정되어 있는지 확인하고, source 명령어로 터미널을 다시 로드해보세요. 대부분의 문제는 검색을 통해 해결할 수 있으니, 오류 메시지를 복사하여 구글링하는 습관을 들이는 것도 중요합니다.

 

 

직접 써본 기준과 선택 기준

 

제가 맥북에서 AI 개발 환경을 세팅할 때 가장 중요하게 생각하는 기준은 '안정성'과 '효율성'입니다. 불안정한 환경은 예기치 않은 오류를 뿜어내며 개발 시간을 잡아먹기 때문에, 최대한 충돌 없이 원활하게 돌아가는 환경을 구축하는 데 초점을 맞춥니다. 그래서 저는 처음부터 Homebrew와 Miniconda 조합을 고수했습니다. Homebrew는 맥의 시스템 패키지를 깔끔하게 관리해주고, Miniconda는 파이썬 버전과 라이브러리 의존성을 프로젝트별로 완벽하게 분리해줘서 여러 프로젝트를 동시에 진행해도 꼬이는 일이 없어요.

선택 기준으로 볼 때, AI 개발 환경은 결국 '얼마나 쉽게 새로운 라이브러리를 추가하고, 버전 업그레이드를 할 수 있는가'와 연결됩니다. Conda는 이런 점에서 매우 강력한 선택지입니다. 특히 PyTorch, TensorFlow와 같은 대규모 AI 프레임워크는 수많은 종속성을 가지는데, Conda는 이를 한 번에 해결해주죠. 또한, Apple Silicon 맥북 사용자라면 MPS 지원 여부가 중요한 선택 기준이 됩니다. PyTorch의 MPS 지원이 최근 많이 안정화되면서, 별도의 GPU 없이도 맥북의 성능을 끌어올릴 수 있게 되었으니, 이 부분을 꼭 고려해서 환경을 세팅해야 합니다.

 

 

장점과 단점

 

맥북에서 AI 개발 환경을 세팅하는 것에는 분명한 장점과 단점이 있습니다. 먼저 장점부터 이야기하자면, Apple Silicon 칩셋의 강력한 성능을 활용하여 뛰어난 휴대성과 함께 상당한 수준의 AI 모델 학습 및 추론이 가능하다는 점입니다. 특히 PyTorch의 MPS(Metal Performance Shaders) 지원은 맥북을 강력한 개인 AI 개발 머신으로 만들어줍니다. 배터리 효율도 좋아서 긴 시간 동안 전원 연결 없이도 개발 작업을 이어갈 수 있죠. 또한, macOS는 UNIX 기반이라 리눅스 환경과 유사하여 서버 환경 배포 시 이질감이 적다는 것도 큰 장점입니다. 세련된 개발 경험과 훌륭한 UI/UX는 덤이고요.

하지만 단점도 명확합니다. 가장 큰 단점은 역시 비용입니다. 동급 성능의 윈도우 PC나 리눅스 머신에 비해 맥북이 훨씬 비쌉니다. 또한, 여전히 NVIDIA CUDA 기반의 개발 환경이 주류이다 보니, 특정 라이브러리나 도구가 macOS를 완벽하게 지원하지 않거나 설치가 까다로운 경우가 있을 수 있습니다. GPU 메모리도 고정되어 있어 대규모 모델 학습에는 한계가 있으며, 외부 GPU 확장(eGPU) 지원도 예전만큼 활발하지 않다는 점도 아쉽습니다. 그럼에도 불구하고 개인 개발이나 중소규모 프로젝트에는 맥북이 충분히 좋은 선택지가 될 수 있습니다.

 

 

추천 대상과 비추천 대상

 

이 가이드대로 맥북 AI 개발 환경을 세팅하는 것을 추천하는 분들은 다음과 같습니다. 첫째, AI 개발을 처음 시작하는 초보자분들입니다. 비교적 깔끔하고 안정적인 환경에서 시작하여 기본적인 개념과 워크플로우를 익히기 좋습니다. 둘째, 이미 맥북을 사용 중이며 추가적인 하드웨어 투자 없이 AI 개발을 시작하고 싶은 분들입니다. 특히 M1, M2, M3 칩셋 맥북을 가지고 계시다면, MPS 가속을 통해 상당한 성능을 경험할 수 있을 거예요. 셋째, 데이터 분석이나 경량 AI 모델 개발, 혹은 교육용 목적으로 AI를 활용하려는 분들에게 적합합니다. 휴대성이 중요한 대학생이나 연구원분들에게도 좋은 선택지가 될 수 있습니다.

반대로, 이 방법이 비추천되는 대상도 있습니다. 첫째, 최신 대규모 언어 모델(LLM) 학습이나 복잡한 컴퓨터 비전 모델 학습과 같이 막대한 GPU 자원이 필요한 전문 개발자나 연구팀입니다. 이런 경우엔 보통 NVIDIA CUDA를 기반으로 한 고성능 서버나 클라우드 GPU 환경이 훨씬 효율적입니다. 둘째, 예산이 매우 제한적인 분들입니다. 맥북 자체가 고가이므로, 비슷한 가격에 더 높은 GPU 성능을 가진 윈도우/리눅스 PC를 고려해볼 수 있습니다. 셋째, 특정 라이브러리가 macOS나 Apple Silicon을 전혀 지원하지 않아 CUDA 환경이 필수적인 프로젝트를 진행하는 경우입니다. 이런 상황에서는 굳이 맥북 환경을 고집할 필요가 없겠죠.

 

 

실수하기 쉬운 부분과 해결법

 

맥북 AI 개발 환경 세팅 시 많은 분들이 저지르는 몇 가지 흔한 실수들이 있습니다. 첫 번째는 시스템 파이썬(macOS에 기본 설치된 파이썬)을 건드리는 것입니다. 절대 시스템 파이썬에 pip install 등으로 패키지를 설치하지 마세요. 이는 macOS의 안정성을 해칠 수 있습니다. 반드시 conda 가상 환경을 만들고 활성화한 뒤 그 안에서 모든 패키지를 설치해야 합니다. 해결법은 conda create -n my_env python=3.9와 같이 가상 환경을 만들고 conda activate my_env 후 작업하는 습관을 들이는 것입니다.

두 번째 실수는 M1/M2/M3 맥북에서 NVIDIA CUDA 기반의 설치 명령어를 그대로 따라 하는 것입니다. Apple Silicon 칩셋은 CUDA를 지원하지 않기 때문에, NVIDIA CUDA 전용으로 컴파일된 라이브러리는 작동하지 않습니다. 대신 PyTorch나 TensorFlow 공식 문서에서 Apple Silicon (MPS) 지원 버전을 확인하고 그에 맞는 설치 명령어를 사용해야 합니다. 세 번째는 패키지 설치 시 pip와 conda를 혼용하는 것입니다. conda 환경에서는 되도록 conda install을 우선적으로 사용하고, conda로 설치할 수 없는 패키지만 pip install을 사용하는 것이 의존성 문제를 줄이는 좋은 방법입니다. 이 작은 습관들이 여러분의 개발 환경을 훨씬 안정적으로 만들어 줄 거예요.

 

 

10분 검수 체크리스트

 

• Homebrew 설치 여부 확인
• Miniconda 설치 여부 및 PATH 설정 확인
• AI 개발용 Conda 가상 환경 생성 및 활성화
• PyTorch/TensorFlow (MPS 버전) 가상 환경에 설치
• VS Code 설치 및 Python, Jupyter 확장 설치
• VS Code에서 생성한 Conda 가상 환경 선택
• Git 설치 및 GitHub 계정 연동 준비

 

 

FAQ

 

Q1. M1/M2/M3 맥북에서 NVIDIA CUDA를 사용할 수 있나요?
A1. 아니요, Apple Silicon 맥북은 NVIDIA CUDA를 직접 지원하지 않습니다. 대신 Apple이 제공하는 Metal Performance Shaders(MPS) 프레임워크를 통해 GPU 가속을 활용합니다. PyTorch 등 주요 라이브러리는 MPS를 지원합니다.

Q2. 파이썬을 여러 버전으로 설치해야 하나요?
A2. 네, 여러 프로젝트에서 다른 파이썬 버전을 요구할 수 있으므로, Conda와 같은 가상 환경 관리 도구를 사용해 필요에 따라 다양한 파이썬 버전을 설치하고 관리하는 것이 좋습니다.

Q3. pip와 conda는 언제 사용하는 것이 좋은가요?
A3. conda는 파이썬 자체와 데이터 과학/AI 라이브러리를 포함한 이진 패키지를 관리하는 데 강력합니다. pip는 파이썬 패키지를 관리하는 표준 도구입니다. conda 환경에서는 conda install을 우선 사용하고, conda에 없는 패키지만 pip install로 설치하는 것을 권장합니다.

Q4. 맥북의 터미널 환경이 헷갈려요. 어떻게 익숙해질 수 있을까요?
A4. 기본적인 ls (목록 보기), cd (디렉토리 이동), pwd (현재 위치) 명령어를 익히는 것부터 시작하세요. 인터넷 검색이나 온라인 강의를 통해 터미널 기본 사용법을 학습하면 금방 익숙해질 수 있습니다.

Q5. Jupyter Notebook 외에 다른 개발 도구도 추천해 주실 수 있나요?
A5. Jupyter Notebook은 탐색적 데이터 분석에 특히 좋고, VS Code는 일반적인 스크립트 작성 및 디버깅에 강력합니다. PyCharm은 파이썬 전문 IDE로 더 강력한 코드 분석 및 리팩토링 기능을 제공하지만, VS Code보다 무겁다는 단점이 있습니다.

 

 

출처와 확인 링크

 

• Homebrew 공식 웹사이트: https://brew.sh/
• Miniconda 공식 웹사이트: https://docs.conda.io/en/latest/miniconda.html
• Visual Studio Code 공식 웹사이트: https://code.visualstudio.com/

 

 

함께 보면 좋은 글

• Claude Code VS Code 연동, 개발 생산성 높이는 완벽 사용법 가이드
• ChatGPT 엑셀 자동화 프롬프트: 업무 효율 높이는 실전 템플릿 가이드
• ChatGPT 엑셀 자동화 프롬프트: 업무 효율 높이는 실전 템플릿 가이드