2-6 마감일 5월 26일 / 28일 발표평가

 2-2(2-4) 마감일 5월 26일 / 28일 발표평가

 2-8 마감일 5월 28일 / 6월 1일 발표평가

 2-9 마감일 5월 28일 / 6월 1일 발표평가

https://docs.google.com/document/d/1dnYi7DottDTG4Lmse8Vl8E3iiHrFJEvYOa4KWlWC4jg/edit?tab=t.0

20502 김준엽 :  외계 행성이 모항성(별)과 지구 사이를 지나갈 때, 지구의 관측자가 별이 행성에 의해 가려지는 트랜싯 현상을 이용해 외계 행성을 탐사하는 트랜싯 방법을 이용해 외계 행성 후보군을 만드는 모델을 만들었던 작년의 탐구에 이어, 관측 데이터를 이용하여 외계 행성인지, 아닌지를 판단하는 분류 모델을 만들었다. 작년에 만든 모델은 1차적인 데이터만 수집에 특화되어 있던 모델이었던 것과는 달리, 이번 탐구에서는 수업 시간에 배운 랜덤 포레스트 및 수업 시간에 배우지 않은 SHAP 방식을 이용한 알고리즘을 설계함으로써 2차적인 데이터 가공을 위한 모델을 만들었다.  프로젝트 초기에는 단순한 랜덤 포레스트 모델을 이용한 분류를 통해 외계행성 후보군을 찾는 모델 설계만을 기획했지만, “왜 이 모델이 이런식의 평가를 내렸을까”라는 궁금증에서 출발하여 SHAP라는 다소 생소한 방식을 사용하였다. SHAP를 이용하기 위한 코드를 짜고 결과를 분석하는 과정에서, “SHAP는 어떤 원리로 각 변수의 모델에 대한 영향을 평가하는지”, “그래프는 어떻게 읽는 지”등 새로이 알고 배워야 할 것들이 많아 다소 고난이 있었지만, ‘AI모델은 어떤 이유로 이런 분류를 실행했을까’라는 궁금증이 학습 의지를 자극시켰다. 결과적으로는, SHAP를 통해 행성 반지름, 신호 대 잡음비가 모델의 판단에 가장 큰 영향을 미쳤고, 모항성(별)의 표면온도가 가장 적은 영향을 미쳤음을 알았다. 정리하자면, 이전에 진행하였던 탐구와 방향성은 비슷하지만 목적은 조금 다른 모델을 설계하여 데이터 수집 및 가공의 과정에 대해 이해하였고, 작은 호기심 하나만으로 생소한 개념에 대해 학습하는 활동을 진행하였다. 마지막으로, 선행연구에서는 랜덤 포레스트 뿐만 아니라, 합성곱 신경망 방법까지 사용하였는데, 후에 그 부분에 대해 더욱 탐구해 보고 싶다.

20513 이도현 : 이번 활동을 통해 단순히 데이터를 관찰하는 것만으로는 정확한 판단이 어렵고, 많은 데이터를 분석하여 패턴을 찾는 과정이 중요하다는 점을 느꼈다. 특히 기계학습이 사람보다 효율적으로 위양성을 구별할 수 있다는 점에서 인공지능 기술의 활용 가능성을 체감할 수 있었다.

이번 탐구를 통해 항공기가 공기 중을 지나가는 속도인 진대기속도(tas)대해 새롭게 알게되었고 항공기의 연료 소비량이 속도만이 아니라 추력과 진대기속도의 영향을 크게 받는다는 것을 알게 되었다. 또한 파이썬과 선형 회귀 알고리즘을 이용해 데이터를 분석하고 예측하는 과정을 직접 경험하면서 기계학습이 실제 항공 분야에서도 이용될 수 있다고 생각하였다.

20508 배정원

처음에는 기계학습이 어렵게 느껴졌지만, 직접 데이터를 만들고 선형 회귀 알고리즘으로 연료 소비량을 예측해보면서 인공지능의 기본 원리를 이해할 수 있었다. 특히 TAS보다 Thrust의 변화가 연료 소비량에 더 큰 영향을 준다는 결과를 확인하면서 변수 분석의 중요성을 알게 되었다. 이번 탐구를 통해 항공 분야와 인공지능 기술이 밀접하게 연결되어 있다는 점을 배울 수 있었다.

https://docs.google.com/document/d/1yr1xnUry5fch4RjTSjZoHc6Qo3YE0FAn8oiSUfOmYjw/edit?usp=sharing

부정ver.

생명과학 수업중 대사성 질환인 당뇨병을 보고 시작했던 탐구가 기계학습으로도 이어질 수 있음에 놀랐다. 우리가 직접 탐구하여 학습시키고 싶어 직접 데이터를 만들어보자고 호기롭게 도전했지만, 많이 힘들었다. 주제를 어떻게 구체적으로 실현할지를 결정하는데만 일주일이 넘게 걸렸었고, 전선을 다뤄본적도 없었기에 라즈베리 파이 피코를 전압센서와 연결하는데만 수십번을 실패해서 밤을 새기도 하였다. 또한 코딩도 생성형 ai를 사용하면 쉬울 것이라 생각했지만 우리가 원하는 점을 얻기위해 코드를 하나하나 다시 수정하고 하는 과정이 너무 힘들었다.(이거 진짜 애들이 다 알아요 진짜 전교 인공지능 기초 듣는 모든 애들 중에 저희가 손꼽을 정도로 열심히 했다고 자부할 수 있어요). 다른 아이들에 비해서 기계학습량이 훨씬 적은게 아쉽다.  한 실험당 1분동안의 전압을 측정하기로 결정했기에  100개 이상 하기는 많이 힘들다고 생각했고, 이것이 우리 탐구의 한계이자 단점이었던 것 같다 다음에는 전자공학에 대해서 더 공부하고 더 정밀하게 다시해보고 싶다

긍정ver.

생명과학 수업중에 당뇨병에 대해 배우고 당뇨병에 대해 궁금해져서 조사하다가 자동 인슐린 펌프에 대해 알게 된것을 확장하여 자동 인슐린 펌프에 사용하는 전용 건전지에 대해 알게된게 기계학습으로 이어진 것이 정말 신기하고 감격스럽다. 또한 이 프로젝트를 하면서 라즈베리 피코와 SZH-SSBH-043 를 연결해서 건전지의 전압을 측정해야하는데, 처음 연결하는거다 보니 어떻게 연결하는지 몰라서 하나하나 꼼꼼히 다 공부 해가면서 일주일 동안 연결하는것에만 매달렸다. 이러한 역경을 겪으니 정신적인 혼란과 멘붕이 와서 힘들었다. 이 모듈을 연결하고 난 뒤 파이썬 코드를 하나하나씩 실행해 나갔는데, 파이썬 코드가 하나씩 실행 성공할때마다 도파민이 터지면서 인공지능 기초에 대해 흥미가 더욱 올라갔다. 또한 학습 데이터를 모으는 과정에서 컴퓨터가 건전지의 전압 파형을 보고 우리가 사용 가능한지 사용 불가능 한지 학습 시키는 과정에서 컴퓨터가 학습되는 것이 신기했다. 이 프로젝트를 하고 난 후 기계학습에 대해 더욱 호기심이 생겼고, 이것과 비슷한 주제를 나중에 확장하여 딥러닝으로도 해보고 싶다.