1. 머신러닝(ML)과 딥러닝(DL)은 어떻게 다른가요?

   머신러닝은 주어진 데이터로부터 패턴을 학습하여 작업을 수행하는 알고리즘의 전체를 아우르는 말이고, 딥러닝은 머신러닝의 한 종류로, 인공 신경망을 기반으로 하며, 주어진 데이터에서 자동으로 특징을 추출하여 모델을 학습합니다. 따라서 딥러닝은 특히 대규모의 데이터와 복잡한 패턴을 다루는 데 유용하다.

2. 과적합(Overfitting)과 과소적합(Underfitting)이란 무엇인가요?

과적합은 모델이 학습 데이터에 너무 맞 추어져 새로운 데이터에서 성능이 떨어 지는 것을 의미하고, 과소적합은 모델이 학습 데이터의 패턴을 충분히 학습하지 못해 성능이 낮은 것을 의미한다.

3. 과적합과 과소적합

   -과적합이란 모델이 훈련 데이터의 노이즈까지 학습하는 등 과도하게 맞춰져서 새로운 데이터에 대한 정확도가 감소하는 현상이다. 데이터 양을 늘리거나 모델을 단순화함으로써 해결할 수 있다.

   -과소적합이란 모델이 너무 단순해 데이터의 패턴을 학습하지 못하는 경우이다. 모델의 복잡도를 올리거나 더 많은 feature를 추가함으로써 해결할 수 있다.

과적합을 방지하는 방법은 더 많은 데이터 수집 하는거인데 더 많은 데이터를 사용하면 모델이 데이터의 본질적인 패턴을 더 잘 학습할 수 있으며, 특정 데이터 포인트에 과도하게 맞추는 것을 방지할 수 있다.

2. 지도 학습과 비지도 학습에서 데이터 전처리의 역할은 무엇인가요

지도 학습과 비지도 학습에서 데이터 전처리는 모델의 성능을 최적화하고 신뢰성을 높이는 데 중요한 역할을 합니다. 적절한 전처리 과정을 통해 데이터의 품질을 향상시키고, 모델이 더 나은 결과를 도출할 수 있도록 지원합니다.

4o

뉴런은 신경 세포의 한 종류로, 신경망의 기본 구성 요소이다. 뉴런은 다수의 입력 신호를 받아 이를 처리하고, 이에 따라 출력 신호를 생성한다. 이러한 작동 방식은 생물학적인 뉴런에서 영감을 받아 개발된 것이다.

뉴런은 여러 부분으로 구성되어 있습니다. 먼저, 수상 돌기는 다른 뉴런으로부터 입력 신호를 받는다. 그 다음, 세포체는 이러한 입력 신호를 종합하여 처리한다. 마지막으로, 축색 돌기는 처리된 정보를 전달하기 위해 출력 신호를 생성하고 다른 뉴런에게 전달한다.

이러한 뉴런의 작동 방식은 신경망에서 학습과 결정을 가능하게 한다. 신경망은 다수의 뉴런으로 구성되어 있으며, 각 뉴런은 입력을 받아 이를 처리하고 출력을 생성한다. 이러한 과정을 여러 층으로 구성된 신경망을 통해 복잡한 패턴을 학습하고 데이터를 분류, 예측 또는 생성할 수 있다. 이것이 인공지능에서 뉴런이 하는 역할이며, 신경망의 중요한 구성 요소이다.

5.모델평가란 무엇인가?

모델 평가는 머신러닝 및 딥러닝 모델의 성능을 평가하고 측정하는 과정을 말한다. 이 과정은 모델이 원하는 작업을 얼마나 잘 수행하는지를 이해하고, 모델의 예측 능력을 파악하기 위해 필요하다.

모델 평가는 매우 중요한데, 모델이 실제 환경에서 얼마나 잘 작동하는지를 평가하기 위해 필요하다. 모델이 훈련 데이터에서 잘 동작한다는 것은 좋은 시작이지만, 실제 데이터에서도 좋은 성능을 내야 실용적인 모델로 간주된다. 모델 평가는 또한 모델을 개선하기 위해 필요한 피드백을 제공한다. 모델이 어떤 부분에서 잘 동작하지 않는지를 파악하고 개선할 수 있는 방법을 찾을 수 있다.

지도 학습과 비 지도 학습의 차이점

이 두개의 학습방법의 차이점은 레이블 유무입니다.

레이블이란? 데이터 포인트의 정답 즉 레이블은 각 데이터 포인트에 대해 기대되는 결과나 클래스입니다.

예시로 고양이 사진을 주었을때 고양이로 인식하는 것이 정답(레이블)인 것이죠.

즉 정답이 주어지는 것입니다.

지도 학습에서는 데이터가 레이블(정답)과 함께 제공된다. 즉, 각 입력 데이터에 해당하는 정답(출력 값)이 있습니다.

그로인해 학습 방식은 모델이 입력 데이터와 그에 대응하는 레이블을 사용해 알맞게 대응되도록 학습하는 것입니다.

목표는 새로운 입력 데이터가 주어졌을 때 올바른 출력을 예측할 수 있도록 하는 것입니다.

예시:부동산 가격 예측

비지도 학습에서는 데이터에 레이블(정답)이 없습니다.

그렇기에 학습 방식에서 차이가 나타날 수 밖에 없는데 모델이 주어진 입력 데이터에서 패턴이나 구조를 스스로 발견하는 것입니다.

목표는 데이터의 군집을 찾거나, 데이터의 특성을 축소하여 표현하는 것 등입니다.

예시:문서 군집화

1. 데이터 전처리의 주요 기법은 무엇인가요?

   • 탐색 키워드: 정규화, 리사이징, 데이터 증강

   • 데이터를 준비할 때 사용하는 몇 가지 주요 기법을 설명하세요.

답변:

머신러닝에서의 데이터 전처리는 머신러닝 모델의 성능을 향상시키기 위해 데이터를 다양한 방식으로 알맞게 정리하고 변환하는 과정이며, 다양한 주요 기법들이 있다.

1. 정규화: 데이터의 범위를 특정한 범위로 변환하는 과정. 주로 [0, 1], [-1, 1] 범위로 변환한다. 이 데이터 전처리 기법의 주요 목적은 데이터 간의 스케일 차이를 줄여 모델이 특정 특성에 치우치지 않게 하는 것이다.

2. 리사이징: 이미지 데이터의 크기를 조정하는 과정. 다양한 크기의 이미지를 동일한 크기로 맞추어 모델에 입력할 수 있도록 하여 모델 학습의 효율성과 모델의 성능을 극대화할 수 있다.

3. 데이터 증강: 기존 데이터를 변형하여 인위적으로 데이터 양을 늘리는 과정. 주로 이미지 데이터에서 사용되며, 모델에게 다양한 데이터를 학습 시켜 모델의 성능을 높일 수 있다. 특히 랜덤 노이즈를 이미지에 추가해서 데이터 양을 늘리는 방식이 많이 사용된다.

2. 과적합(Overfitting)과 과소적합(Underfitting)이란 무엇인가요?

   • 탐색 키워드: 학습 오류, 모델 일반화, 데이터 적합성

   • 과적합과 과소적합이 무엇인지, 왜 중요한지 설명하세요. 각각의 예시도 들어보세요.

답변:

과적합: 모델이 훈련 데이터에 너무 잘 맞춰져서, 훈련 데이터의 노이즈나 특수한 패턴까지 학습해버리는 현상을 의미한다. 이는 데이터 양이 너무 많아서 발생하는 부작용에 해당한다. 훈련 데이터에 모델을 적용한 경우에는 매우 낮은 오류율을 보이지만, 새로운 테스트 데이터에 모델을 적용한 경우에는 너무 민감한 탓에 성능이 저하될 수 있다.

중요한 이유: 과적합된 모델은 실제 상황에서 예측력이 떨어지기 때문에, 모델의 실질적인 유용성을 크게 감소시킨다. 이는 모델의 일반화 성능을 저하시킨다.

예시: 이미지 분류 모델이 특정 훈련 이미지의 배경 노이즈까지 학습하여, 새로운 이미지에서는 올바른 배경이 없을 때 잘못된 분류를 하는 경우

방지할 수 있는 방안:

1. 신경망의 일부 노드를 무작위로 제외하여 학습 시키는 드롭아웃의 방법을 사용할 수 있다.

2. 검증 데이터의 오류가 증가하기 시작할 때 학습을 중단시킬 수 있다.

과소적합: 과소적합은 모델이 훈련 데이터의 패턴을 충분히 학습하지 못하여, 훈련 데이터와 테스트 데이터 모두에서 높은 오류율을 보이는 현상이다. 이는 모델이 너무 단순하여 데이터의 복잡한 구조를 제대로 파악하지 못한 경우에 발생한다.

중요한 이유: 과소적합된 모델은 기본적인 데이터 패턴조차 학습하지 못하므로, 예측력이 매우 낮고, 성능이 저조하다. 이는 모델이 유용하지 않게 만들고, 실제 문제를 해결하는 데 큰 어려움을 준다.

예시: 너무 얕은 신경망이 복잡한 이미지 데이터를 학습하려는 경우

방지할 수 있는 방안:

1. 모델이 충분히 학습될 수 있도록 충분한 에포크(학습 횟수) 동안 학습시킨다.

2. 데이터 전처리 과정에서 데이터 증강의 방식을 활용하여 데이터를 인위적으로 증가시켜 다양한 변형된 데이터를 학습함으로써 더 복잡한 패턴을 인식하고 일반화 성능을 향상시킬 수 있다.

데이터 전처리란 데이터 분석을 위해 수집한 데이터를 분석에 적합한 형태로 가공하는 과정이다.데이터를 전처리를 통해 불필요한 데이터를 제거하고 결측치나 이상치를 처리하여 데이터의 질을 향상시킬수있고 이렇게 가공된 데이터는 분석 모델을 구축하고 결과를 도출하는 데에 유용하게 활용될수있다.데이터는 모든 산업에서 큰 역할을 하기도 하고 분석에 사용되는 데이터의 질이 좋지 않다면 분석 결과도 부정확하게 나올수있어 정확한 분석결과를 얻기 위해서 데이터 전처리는 중요하다.

3.신경망이란 무엇인가요?

신경망은 인간의 두뇌에서 영감을 얻은 방식으로 데이터를 처리하도록 컴퓨터를 가르치는 인공 지능 방식이다. 인간의 두뇌와 비슷한 계층 구조로 상호 연결된 노드 또는 뉴런을 사용하는 딥 러닝이라고 불리는 기계 학습 과정의 유형이기도 한다. 신경망은 컴퓨터가 실수에서 배우고 지속적으로 개선하는 데 사용하는 적응형 시스템을 생성한다. 따라서 인공 신경망은 문서 요약 또는 얼굴 인식과 같은 복잡한 문제를 더 정확하게 해결하려고 한다.신경망은 인간이 일일이 개입하지 않고도 컴퓨터가 지능적인 결정을 내리는 데 도움이 될 수 있다.비선형적이고 복잡한 입력 데이터와 출력 데이터 간의 관계를 학습하고 모델링할 수 있기 때문에 신경망은 중요하다.

지도학습:학습 데이터에 레이블이 지정된 데이터를 사용하여 모델을 학습하는 방법 입력데이터와 그에 해당하는 출력 데이터가 함꼐 제시되어 모델이 입력과 출력을 매핑하는 학습 주로 분류와 회귀에 사용된다.

비지도학습: 레이블이 지정되지 않은 데이터를 사용하여 모델을 학습하는 방식 모델이 데이터 간의 패턴이나 구조를 학습한다. 주로 군집화나 차원 축소에 사용된다.

3.인공신경망에서 레이어란

레이어:인공신경망의 구조를 구성하는 계층 인공신경망은 보통 여러개의 레이어를 가지고 있으며 각 레이어는 뉴런으로 이루어져있다.

레이어는 입력레이어,은닉레이어,출력레이어로 구성되어있으며 순서대로 입력레이어:입력 데이터를 받아드림 은닉레이어:데이터를 정리하여 출력레이어로 보냄 출력레이어:처리된 데이터를 최종적으로 출력

- 우선 딥러닝이란 컴퓨터가 외부 데이터를 인간의 뇌 신경망과 유사한 구조인 인공 신경망을 이용하여 스스로 조합하고 분석하여 학습하는 기술을 말한다.

딥러닝의 인공 신경망이란 것을 이용해 여러 곳에 응용할 수 있는데, 응용 분야엔 자율 주행이 포함된다. 자율 주행에서 외부 데이터 역할을 하는 자동차 바깥 상황을 바탕으로, 외부 데이터에 속하는 사람이나 자동차가 앞에 있거나 신호등이 빨간불이라면 제동을 거는 식으로 인간의 사고처럼 인공 신경망을 통해 그 상황에 알맞은 판단을 하도록 하여 응용시킬 수 있다.

이런 딥러닝의 응용은 사람들의 생활을 더 안전하게 만들기도 하는 것이다.

5. 모델의 과적합(Overfitting)을 방지하는 방법은 무엇인가요?

기존의 모델보다 단순한 모델을 이용하거나, 일부 뉴런을 일부러 비활성화시켜 뉴런에 대한 의존의 편향을 줄이거나, 기능 향상의 한계에 도달하였을 때 훈련을 종료시키거나의 방법으로 과적합되는 것을 예방할 수 있다.

Tanh Activation Function: Hyperbolic Tangent, 혹은 Tanh라 불리는 이 함수는 실수 값을 (-1, 1) 범위로 압축하는 활성화 함수이다. 원점을 중심으로 하여 값이 양의 무한대로 갈수록 1에 수렴하고, 값이 음의 무한대로 갈수록 -1에 수렴한다. 이 함수는 그 형태가 S자를 닮았기 때문에 'Sigmoid 함수'의 일종으로 간주되며, 이런 특징 덕분에 비선형성을 모델에 부여할 수 있다.

Epoch: 전체 데이터 셋이 신경망을 통과한 횟수이다.