굿

Ⅰ. 애자일 방법론의 스크럼구분설명개념- product backlog를 sprint backlog로 분할하여 주기적으로 릴리즈 수행하는 애자일 개발방법론개념도구성요소- product owner, scrum master, team- sprint planning, daily scrum, sprint review단위- sprint backlog관리- burn down chart Ⅱ. 애자일 방법론의 칸반구분설명개념- 칸반보드를 통해 개발 과정을 시각화하고 WIP 제한으로 workflow 관리 최적화하는 개발방법론개념도구성요소- 칸반보드, WIP 제한, 열단위- WIP 제한을 통한 작업량 조절관리- Workflow 가시화와 WIP 제한 Ⅲ. 스크럼과 칸반 비교구분스크럼칸반목적프로젝트 일정과 범위 관리작업 흐름 ..

Ⅰ. 유연하고 신속한 개발 방법론, XP의 개요가. XP의 정의- 의사소통과 테스트 주도 개발을 기반으로 짧은 개발 주기를 통해 소프트웨어 생산하는 대표적인 애자일 개발 방법론 나. XP의 핵심 가치핵심가치설명용기고객 요구사항에 능동적인 대처단순성부가 기능, 사용되지 않는 구조 알고리즘 배제커뮤니케이션공통의 메타포 사용, 페어 프로그래밍 등 의사소통피드백빠른 피드백을 원칙으로 문제 해결존중구성원 상호간의 존중, 프로젝트 존중 Ⅱ. XP의 개념도 및 구성요소가. XP의 개념도나. XP의 구성요소요소설명유저 스토리- 고객이 필요한 것이 무엇인지를 기술(요구사항)- 릴리즈 계획 작성하기 위한 단위스파이크- 잠재적 솔루션 고려위해 작성하는 간단한 프로그램(프로토타입)- 사용자 스토리 신뢰성 증대, 기술적 문제 ..

Ⅰ. 인공신경망의 개념, 구성요소, 역할가. 인공신경망의 개념- 인간두뇌 세포를 모방하여 뉴런들의 상호작용과 경험을 통해 반복학습하는 과정을 모형화하는 분석 기법 나. 인공신경망 구성요소 및 역할구조구성요소역할input layer입력값- 모델 학습을 위한 학습 데이터hidden layer가중치- 활성화 함수의 입력값으로 사용되는 뉴런간 연결 계수활성화 함수- 임계값을 이용 뉴런의 활성화 여부를 결정하는 함수output layer출력값- 학습을 통해 도출된 결과값 Ⅱ. 피드포워드 뉴럴 네트워크 개념 및 절차가. 피드포워드 뉴럴 네트워크의 개념- 인공신경망의 최초의 가장 단순한 형태로 입력층에서 출력층으로 단 방향으로 진행하며 학습하는 모델 나. 피드포워드 뉴럴 네트워크 절차구분절차순전파1) 학습 데이터 입..

Ⅰ. 생성형 인공지능 개념과 기술요소가. 생성형 인공지능의 개념- 이용자가 요구한 질물이나 과제 해결을 위해 스스로 데이터를 찾아 학습하고 능동적으로 결과물을 제시하는 진화한 인공지능 나. 생성형 인공지능의 기술 요소구분기술 요소설명데이터벡터 데이터베이스- AI 모델이 생성한 벡터를 저장하고 검색- AI 모델의 출력을 저장, 사용자가 쿼리 사용합성 데이터- 실제 데이터를 모방한 인공적으로 생성된 데이터- 실제 데이터 사용 불가능 시 주로 사용데이터 라벨링- 신뢰도 높은 모델 학습을 위한 데이터 라벨링모델기반 모델- 대규모 데이터셋 학습 가능한 범용 AI 모델- GPT3와 같은 대규모 언어 모델이 대표적모델 감독- AI 모델의 동작 모니터링 및 설명- AI 모델이 편향되지 않는지 감독 수행모델 안전성- 생..

Ⅰ. 효율적 학습을 위한 파라미터와 하이퍼파라미터 비교가. 파라미터와 하이퍼파라미터 개념 비교구분파라미터하이퍼파라미터개념주어진 데이터로부터 학습을 통해 모델 내부에서 결정되는 변수최적의 모델링을 위해 사용자가 직접 설정해주는 변수개념도- 파라미터는 모델에 의해 결정, 하이퍼파라미터는 휴리스틱 기반 직접 설정 나. 파라미터와 하이퍼파라미터 특징 비교구분파라미터하이퍼파라미터목적- 최적화된 딥러닝 모델 구현- 모델링 최적화 파라미터 값 도출생성 주체- 데이터를 학습한 모델이 생성- 사용자가 판단하여 직접 생성종류- 인공신경망 가중치- SVM에서 서포트 벡터- 선형회귀에서 결정계수- 학습률- 경사하강법 반복 횟수- 활성화 함수조정 여부- 파라미터 임의 조정 불가- 하이퍼파라미터 조정 가능- 하이퍼파라미터 튜닝을..

Ⅰ. 머신러닝 파이프라인의 개요가. 머신러닝 파이프라인의 개념- 데이터 수집부터 전처리, 학습 모델 배포, 예측까지 전 과정을 순차적으로 처리하도록설계된 머신러닝 아키텍처 나. 머신러닝 파이프라인의 필요성머신러닝 자동화: 머신러닝 모델 전 과정 지속 수행 위한 파이프라인 기반 자동화예측 정확성 향상: 내부 구조 이해를 통한 머신러닝 성능 향상지속적인 개선: 파이프라인을 통한 신규 데이터 재학습 및 모델 개선 Ⅱ. 머신러닝 파이프라인 데이터 처리 흐름 및 주요 활동가. 머신러닝 파이프라인 데이터 처리 흐름 나. 머신러닝 파이프라인 주요활동단계활동세부 설명데이터 수집ETL 적용- 기존 데이터 소스에서 데이터 수집- 다운로드 데이터, 데이터 소스 추출데이터 레이크- 다양한 Raw 데이터 실시간 수집, 전처리,..

Ⅰ. 인공지능 모델 성능평가의 정의- 실제값과 모델에 의해 예측된 값을 비교하여 두 값의 차이를 구하여 모델의 성능을 평가 Ⅱ. 인공지능 모델 성능평가 방법구분평가 방법설명예측 모델MSEMean Squared Error, 실제값과 예측값의 차이를 제곱해 평균RMSERoot Mean Squared Error, 실제값과 예측값의 차이 제곱 평균에 루트를 씌움MAEMean Absolute Error, 실제값과 예측값의 차이를 절댓값으로 변환해 평균MAPEMean Absolute Percentage Error, 실제값과 예측값 차이 비율 절대값 백분율분류 모델정확도전체 데이터 중 정확하게 예측한 데이터의 수 TP+TN / TP+TN+FP+FN정밀도(precision)참으로 판단한 것 중 진짜 참인 비율, TP ..

Ⅰ. 차원의 저주- 차원이 커질수록 데이터가 Sparse하게 존재하여 학습 데이터의 대표성을 잃고 모델 학습 성능을 저하시키는 현상 Ⅱ. 차원 축소 알고리즘기법개념도설명PCA(PrincipalComponentAnalysis)- 데이터를 축에 사영했을 때 가장 높은 분산을 가지는 데이터의 축을 찾아 그 축으로 차원을 축소ICA(IndependentComponentAnalysis)- 다변량의 신호를 통계적으로 독립적인 하부 성분으로 분리하는 계산 방법- 독립성이 최대가 되는 벡터를 찾는다LDA(Linear DiscriminantAnalysis)- PCA와 다르게 클래스 분류까지 쉽게 할 수 있도록 차원 축소- 클래스 내부 분산은 작게, 클래스 간 분산은 크게 만들어 내는 축으로 축소SVD(SingularVa..