Goooooood

Ⅰ. 회귀 알고리즘의 개념 및 유형가. 회귀 분석의 개념- 연속적인 데이터에 대해서 주어진 종속 변수와 독립 변수 간의 관계를 추정하기 위한 통계적 프로세스 나. 회귀 분석의 유형유형개념도설명선형 회귀- 독립 변수 x를 활용해 종속 변수 y의 움직임을 예측- 1차원 방정식의 기술기 구하기로지스틱 회귀- 선형회귀의 직선 대신 S자 곡선을 이용해 분류의 정확도 향상- 시그모이드 함수와 소프트맥스 함수 사용릿지 회귀- 오버피팅 문제 해결을 위해 편향을 높이고 분산을 줄여 일반화 진행- L2 정규화 적용으로 데이터 예측라쏘 회귀- 릿지 회귀와 동일하지만 L2 대신 L1 정규화 사용- 예측에 중요하지 않은 변수 회귀 계수 감소다항 회귀- 다항식이나 곡선을 구해서 데이터 움직임을 예측- 속성들 사이에 있는 복잡한 ..

Ⅰ. 데이터 마이닝과 통계의 차이점구분데이터 마이닝통계 분석정의데이터에서 숨겨진 패턴, 관계, 정보를 추출하고 예측 모델을 개발하는 프로세스데이터를 활용 통계적 가설을 설정하고 데이터 분석 모델을 개발하는 프로세스목적데이터 패턴 발견과 예측데이터 통계적 요약 및 추론데이터 복잡성대량의 다차원 복잡한 데이터대체로 복잡하지 않은 데이터패턴 탐색데이터 자체 분석으로 패턴 탐색통계적 가정을 기반으로 패턴 탐색활용 분야- 마케팅 및 고객 관리- 의료 및 생명과학- 제조 및 공학- 금융 및 경제- 일기 예보- 선거 예측- 교통 흐름 분석- 소비자 행동 분석방법론- 군집화 분석- 연관 분석- 분류 분석- 차원 축소- 교차 분석- 차이 검증- 상관 분석- 회귀 분석- 데이터 마이닝은 데이터로부터 가치 있는 정보를 추출..

Ⅰ. AI 파운데이션 모델 개념- 대규모 데이터셋에 의해 사전 학습되고 출력의 범용성을 고려하여 설계되어 다양한 작업에 적용될 수 있는 AI 기초 모델 Ⅱ. 파운데이션 모델의 특징 및 동작 방식가. 파운데이션 모델의 특징특징특징대큐모 데이터셋과 모델- 텍스트, 이미지, 오디오 등 방대한 양의 데이터로 사전 학습- 모델 자체도 대규모, 수억에서 수천억 개의 파라미터범용성- 여러 작업에 적용될 수 있는 범용적인 특성 모델- 하전 학습 후 파인튜닝 작업 수행으로 범용성 구축전이 학습- 사전 학습에서 얻은 지식을 특정 작업에 전이 가능- 새로운 작업에서 적은 양의 데이터로 성능 달성모듈성- 다양한 어플리케이션에 모듈식으로 적용- NLP 분야의 GPT-3는 대화형 AI, 텍스트 생성, 번역 등 작업 나. 파운데이..

Ⅰ. 기계의 자연어 처리를 위한 워드 임베딩의 개요가. 워드 임베딩의 개념개념도개념단어 간 유사도 및 중요도 파악을 위해 단어를 벡터값으로 맵핑하여 처리하는 자연어 모델링 기술 나. 워드 임베딩의 필요성- 유사한 의미 단어 군집화, 단어 간 관계를 파악하여 추론 연산 가능 Ⅱ. 워드 임베딩의 유형구분유형설명횟수 기반 임베딩BoW(Bag of Words)- 단어의 출현 빈도만으로 단어 사전 생성- 각 단어 인덱싱 기반 사전으로 만들어 분류Count Vector- 모든 문서의 단어 학습 후 단어 횟수 파악- 문서별 고유 토큰 수 기반 행렬로 표현TF-IDF- 핵심어 추출 위해 단어의 특정 문서 내 중요도 산출- TF: 단어의 문서내 빈도, IDF: 문서 빈도 수의 역수추론 기반 임베딩CBOW- 주변 단어 기..

Ⅰ. 컴퓨터 비전 분야에 Transformer 적용, ViT의 개념- Transformer 구조를 Vision 분야에 적용해 대량의 이미지 데이터 학습 및 이미지 분류하는 모델 Ⅱ. ViT의 개념도 및 매커니즘가. ViT의 개념도- 이미지를 패치(16*16) 분할하고 각 패치의 선형 임베딩을 Transformer의 입력으로 사용 나. ViT의 매커니즘단계설명이미지 패치분할- 입력 이미지를 고정된 크기의 패치로 분할선형 임베딩- 각 패치는 선형 투영을 통해 벡터 형태로 변환위치 임베딩 추가- 패치의 위치 정보를 유지하기 위해 위치 임베딩 추가- 순서 정보를 알 수 없기 때문에 위치 정보 필요Transformer 인코더- 패치의 선형 임베딩과 위치 임베딩 결합- 결합된 벡터를 Transformer 인코더에 ..

Ⅰ. 파인 튜닝과 프롬프트 엔지니어링 정의 비교파인 튜닝프롬프트 엔지니어링- 사전 학습된 모델을 특정 작업이나 데이터셋에 맞게 재학습- 모델 입력 프롬프트 최적화하여 원하는 출력 결과 얻는 방법  Ⅱ. 파인튜닝과 프롬프트 엔지니어링 상세 비교특징파인튜닝프롬프트 엔지니어링데이터요구량- 많은 양의도메인 특화 데이터 필요- 상대적으로 적은 양의 데이터로도 가능시간 및 비용- 모델 재학습에 상당한 시간과 자원 소요- 프롬프트 최적화는 비교적 짧은 시간내에 가능유연성- 특정 작업에 최적화된 모델 생성 가능- 다양한 작업에 동일 모델 활용 가능기술적요구사항- 딥러닝 및 모델 훈련에 대한 깊은 이해 필요- 프롬프트 설계와 실험에 대한 이해 필요출력 일관성- 높은 일관성 보장- 프롬프트에 따라 출력 결과 변동확장성- ..

Ⅰ. 실시간 피드백 학습, Adaptive AI의 개요- 새로운 데이터 기반 모델 지속 재학습하여 예측 불가능한 실제 상황의 변화에 신속하게 적응하는 것을 목표로하는 인공지능 기술 Ⅱ. Adaptive AI 개념도와 기술 요소가. Adaptive AI 개념도- 목표 지향, 실시간 피드백, 적응형 학습 기반 프로세스 수준의 운영 및 변화 관리 수행 나. Adaptive AI 기술 요소구분기술 요소설명목표 지향딥 러닝- CNN, RNN 등 활용 스스로 학습하는 머신 러닝 기법강화학습- 환경 변화에 따라 계속해서 에이전트 학습하는 기법제로샷 러닝- 한번도 관측되지 않은 클래스에 대한 분류 학습실시간 피드백환경 인지 지능- 다양한 센싱 정보 측정 및 분석 고도화로 주변 환경 인지SLAM- Simultaneous..

Ⅰ. 인공지능 편향성 유형가. 인공지능 편향성의 정의- 학습 데이터 또는 AI 알고리즘이 왜곡되어 왜곡된 결과 예측과 잠재적으로 유해한 결과를 초래하는 편향된 결과 나. 인공지능 편향성의 유형구분유형설명데이터 원인편향된 표본- 편향된 초기 데이터 학습- 편향된 결과 재학습제한된 특징- 데이터의 주요 특징 미포함- 관련성이 낮은 특징 학습표본 크기 불균형- 데이터 표본 집단의 크기 불균형모델 원인알고리즘 모델 문제- 데이터 상관없이 알고리즘 모델이 편향 발생 Ⅱ. XAI(eXplainable Artificial Intelligence)가. XAI의 등장 배경 및 개념인공지능 사회/경제적 영향 증가인공지능 역기능 발생XAI 등장- 인공 지능 영향력 확산- 역기능 / 사고사례 증가- XAI의 필요성- 사용자가..

Ⅰ. 자율적인 의사결정을 추구하는 AI, 에이전틱 AI의 개요가. 에이전틱 AI의 정의- 자율적으로 복잡한 목표를 설정하고 환경과 상호작용하여 최소한의 인간 감독으로 작업을 수행하는 인공지능 시스템 나. 에이전틱 AI의 특징자율성- 인간 개입 없이 독립적으로 작동하고 목표 달성적응성- 변화하는 환경에 맞춰 계획 조정, 새로운 상황에 적응언어 이해- 자연어 이해, 해석, 사용자와의 상호작용워크플로우 최적화- 복잡한 비즈니스 워크플로우 효율적으로 조직 및 관리 Ⅱ. 에디전틱 AI의 프로세스프로세스설명계획 수립에이전트는 하위 목표를 설정하고 워크플로우 설계추론대안을 분석, 의사결정 내리기 전에 논리적 추론 실행플러그인 통합모듈형 컴포넌트를 통합하여 전문화된 작업 수행행동 수행독립적으로 운영 작업을 수행다중 모..

Ⅰ. MLOps의 개요가. MLOps의 개념- ML 모델 개발을 위한 데이터 수집, 분석 그리고 모델 학습, 배포 단계의 전체 AI Lifecycle을 최적화하기 위한 시스템 나. MLOps의 필요성효율성- 모델을 더욱 빨리 배포하고 양질의 ML 모델을 지속 제공 가능확장성- 많은 수의 모델을 감독, 제어, 관리, 모니터링하고 통합 제공리스크 완화- ML 모델 개발 관련 규제 검토와 빠른 대응으로 리스크 완화 Ⅱ. MLOps의 주요 구성 요소구분구성 요소설명데이터 수집 분석탐색적 데이터 분석- 데이터 전처리, 데이터 시각화를 통한 탐색 및 분석피처 엔지니어링- 데이터 클리닝, 모델 학습에 필요한 피처 추출모델 학습모델 훈련 및 튜닝- 다양한 ML 모델 학습 및 성능 개선모델 검토- 모델 버전 추적, 모델..