Goooooood

Ⅰ. 인간의 인지적 학습법 모방, 멀티모달 AI의 개념- 이미지, 텍스트, 음성, 비디오 등 다양한 모달리티를 동시에 받아들이고 사고하는 AI 모델 Ⅱ. 멀티모달 AI의 개념도 및 종류가. 멀티모달 AI의 개념도멀티 모델- input data의 종류가 1가지이고 여러개의 모델을 거치는 방식멀티 모달- input data의 종류가 2가지 이상이며 모델은 1개 또는 2개 이상이 되는 방식 나. 멀티모달 AI 종류종류개념도설명Early Fusion- 종류가 다른 두 가지 데이터를 하나의 데이터로 먼저 합친 이후 모델 학습Joint Fusion- 두 개의 모달리티 데이터를 동시에 학습하지 않고 유연하게 모달리티를 병합- end-to-end learningLate Fusion- 다른 두 가지 데이터를 각각 다른 ..

Ⅰ. 행동에 따른 보상으로 모델 학습, 강화학습의 개요가. 강화학습의 정의- 주어진 환경에서 정의된 에이전트가 현재 상태를 인식하여 선택 가능한 행동들 중 보상을 최대화하는 행동을 선택하도록 학습하는 기계학습의 한 방법 나. 강화학습의 특징순차적 의사결정 문제- 데이터의 관측 순서가 결과에 영향을 미침환경과 상호작용- 비용 증가에 따라 인프라 증설이 필요한 경우 장비 추가로 확장 Ⅱ. 강화학습의 개념도 및 주요 기법가. 강화학습의 개념도- 에이전트가 행동을 취하고 이에 따른 보상을 최대화하는 정책 학습 나. 강화학습의 주요 기법구분기법설명ModelFreeMDP(Markov Decision Process)- 의사결정 과정을 확률과 그래프를 이용한 기법- 상태, 상태전이 확률밀도함수, 행동, 보상함수 4요소..

Ⅰ. 생성형 적대 신경망, GAN의 개요가. GAN의 정의- 가짜 데이터를 생성하는 모델과 진짜와 가짜를 구분하는 모델을 함께 학습시켜 진짜와 구분하기 힘든 데이터를 생성하는 모델 나. GAN의 특징비지도학습- 학습 데이터의 레이블이 따로 주어지지 않고 진짜 이미지의 특징을 학습해 진짜 같은 가짜 이미지를 생성하는 모델생성모델, 분류모델- 생성 모델과 판별 모델 2개의 모델을 학습에 활용하여 오버피팅 문제 해결 Ⅱ. GAN의 절차도 및 구성요소가. GAN의 절차도- 분류기는 분류 정확도 높이도록, 생성자는 분류 정확도 낮추도록 학습 진행 나. GAN의 구성요소구분설명훈련 데이터- 생성 모델과 분류 모델을 훈련시키는데 사용되는 학습 데이터 집합Generator(생성 모델)- 생성자로 훈련 데이터 기반으로 ..

Ⅰ. 시계열 분석 개념- 시간의 흐름에 따라 기록된 데이터를 분석하고 여러 변수간의 인과관계를 분석하는 방법론 Ⅱ. 시계열 데이터의 특징특징설명시간 종속성- 시간을 기준으로 정렬되며 데이터의 순서가 중요계절성- 계절성으로 알려진 반복 패턴 또는 주기 발생추세- 시간 경과에 따른 데이터의 장기적인 움직임노이즈- 특정 패턴이나 원인에 기인할 수 없는 임의의 변동 데이터자기상관성- 연속된 데이터 포인트 간의 상관성 및 유사성 존재 Ⅲ. 시계열 분석 모델모델설명수식AR Model(Autoregressive)- 자기 회귀 모델로 과거 시점의 데이터가 현재 시점에 영향을 미치는 모델X(t) = w*X(t-1) + b + u*e(t)w, u: 가중치b: 상수e(t): white-noiseMA Model(Moving ..

Ⅰ. 시퀸스 데이터 학습 모델, RNN가. RNN의 정의- 시계열 데이터와 같이 시퀸스 데이터를 학습하기 위해 과거 출력을 재귀적으로 참조하는 모델 나. RNN의 동작방식1현 시점 t, 다음 시점 t+1에 보내는 은닉 상태값 ht2입력 데이터 x와 현 시점 셀과의 가중치 Wxh 계산3이전 시점 셀의 결과와 현재 시점 셀과의 가중치 Whh 계산4현재 시점  셀과출력 데이터 Y의 가중치 Why 계산5은닉층 활성 함수로는 주로 하이퍼볼릭 탄젠트 사용- 주요 데이터 사이가 멀어지면 장기의존성 문제 해결위해 LSTM 등장 Ⅱ. RNN 한계 극복 모델, LSTM가. LSTM의 정의- RNN의 출력과 멀리 있는 정보를 기억할 수 없어 발생하는 문제 보완한 장/단기 기억 모델 나. LSTM의 동작 방식1상태를 두 개,..

Ⅰ. 컴퓨터 비전 분석 대표 인공지능 알고리즘, CNN의 정의- 주로 이미지 및 영상 분석에 사용되며 이미지의 특징을 학습하고 이를 활용해 이미지를 분류하는 인공지능 모델 Ⅱ. CNN의 구조 및 주요 layer 설명가. CNN의 구조- CNN은 Convolution Layer, Pooling Layer, Fully Connected Layer로 구성된 나. CNN의 주요 layer 상세 설명주요 계층개념도설명ConvolutionLayer- 이미지를 filter를 통해 탐색하고 특징을 추출하여 feature map을 생성- 필터의 이동량을 stride로 조절- 데이터 손실 방지를 위해 padding 활용PoolingLayer- 기하급수적으로 늘어나는 연산량을 줄이기 위해 주요 특징만 강조하여 이미지 사이즈..

1. 나무 구조의 분류 및 예측 분석 모델, 의사결정나무의 개념정의- 의사 결정에 대한 규칙을 나무 구조로 나타내어 전체 자료를 분류하거나 예측을 수행하는 분석 모델구성요소root node- 의사결정나무가 시작되는 노드parent node- child 노드의 상위 노드child node- 하나의 마디로부터 분리되어 나간 2개 이상의 노드terminal node- 더 이상 분리되지 않는 최종 노드branch- root node부터 terminal node까지 연결된 nodedepth- root node부터 terminal node까지 node 들의 수 2. 의사결정나무의 불순도 및 분석 프로세스가. 의사결정나무의 불순도구분수식설명지니 지수- 불순도 측정 지수, 얼마나 다양한 데이터가 섞여있는지 정도- 지니..

1. 누락된 데이터 값, 데이터 결측값가. 결측값의 정의- 데이터 수집 및 처리 과정에서 정보 손실, 연구 대상 무응답 등 여러 원인으로 발생한 데이터 누락 값 나. 결측값의 종류 및 처리 방법구분항목설명결측값종류완전 무작위 결측- 다른 값에 영향 받지 않고 완전히 무작위로 발생- 모든 정보가 데이터 분석에 문제가 되지 않는 경우무작위 결측- 결측이 다른 변수에 따라 조건부로 결측이 발생- 특정 변수 결측 여부가 자료 내 타 변수와 관련 있는 경우비무작위 결측- 결측 여부가 해당 변수의 값에 의해 결정되어 발생- 무작위가 아니라 주도면밀한 추가 조사가 필요결측값처리 방법제거법- 완전 제거법: 불완전 자료 무시, 완전 관측 자료만 분석- 한쌍 제거법: 결측치 변수만 해당 분석에서 제외단순 대치법- 평균 대..

1. 컴퓨터 비전 데이터 라벨링, 이미지 데이터 어노테이션의 정의- 인공지능 모델을 학습시키기 위한 학습 데이터 생성 과정에서 이미지 데이터에 레이블을 추가하는 과정 2. 이미지 데이터 어노테이션 유형 및 기법가. 이미지 데이터 어노테이션 유형유형특징설명이미지 분류사진 자체 클래스 분류- 이미지 자체를 하나의 객체로 보고 분류- 객체를 하나의 클래스로 분류하는 방법객체 탐지사진 내 객체 클래스 분류- 이미지내 둘 이상의 객체 분류하는 방법- 이미지내 관심 객체 식별한 뒤 클래스 분류객체 분할사진 내 객체 정밀 분류- 이미지내 다중 객체들 간의 위치 뿐 아니라 객체 모서리(edge)를 찾아 클래스 분류 나. 이미지 데이터 어노테이션 기법기법특징설명바운딩 박스- 빠른 데이터 가공- 이미지 혹은 영상안 객체의..

Ⅰ. 데이터베이스 튜닝의 개념과 목적가. 데이터베이스 튜닝의 개념데이터 베이스 응용 프로그램, 데이터베이스, 운영체제를 조정해서 한정된 자원에서 최적의 성능을 이끌어내기 위한 작업 나. 데이터베이스 튜닝의 목적목적설명처리 능력 향상시간별 트랜잭션 처리량 증가처리 시간 단축작업완료 소요 시간 단축응답 시간 단축사용자 요청부터 시스템 응답까지 시간 단축로드 시간 단축데이터베이스 로드 시간 단축 Ⅱ. 데이터베이스 설계 단계 튜닝 기법가. 데이터베이스 튜닝 단계1단계DB 설계 튜닝 (모델링 관점)- 반정규화- 분산 파일 배치2단계DBMS 튜닝 (환경 관점)- Buffer 크기- Cache 크기3단계SQL 튜닝 (APP 관점- Hash- Join 나. 설계 단계 튜닝 기법 상세 설명구분기법설명데이터베이스- 실체뷰..