1주차

1-1. 퀴즈

  • 1st spring of AI에서는 강한 인공지능과 약한 인공지능 중에서 [강한] 인공지능을 추구했다.
  • 전문가 시스템은 2번 째 spring of AI의 대표적인 성과이다.

1-2. 퀴즈

  • 1st spring of AI에서는 강한 인공지능과 약한 인공지능 중에서 [상징주의] 인공지능을 추구했다.  
  • 계학습이나, 심층학습과 같이 학습을 통한 문제 해결 능력의 향상을 추구하는 인공지능의 연구동향을 연결주의라고 한다. 

1-3. 퀴즈

  • 인공 지능 연구의 3 요소는 모델, 데이터, 컴퓨팅이다.
  • label된 데이터를 이용하지 않는 인공지능 모델을 비지도 학습 모델이라고 한다.  

1-4. 퀴즈

  • 최신 AI 모델 개발 절차에서 첫번째 단계는 기획이다.
  • data drift와 concept drift는 최신 AI 모델 개발 절차에서 배포 단계에서 발생하는 문제이다.  

2주차

2-1. 퀴즈

  • 기게 학습의 가장 중요한 일은 과거에 축적된 데이터를 이용해서 미래에 발생한 일을 예측하는 것이다. 
  • 예측한 값과 실제 값의 차이를 loss라고 한다. 

2-2. 퀴즈

  • 예측한 값과 실제 값의 차이를 데이터라고 한다. ← 잘못된 퀴즈같은데... 일단 답은 이거임..
  • 데이터 속성들 중에서 필요 없는 속성을 제거하는 과정을 데이터 정제라고 한다. 

2-3. 퀴즈

  • ML 모델 중에서 연속적인 값을 출력하는 모델을 회귀 모델이라고 한다.
  • 분류/인식 모델이 예측하는 변수는 범주형 변수 이다. 

2-4. 퀴즈

  • ML 모델을 훈련하는 과정의 첫 번째 단계는 [data 준비] 단계이다. 
  • ML 모델을 훈련하는 목적은 [손실 함수]의 값을 최소화하는 파라미터를 찾는 것이다.

3주차

3-1. 퀴즈

  • big data의 3V는 volume, velocity, [variety] 이다.
  • AI의 발전 방향은 model-centric AI에서 [data-centric] AI로 바뀌고 있다. 

3-2. 퀴즈

  • 데이터를 획득하고 검증하여 데이터 분석 및 ML 시스템 훈련에 사용할 수 있는 형태로 가공하는 작업을 [ data collection ] 이라고 한다.  
  • [ Fairness ] 는 편향된 데이터셋으로 훈련받은 모델이 잘못된 판단을 내리는 경우에 대해서 주의해야 한다는 것이다.  

3-3. 퀴즈

  • 비정형 데이터에 대한 레이블링은 정형 데이터에 대한 레이블링보다 더 어렵다. [ 참 ]
  • 프로젝트 팀 내부에서 수행하는 레이블링을 [ In-house ] 레이블링이라고 한다.

3-4. 퀴즈

  • [ Data Validation] 은 수집된 데이터가 목적에 적합한 데이터인지 검증하는 과정이다.
  • 훈련을 마친 AI 모델을 사용자에게 서비스하는 단계를 [ Model deployment ] 라고 한다.

4주차

4-1. 퀴즈

  • 수집된 데이터를 저장하는 Python에서 제공하는 자료구조는 [ Pandas ] 이다.
  • Dataframe은 Series로부터 생성할 수 없다. [ 거짓 ]

4-2. 퀴즈

  • Dataframe에서 첫 5개의 원소를 출력하는 연산은 [ head ] 이다.
  • 서로 다른 차원의 Dataframe을 연결할 때 결측값이 발생할 수 있다. [ 참 ]

4-3. 퀴즈

  • 리스트로부터 Dataframe 을 생성할 때 결측값은 허용되지 않는다. [ 거짓 ]
  • 다음과 같은 식으로 Dataframe 을 생성할 때 발생하는 오류의 해결 방법은 list_a와 list_b의 원소의 갯수를 일치시킨다. [ 참 ]
    → 리스트의 원소 개수가 다르면 Dataframe을 만들 수 없다. 그렇기에 갯수를 일치시켜야한다. 
list_a = [1, 2, 3, 4, 5]
list_b = [6, 5, 4, 3, 2, 1]

df = pd.Dataframe({"A": list_a, "B": list_b})

4-4. 퀴즈

  • Dataframe에서 원소를 index로 선택하는 함수는 [ iloc ] 이다.
  • Dataframe에서 행을 sampling 하기 위해서는 axis = 1 을 사용한다. [ 거짓 ] 
    → axis=1 (열 방향)    axis=0 (행 방향)

5주차

5-1. 퀴즈

  • 어떤 dataframe에서 'E'의 label을 갖는 column을 삭제하기 위해서 사용하는 명령어를 쓰시오. [ df.drop("E", axis=[1]) ]
  • dataframe에서 결측값을 0으로 바꾸는 명령어는 "df.dropna(0)"이다. [ 거짓 ]

5-2. 퀴즈

  • dataframe df의 첫 10개의 행을 추출하는 명령어를 쓰시오. [ [df.head(10)] ]
  • dataframe df에서 각 열에 대한 평균을 계산하는 명령은 "df.average(0)"이다. [ 거짓 ]

5-3. 퀴즈

  • merge 함수를 이용해서 dataframe을 연결할 때 서로 일치하지 않는 key에 대해서는 [ 결측값 / NaN ] 이 발생한다.
  • 서로 다른 차원의 dataframe들을 연결하는 concat 함수에서 공통된 행과 열에 대해서만 연결을 수행하기 위해서는 join의 속성을 "inner"로 설정해야 한다. [ 거짓 ]

6주차

6-1. 퀴즈

  • 웹 페이지가 저장하는 정보를 가져가도록 허용하는 서비스를 함수의 형태로 제공하는 것을 [ API ] 라고 한다.
  • 웹페이지를 작성한 html 코드를 보고싶으면 control 키와 [ u ] 키를 동시에 누르면 된다.

6-2. 퀴즈

  • 웹 페이지를 표현하는 html 문서를 가져오는 과정을 [ 웹 크롤링 ] 이라고 한다.
  • 웹 페이지를 표현하는 문서를 가져와서 그 내용을 분석하는 과정을 [ 웹 스크레이핑 ]이라고 한다.

6-3. 퀴즈

  • "["와 "]" 사이에 들어있는 모든 문장을 표현하는 정규표현식은 무엇인가?  [ r"[. ?]" ]
  • 모든 영어 이름을 표현하는 정규표현식은 무엇인가? [ r"[A-Z][a-z]+" ]

6-4. 퀴즈

  • 하나의 문자열을 이용해서 다른 문자열을 분리할 때 사용하는 정규 표현식 함수는? [ split ]
  • 하나의 문자열이 다른 문자열에 포함되는 것을 점검하는 정규 표현식 함수는? [ match ]

7주차

7-1. 퀴즈

  • BeautifulSoup은 html 문서를 파싱하는 Python 모듈이다. [ 참 ]
  • BeautifulSoup에서 tag로 시작하고 끝나는 첫번째 문장을 찾는 함수는 select ( )이다. [ 거짓 ]

7-2. 퀴즈

  • BeautifulSoup에서 tag으로 묶이지 않은 문자열을 찾아주는 함수는 무엇인가? [ string ]
  • BeautifulSoup에서 tag로 시작하고 끝나는 모든 문장을 찾는 함수는 find ( )이다. [ 거짓 ]

7-3. 퀴즈

  • requests를 이용한 웹 크롤링에서 url로부터 html 문서를 추출하는 함수는 무엇인가? [ get ]
  • [div class="tab_list_wrap"] ~ [/div]으로 둘러쌓인 모든 문장을 추출하는 함수를 쓰시오. [ 답: soup.findall("div", {"class" : "tab_list_wrap"}) ]

7-4. 퀴즈

  • 파이썬의 딕셔너리는 key와 [ value ] 의 조합으로 구성된 자료구조이다.
  • 파이썬에서 한 리스트의 원소는 어떤 딕셔너리의 key 값으로 사용될 수 있다. [ 참 ]

중간고사

ㅠㅠ 문제 정리 못함 ㅠ

9주차

9-1. 퀴즈

  • 회귀는 비지도 학습에 속하는 대표적인 기계학습 기법이다. [ 거짓 ]
  • 집의 면적에 따라 집값을 예측하는 모델을 학습한다고 가정하자. 회귀의 관점에서 집의 면적을 부르는 용어로 적절한 것을 고르시오. [ Feature ]

9-2. 퀴즈

  • 인공지능 기술의 기계학습 기술에서 중요한 구성 요소는 알고리즘(모델)과 데이터이다. [ 참 ]
  • 인공지능 분야의 세 번째 봄을 가져다 준 기술은 object recognition 분야의 기술이다. [ 참 ]

10주차

10-1. 퀴즈

  • 종양에 대한 데이터 x 로부터 그것인 악성인지(y=1, malignant) 아닌지(y=0, benign) 예측하고자 한다. 어떤 종양에 대해 우리가 만든 로지스틱 회귀 분류기가 h𝜃(x)=0.7 를 출력으로 계산했다. 이를 통해 우리는 그 종양이 악성일 확률이 70% 라고 추정한다. 그렇다면 이 종양이 악성이 아닐 확률 은 얼마로 추정할 수 있을까?
    a. P(y=0|x;𝜃) = 0.7×0.3
    b. P(y=0|x;𝜃) = 0.7
    c. P(y=0|x;𝜃) = 0.7의 제곱
    ✅ d. P(y=0|x;𝜃) = 0.3
  • 특성 x를 통해 특정 카테고리를 예측하고자 한다. 이 작업을 로지스틱 회귀로 모델링할 때, 우리가 최소화해야 하는 함수는 다음 중 무엇인가? [ D ]

10-2. 퀴즈

  • 의사결정 트리에서 자식 노드는 최대 2개까지 가질 수 있으며, 하나만 가지고 있어도 된다. [ 거짓 ]
  • 의사 결정 트리의 생성 원칙 중, ‘한 node에서 child node로 분화할 경우 얻을 수 있는 무질서도(entropy)의 감소’를 [ 정보 획득 ] 이라 한다

10-3. 퀴즈

Precision과 recall은 다음과 같이 정의된다.

테스트 셋에 대한 본인 알고리즘의 성능이 아래와 같다.

이 알고리즘의 precision 과 recall 은? [ Precision=0.8, recall=0.5 ]

 

어린이 시청자를 위한 유익 동영상 분류기를 개발하고자 한다. 어린이에게는 유익한 영상을 몇 개 못 보더라도, 안전한 동영상만을 보여주는 것이 중요하다. 이 때 아래 보기 중 성능 측정 메트릭(metric)으로 적절한 것을 고르시오. [ Precision ]

11주차

11-1. 퀴즈

  • 랜덤 포레스트(Random forest)는 앙상블 모델의 특수한 경우이다. [ 참 ]
  • 랜덤 포레스트(Random forest)는 분류 문제에는 적용할 수 있지만, 회귀 문제에는 적용할 수 없다. [ 거짓 ]

11-2. 퀴즈

  • 트리를 생성할 때 train set 의 부분 집합을 활용해서 트리를 생성하는 랜덤 포레스트 알고리즘의 방법 [ Bagging ]
  • 한 모델의 결과에서 도출된 오류를 다른 모델을 이용해 보정하여 최종 결과를 도출하는 랜덤 포레스트 알고리즘의 방법 [ Boosting ]

11-3. 퀴즈

  • 앙상블 모델에서는 여러 모델들을 이용하여 결과를 도출한다. 이 때 사용하는 모델들은 학습되는 데이터셋은 달라도 되지만, 모델들은 동일한 종류를 사용해야 한다. [ 거짓(false) ]
  • Bagging 알고리즘의 입력을 고르시오.
    ✅ a. 데이터셋 L
    b. 오류를 통해 보완된 f’
    c. 오류를 통해 보완된 데이터셋 L’
    d. 모델 f

 

11-4. 퀴즈

    • Bagging 알고리즘의 출력을 고르시오.
      ✅ a. 모델 f
      b. 오류를 통해 보완된 데이터셋 L’
      c. 오류를 통해 보완된 f’
      d. 데이터셋 L 
    • 그림에서 B가 의미하는 것을 고르시오.
      ✅ a. 데이터셋 L의 일부를 샘플링한 부분집합의 개수
      b. 데이터셋 L의 원소의 개수
      c. 최종 결정 모델
      d. 데이터셋 L의 일부를 샘플링한 원소의 개수
      e. 오류를 통해 보완된 데이터셋 L’ 의 원소의 개수

12주차

12-1. 퀴즈

  • Bagging 알고리즘에서, N개의 데이터를 가진 모집단에서 원소 하나가 선택되지 않을 확률은 1 - 1/N 이다. 하지만 샘플링 횟수를 무한히 늘린다면, 확률적으로 원소 하나가 선택되지 않을 확률은 0에 가깝다. 즉 모든 원소가 빠짐없이 다 선택된다는 의미이다. [ 거짓(false) ]
  • kc_hous_data 에서 집 가격에 영향을 덜 미치는 속성을 모두 고르시오.
    ✅ a. data
    ✅ b. id
    ✅ c. zipcod
    d. number of bedrooms

12-2. 퀴즈

  • 다음은 Adaboost의 strong classifier가 week classifier를 이용하여 최종 결정을 내리는 식이다.이 식에 따르면, weak classifier 앞에 곱해지는 alpha 값이 작은 경우, 해당 weak classifier 의 결정을 무시하는 효과를 가진다. [ 참(true) ]

 

  • 다음은 Adaboost 알고리즘이다.
    위 (1), (2), (3)에 들어가는 다음 보기에서 골라 적절히 순서대로 배치하시오. [ A-C-B ]

13주차

13-1. 퀴즈

  • 기계학습의 세 가지 패러다임은 지도학습, 비지도학습, 강화학습이 있다. [ 참(true) ]
  • 비지도학습이란 레이블이 없는 데이터의 패턴을 학습하는 알고리즘 유형이다. [ 참(true) ]

13-2. 퀴즈

    • K-means 는 모든 개체를 K개의 클러스터 중심 중 가장 근접한 클러스터의 중심에 할당하여, 클러스터를 구성한다. [ 참(true) ]
    • K-means는 실행할 때마다 동일한 클러스터 결과를 생성한다. [ 거짓(false) ]

13-3. 퀴즈

  • DBSCAN 알고리즘은 노이즈가 있는 데이터에 대해 취약하다. [ 거짓(false) ]
  • DBSCAN 알고리즘은 사용자가 Cluster의 수를 정해야 한다. [ 거짓(false) ]

13-4. 퀴즈

  • 차원축소란 효율적인 예측이 가능하도록 지나치게 많은 데이터의 속성을 줄이는 작업이다. [ 참(true) ]
  • 다음 중 '다양한 데이터의 속성 중에서 속성 간의 상관 관계를 이용해서 데이터의 속성을 줄이는 기법'을 고르세요.
    a. Feature selection
    b. Information Gain Odds ratio
    ✅ c. Principal component analysis
    d. t-SNE
    e. Multi-dimensional scaling

14주차

14-1. 퀴즈

  • RNN의 학습에서는 CNN의 학습과 달리 시간 혹은 순서를 고려해야 한다. [ 참(true) ]
  • RNN(Recurrent neural network) 에 적용될 수 있는 데이터는 무엇인가?
    1. 주식 데이터
    ✅ 2. 모두
    3. 날짜별 평균 온도
    4. 음성 데이터
    5. 텍스트 데이터

14-2. 퀴즈

  • RNN(Recurrent neural network) 구조는 텍스트 데이터 이 외 데이터에는 적용할 수 없다. [ 거짓(false) ]
  • 연속 데이터와 시계열 데이터를 구분 짓는 기준은 '순서'와 정보의 차이이다. [ 거짓(false) ]

14-3. 퀴즈

  • 일대다(one to many) 타입의 RNN 구조는 자연어 생성, 기계번역 등에 활용된다. [ 참(true) ]
  • 자연어 생성은 bidirectional RNN을 사용하여 해결한다. [ 거짓(false) ]

14-4. 퀴즈

  • Long short-term memory (LSTM)은 그라디언트 소실(gradient vanishing) 문제를 해결하기 위해 제안되었다. [ 참(true) ]
  • 다음과 같은 single-layered RNN의 input tensor의 shape으로 알맞는 것을 고르시오.

    (이론 시간 설명을 기준으로 하시오. 단, n:단어의 개수, input_size:단어 한개를 표현하는 벡터의 차원의 수, hidden_size: hidden state 벡터의 차원의 수, batch_size: 한 번에 GPU 에서 처리하는 데이터의 개수)

    하나를 선택하세요.
    a. (batch_size, n, hidden_size)
    b. (batch_size, input_size, n)
    c. (input_size, batch_size, n)
    ✅ d. (batch_size, n, input_size)
    e. (n, batch_size, input_size)

15주차 기말고사

  • 회귀/분류 모델의 overfitting과 underfitting을 다 피하기 위해서는 복잡한 모델을 사용하면서 높은 차수의 변수를 무시할 수 있도록 ✅ 정규화 를 적용한다.

  • 다음 그림에서 빈칸 A, B를 순서대로 채우시오. 
    • 빈칸 A : ✅ Classification
    • 빈칸 B : ✅ Clustering
  • 의사 결정 트리에서 정보 획득은 한 node에서 child node로 분화할 경우 얻을 수 있는 ❌ 불순도 의 감소를 의미한다.

  • Ensemble model에서 각 모델의 결과를 다시 훈련 데이터로 활용하여 학습한 모델을 이용해서 최종 결과를 도출하는 기법을❌ 스태킹 이라고 한다.

  • 중복을 허용하지 않는 샘플링 기법을 통해서 표본을 수집하는 방법을 ❌ 페이스 이라고 한다.

  • 여러 개의 weak learner를 순차적으로 결합하여 예측 성능을 향상시키는 기법인 boosting 기법 중에서 각 데이터에 각각 다른 가중치를 적용해서 예측을 수행하는 기법 두 가지는 ❌ AdaBoost, LogitBoost 이라고 한다.

  • 차원 축소 기법들 중에서 PCA는 ✅ 분산 에 기반한 기법이다.

  • 다음 중 로지스틱 회귀의 loss 함수에 대한 설명으로 잘못된 것을 고르시오.
    ✅ a. gradient descent의 적용이 쉬워야하기 때문에 함수의 모양이 concave해야 한다.
          b. ground truth는 0또는 1의 값만을 갖는다.
          c. cross entropy loss라고 한다.
          d. 함수의 미분이 쉬워야 한다.

  • 다음 중 로지스틱 회귀의 loss 함수에 대한 설명으로 잘못된 것을 모두 고르시오.
          a. cross entropy loss라고 한다.
    ❌ b. gradient descent의 적용이 쉬워야하기 때문에 함수의 모양이 concave해야한다.
          c. 함수의 미분이 쉬워야 한다.
          d. ground truth는 0또는 1의 값만을 갖는다.

  • Bagging model에서 P(OOB)를 쓰시오. → ❌ 36.8%

  • 아래 식에서 로지스틱 회귀 모델의 식으로 적절한 것을 고르시오. → ✅ A
  • 아래 그림은 Bagging 알고리즘에 대한 설명을 위한 그림이다. 이 그림에서 B가 의미하는 것을 고르시오
          a. 데이터셋 L의 원소의 개수
    ❌ b. 데이터셋 L의 일부를 샘플링한 원소의 개수
          c. 오류를 통해 보완된 데이터셋 L'의 원소의 개수
          d. 데이터셋 L의 일부를 샘플링한 부분집합의 개수
          e. 최종 결정 모델

  • 종양에 대한 데이터 x 로부터 그것인 악성인지(y=1, malignant) 아닌지(y=0, benign) 예측하고자 한다. 어떤 종양에 대해 우리가 만든 로지스틱 회귀 분류기가 h𝜃(x)=0.8 를 출력으로 계산했다. 이를 통해 우리는 그 종양이 악성일 확률이 80% 라고 추정한다. 그렇다면 이 종양이 악성이 아닐 확률 은 얼마로 추정할 수 있을까?
    ✅ a. P(y=0|x;𝜃) = 0.2
          b. P(y=0|x;𝜃) = 0.8
          c. P(y=0|x;𝜃) = 0.8×0.2
          d. P(y=0|x;𝜃) = 0.82

  • RNN(Recurrent neural network)에 적용될 수 있는 데이터는 무엇인가?
          a. 주식 데이터
    ✅ b. 모두
          c. 음성 데이터
          d. 텍스트 데이터

  • 아래 그림과 같은 RNN 구조에 대한 설명으로 옳은 것을 모두 고르시오. 하나 이상을 선택하세요.
          a. 이 그림에서 레이어는 총 4개이다.
    ✅ b. Multi-layered RNN 구조이다.
          c. 이 구조의 은닉 상태(hidden state)는 모든 레이어의 은닉 상태를 말한다.
          d. 서로 다른 레이어에서는 같은 θ를 공유한다.
    ✅ e. 시간 축에 대해서는 같은 θ를 공유한다.
    ✅ f. 마지막 레이어의 은닉 상태(hidden state)는 우리가 예측하려는 출력값이다.
728x90

'kmooc > 기계 학습 기반의 데이터 공학' 카테고리의 다른 글

[기계 학습 기반의 데이터 공학] 1-1  (0) 2025.05.02

티스토리툴바