머신러닝 관련 기출 · 풀이
머신러닝(Machine Learning) 성능지표
머신러닝 성능지표는 모델의 예측 성능을 객관적으로 평가하는 기준으로, 모델 선택 및 개선에 필수적이다. 분류, 회귀, 군집 등 다양한 머신러닝 알고리즘에 따라 적합한 성능지표를 선택하고, 이를 통해 모델의 일반화 성능을 향상시키는 것이 중요하다.
전체 해설 보기머신러닝의 분류 모델인 서포트 벡터 머신(Support Vector Machine) 중 선형 서포트 벡터 머신의 마진(Margin) 분류 방법 2가지를 설명하시오.
본 답안은 선형 서포트 벡터 머신(SVM)의 마진 분류 방법 두 가지를 설명합니다. 첫째, 하드 마진은 데이터가 선형적으로 완벽하게 분리될 때 최적의 결정 경계를 찾는 방법입니다. 둘째, 소프트 마진은 데이터에 오류가 일부 포함되어 있을 때 마진 내의 오류를 허용하면서 결정 경계를 찾는 방법입니다. 각 방법의 개념, 절차, 장단점을 상세히 설명하고, 실제 적용 시 고려사항을 제시합니다.
전체 해설 보기머신러닝(Machine Learning)과 딥러닝(Deep Learning) 차이
머신러닝은 명시적인 프로그래밍 없이 컴퓨터가 학습할 수 있도록 하는 기술이며, 딥러닝은 인공신경망을 기반으로 한 머신러닝의 한 분야이다. 딥러닝은 복잡한 데이터에서 추상적인 특징을 자동으로 학습할 수 있지만, 더 많은 데이터와 컴퓨팅 자원을 필요로 한다. 머신러닝과 딥러닝은 문제의 복잡성, 데이터의 양, 컴퓨팅 자원 등을 고려하여 적절한 기술을 선택해야 한다.
전체 해설 보기머신러닝 최적화 알고리즘(Optimization Algorithm) 유형 및 장단점
머신러닝 최적화 알고리즘은 모델의 성능을 극대화하기 위해 손실 함수를 최소화하는 파라미터를 찾는 과정이다. 경사하강법, 모멘텀, RMSProp, Adam 등 다양한 알고리즘이 존재하며, 각 알고리즘은 수렴 속도, 지역 최적해 문제 해결 능력, 하이퍼파라미터 민감도 등에서 차이를 보인다. 문제에 적합한 알고리즘 선택은 모델 성능 향상에 결정적인 영향을 미친다.
전체 해설 보기머신러닝 보안 취약점에 대하여 설명하시오. 가. 머신러닝 학습 과정에서의 적대적 공격 4가지 나. 각각 적대적 공격의 방어 기법
머신러닝 모델은 학습 데이터와 알고리즘의 특성상 다양한 보안 취약점을 내포하고 있다. 특히 적대적 공격은 머신러닝 모델의 예측 성능을 저하시키거나 오작동을 유발하여 심각한 문제를 야기할 수 있다. 본 답안에서는 머신러닝 학습 과정에서의 주요 적대적 공격 유형 4가지와 그에 대한 방어 기법을 상세히 설명한다.
전체 해설 보기머신 러닝(Machine Learning)에서 활용되는 앙상블(Ensemble) 기법을 설명하시오.
앙상블 기법은 여러 머신러닝 모델을 결합하여 단일 모델보다 더 강력하고 안정적인 예측 성능을 얻는 방법이다. 다양한 모델을 활용하여 과적합을 줄이고 일반화 성능을 향상시키며, 데이터의 다양한 측면을 고려하여 예측 정확도를 높인다. 주요 기법으로는 배깅, 부스팅, 스태킹 등이 있으며, 각 기법은 모델 결합 방식과 학습 전략에서 차이를 보인다. 앙상블 기법은 데이터 분석 및 예측 모델링 분야에서 널리 활용되며, 모델 성능 향상을 위한 핵심적인 기술로 자리매김하고 있다.
전체 해설 보기