[카테고리:] AI 이론

ㅁ 파이프라인 구성 ㅇ 정의: 머신러닝 모델 개발 과정에서 데이터 수집부터 전처리, 모델 학습, 성능 평가, 배포까지의 전체 단계를 자동화·연결한 절차를 의미함. ㅇ 특징: – 재현성과 일관성을 확보할 수 있음 – 데이터와 모델 버전 관리가 용이함 – 자동화 도구(CI/CD, MLOps)와 결합 가능 – 오류 발생 시 특정 단계에서 빠르게 롤백 가능 ㅇ 적합한 경우: –

ㅁ 클래스 불균형 해결 ㅇ 정의: 데이터셋에서 특정 클래스의 샘플 수가 다른 클래스에 비해 현저히 적은 상황을 개선하기 위한 기법들의 총칭. ㅇ 특징: – 데이터 증강, 가중치 조정, 손실 함수 수정 등 다양한 접근 방식 존재 – 과적합 방지 및 소수 클래스의 예측 성능 향상이 목적 – 분류 문제에서 F1-score, Recall 향상에 유리 – 데이터

ㅁ HPO 기법 ㅇ 정의: – HPO(Hyperparameter Optimization) 기법은 머신러닝·딥러닝 모델의 성능을 최적화하기 위해 하이퍼파라미터 값을 자동 또는 체계적으로 탐색하는 방법. ㅇ 특징: – 모델 학습 전 또는 학습 과정 중에 적용 가능 – 탐색 전략에 따라 연산량, 시간, 탐색 효율성이 크게 달라짐 – Grid Search, Random Search, Bayesian Optimization, Hyperband, Optuna 등 다양한 방식

ㅁ 평가지표 ㅇ 정의: 모델이 예측한 결과를 정량적으로 평가하기 위해 사용하는 지표들의 집합. 문제 유형(분류, 회귀 등)과 데이터의 특성에 따라 적절한 지표를 선택해야 함. ㅇ 특징: – 데이터의 불균형 여부에 따라 지표의 신뢰도가 달라질 수 있음 – 단일 지표로 모든 상황을 평가하기 어려움 – 모델 개선 방향성을 제시하는 역할 수행 ㅇ 적합한 경우: – 모델

ㅁ 검증 기법 ㅇ 정의: 머신러닝 모델의 성능을 평가하기 위해 데이터셋을 분할하고 반복적으로 학습·검증을 수행하는 절차. ㅇ 특징: 모델의 일반화 성능을 높이고 과적합을 방지하는 데 도움을 주며, 데이터 분할 방식에 따라 편향과 분산 정도가 달라짐. ㅇ 적합한 경우: 데이터가 제한적이거나 모델 성능 비교가 필요한 경우, 하이퍼파라미터 튜닝 시. ㅇ 시험 함정: ‘검증 기법’과 ‘평가 지표’를

ㅁ 학습 곡선 ㅇ 정의: 모델의 학습 정도를 시각적으로 표현한 그래프. 주로 훈련 데이터와 검증 데이터에 대한 오류율 또는 정확도의 변화를 학습 단계(epoch)에 따라 나타낸다. ㅇ 특징: – 훈련 데이터와 검증 데이터의 성능 차이를 통해 과적합/과소적합 여부를 판단할 수 있음 – 학습이 진행됨에 따라 손실(loss)이 수렴하는 패턴을 관찰 가능 – 모델 튜닝 및 학습 조기

ㅁ 딥러닝 해석 ㅇ 정의: 딥러닝 모델의 내부 작동 원리를 시각적으로 또는 수치적으로 설명하여, 모델의 의사결정 근거를 이해하고 검증하는 기법. 주로 CNN, Transformer 등의 복잡한 구조에서 사용됨. ㅇ 특징: 모델 성능 저하 없이 해석 가능, 시각화 기반으로 사용자 직관적 이해 지원, 규제 준수 및 신뢰성 확보에 기여. ㅇ 적합한 경우: 의료 영상 분석, 자율주행 객체

ㅁ 규칙 기반 ㅇ 정의: 규칙 기반 XAI(설명 가능한 인공지능)는 모델의 예측 결과를 사람이 이해할 수 있는 규칙(조건문, if-then 형태 등)으로 표현하여 설명하는 방식. ㅇ 특징: – 사람이 읽을 수 있는 규칙으로 결과 해석 가능 – 복잡한 모델을 단순화하여 설명 – 규칙 수가 많아지면 오히려 해석 난이도 증가 가능 – 주로 의사결정 과정의 투명성을 확보하는

ㅁ 시각화 기반 ㅇ 정의: – 시각화 기반 XAI(설명 가능한 인공지능)는 모델의 예측 과정을 직관적으로 보여주기 위해 시각적 도구를 활용하는 방법. – 데이터 특성, 모델의 내부 상태, 예측 결과와 입력 특성 간의 관계를 그래프나 도표로 표현. ㅇ 특징: – 모델 구조나 수학적 식을 직접 해석하지 않고, 시각적 패턴을 통해 직관적 이해 가능. – 특정 입력

ㅁ Ensemble ㅇ 정의: 여러 개의 개별 모델을 조합하여 하나의 강력한 예측 모델을 만드는 기법. 각 모델의 장점을 취하고 단점을 보완하여 성능을 향상시키는 것을 목표로 함. ㅇ 특징: – 단일 모델 대비 과적합(Overfitting) 위험 감소 – 예측 안정성 향상 – 다양한 모델 조합 가능(동일 알고리즘, 다른 알고리즘 모두 가능) – 계산 비용 증가 가능성 있음