ㅁ 전이학습 ㅇ 정의: 기존에 학습된 모델의 지식과 가중치를 새로운 문제 해결에 재활용하는 학습 방법. 대규모 데이터와 연산 자원 없이도 높은 성능을 달성할 수 있음. ㅇ 특징: 사전학습(pre-trained) 모델 활용, 학습 시간 단축, 적은 데이터로도 가능, 특정 도메인 적합성 향상. ㅇ 적합한 경우: 데이터 수집이 어렵거나 제한적인 경우, 유사한 도메인 문제를 해결할 때, 빠른 프로토타입이
ㅁ 신경망 구조 ㅇ 정의: 인공지능 모델에서 데이터를 처리하고 특징을 추출하기 위해 설계된 네트워크 구조로, 각 구조는 데이터 특성과 목적에 따라 다르게 설계됨. ㅇ 특징: – 데이터 형태(이미지, 시계열, 그래프 등)에 따라 최적화된 구조가 존재 – 계층(layer) 구성 방식과 연산 방식에 따라 성능과 효율성이 달라짐 – 특정 구조는 특정 도메인에서 압도적인 성능을 발휘 ㅇ 적합한
ㅁ 표형 데이터 증강 ㅇ 정의: 표 형태(tabular)의 구조화된 데이터셋에서 클래스 불균형 문제를 해소하거나 데이터 다양성을 확보하기 위해 기존 데이터로부터 새로운 샘플을 생성하거나 기존 샘플을 재활용하는 기법. ㅇ 특징: 수치형/범주형 데이터 모두에 적용 가능하나, 각 기법별로 생성 방식과 데이터 분포 보존 정도가 다름. 모델의 과적합 방지와 일반화 성능 향상이 목적. ㅇ 적합한 경우: 분류 문제에서
ㅁ 오디오 증강 ㅇ 정의: 오디오 데이터를 인위적으로 변형하여 학습 데이터의 다양성을 확보하고, 모델의 일반화 성능을 향상시키는 기법. 원본 음성을 다양한 방식으로 변환하여 더 많은 학습 샘플을 생성한다. ㅇ 특징: – 데이터 부족 문제를 완화하고, 오버피팅을 방지. – 원본 음성의 의미(레이블)는 유지하면서 파형이나 스펙트럼 특성을 변형. – 음성 인식, 화자 인식, 음악 분류 등 다양한
ㅁ 텍스트 증강 ㅇ 정의: 텍스트 데이터를 인위적으로 변형·생성하여 데이터셋의 크기와 다양성을 늘리는 기법. 주로 데이터 부족 문제를 해결하고 모델의 일반화 성능을 향상시키는 데 사용됨. ㅇ 특징: – 원본 데이터의 의미를 유지하되 형태를 변형하여 학습 다양성 확보 – 데이터 편향 완화, 오버피팅 방지 효과 – 자연어 처리(NLP) 모델 성능 향상에 기여 – 잘못된 증강은 노이즈
ㅁ 이미지 증강 ㅇ 정의: 이미지 데이터를 변형하여 학습 데이터의 다양성을 인위적으로 확장하는 기법. 원본 이미지를 다양한 방식으로 변환해 모델의 일반화 성능을 향상시킴. ㅇ 특징: 데이터 부족 문제 해결, 과적합 방지, 실제 환경에서의 다양한 변화를 모델이 학습 가능하게 함. ㅇ 적합한 경우: 이미지 데이터셋이 작거나 특정 각도·조명·위치에 치우친 경우, 다양한 환경에서 성능을 높이고 싶은 경우.
ㅁ 이미지 처리 ㅇ 정의: 이미지 데이터를 분석, 학습, 예측 등의 목적으로 사용하기 위해 형식, 크기, 색상, 품질 등을 변환·보정하는 전처리 과정 ㅇ 특징: 픽셀 단위 연산이 많고, 데이터 손실과 정보 왜곡 가능성이 존재하며, 모델 성능에 직접적인 영향을 미침 ㅇ 적합한 경우: 이미지 기반 AI 모델 학습, 컴퓨터 비전 프로젝트, 시각 데이터 품질 향상 필요
ㅁ 텍스트 처리 ㅇ 정의: 비정형 텍스트 데이터를 분석 가능한 형태로 변환하기 위해 수행하는 전처리 과정의 집합. ㅇ 특징: 토큰 단위 분리, 불필요한 단어 제거, 어형 통합, 품사 기반 분석 등 언어 처리 기법을 포함. ㅇ 적합한 경우: 자연어 처리(NLP) 모델 학습, 텍스트 마이닝, 감성 분석 등의 사전 데이터 준비 단계. ㅇ 시험 함정: 토큰화와
ㅁ 인코딩 ㅇ 정의: 데이터 전처리 과정에서 범주형(카테고리) 데이터를 머신러닝 모델이 이해할 수 있도록 숫자 형태로 변환하는 기법. ㅇ 특징: – 범주형 변수를 처리하는 핵심 기술 – 인코딩 방식에 따라 모델 성능 및 처리 속도에 큰 영향을 미침 – 고차원 희소 행렬 발생 가능성 존재(특히 One-hot) – 모델 종류(트리 기반, 선형 모델, 신경망)에 따라 적합한
ㅁ 스케일링 ㅇ 정의: 데이터의 값 범위를 일정한 기준으로 맞추는 전처리 기법으로, 모델 학습 시 특정 변수의 값 크기로 인한 가중치 왜곡을 방지하기 위함. ㅇ 특징: – 모든 피처를 동일한 스케일로 변환하여 모델의 수렴 속도와 예측 성능 향상 – 거리 기반 알고리즘(KNN, SVM, K-means 등)에 필수적으로 적용됨 – 스케일링 방법에 따라 평균과 표준편차, 최소·최대값, 사분위수