1. 다음 문장의 빈칸에 들어갈 가장 적절한 단어를 고르시오.
“ 머신 러닝에서 ________과 _____________은 분리되어 있음”
머신러닝은 사람이 직접 특징을 추출해줘야 한다고 했으니 1번빼고는 다 사라지네요.
다운 스트림이 뭔지는...?
정답은 "1. 특징 추출, 다운스트림 작업"입니다.
설명: 머신 러닝에서 '특징 추출'과 '다운스트림 작업'은 서로 분리되어 있습니다. 특징 추출(feature extraction)은 원시 데이터로부터 유용한 정보를 추출하여 학습에 사용할 수 있는 형태로 변환하는 과정입니다. 다운스트림 작업(downstream task)은 특징 추출을 통해 얻은 데이터를 바탕으로 실제로 문제를 해결하기 위한 다양한 머신 러닝 알고리즘의 적용을 의미합니다. 예를 들어, 이미지에서 객체를 인식하기 위한 특징을 추출하고, 이 특징을 바탕으로 객체 분류나 객체 탐지 같은 다운스트림 작업을 수행할 수 있습니다.
2. 다음 문장의 빈칸에 들어갈 가장 적절한 단어를 고르시오.
“이동 불변성(Translational Invariance)이란 동일한 물체의 ______이나______를 약간만 변경해도 해당 물체를 인식하는 뉴런이 활성화되지 않을 수 있다는 의미”
이전 시간에 나왔죠 물체를 회전하거나 이동시키면 못 맞춘다고! 여기선 회전이 다른거랑 있으니 방향으로 봐도 되겠네요
정답은 "2. 방향, 위치"입니다.
설명: 이동 불변성(Translational Invariance)은 동일한 물체의 방향이나 위치를 약간만 변경해도 해당 물체를 인식하는 뉴런이 활성화되지 않을 수 있다는 개념을 의미합니다. 이는 컴퓨터 비전 시스템이나 뉴런 네트워크가 이미지 내의 객체 위치나 방향의 작은 변화에도 불구하고 해당 객체를 동일하게 인식할 수 있음을 나타냅니다. 이러한 성질은 특히 컨볼루션 신경망(CNN)에서 중요하게 다루어지는 개념으로, 이미지 처리에서 객체의 위치나 방향이 달라져도 동일한 특징을 추출하여 인식할 수 있도록 돕습니다.
3. 활성화 함수의 기능이 아닌것은?
ㅎㅎ... 코싸인은 나중에 유사도를 구할때 사용됩니다.
정답은 "4. 코싸인"입니다.
설명: 활성화 함수는 신경망에서 입력 신호의 총합을 출력 신호로 변환하는 함수입니다. 주로 비선형 변환을 수행하며, 신경망이 복잡한 문제를 해결할 수 있게 합니다. "쌍곡탄젠트(Tanh)", "정류된 선형 단위(ReLU)", 그리고 "시그모이드"는 모두 널리 사용되는 활성화 함수입니다. 반면, "코싸인" 함수는 일반적인 활성화 함수로 사용되지 않습니다. 활성화 함수는 일반적으로 입력 값을 적절한 범위 내의 출력 값으로 매핑하여 신경망의 비선형성을 도입하는 역할을 하며, 코싸인 함수는 이러한 목적에 맞게 특별히 설계된 함수가 아닙니다.
4. 다음 문제 중 올바르지 않는 것을 고르시오.
컨볼루션 신경망의 주요 구성 요소가 아닌것은?
오 생성적 대립 신경망은 레이어라고 볼 수 있나요...? GAN아닌가요?
정답은 "4. 생성적 대립 신경망 레이어"입니다.
설명: 컨볼루션 신경망(CNN)의 주요 구성 요소는 컨볼루션 레이어(Convolutional Layer), 풀링 레이어(Pooling Layer), 그리고 완전 연결 레이어(Fully Connected Layer)입니다. 컨볼루션 레이어는 이미지의 특징을 추출하는 역할을 하고, 풀링 레이어는 특징 맵의 크기를 줄이는 역할을 하며, 완전 연결 레이어는 분류 등의 최종 결정을 내리는 역할을 합니다. 반면, 생성적 대립 신경망(Generative Adversarial Network, GAN) 레이어는 컨볼루션 신경망의 구성 요소가 아니며, 실제 이미지와 유사한 이미지를 생성하는데 사용되는 별도의 신경망 구조입니다. GAN은 생성자(Generator)와 판별자(Discriminator) 두 가지 네트워크로 구성되어 상호 경쟁하면서 학습합니다.
5. 다음 문장의 빈칸에 들어갈 가장 적절한 단어를 고르시오.
“최적화 알고리즘(Optimization algorithm)은 학습 과정에서 모델의 파라미터_______및_______를 조정하는 중요한 구성 요소”
parameter와 bias를 어떻게 조정하느냐에 따라 학습이 오래걸리냐, local minimum에 빠지냐 등 안좋은 요건에 걸릴 수 있기 때문에 이 optimizer가 잘 해줘야죠. 즉 가중치와 편향!
정답은 "2. 가중치, 편향"입니다.
설명: 최적화 알고리즘은 학습 과정에서 모델의 가중치(Weight)와 편향(Bias)을 조정하여, 예측 오차를 최소화하고 모델의 성능을 개선하는 중요한 역할을 합니다. 가중치와 편향은 모델이 입력 데이터에서 학습할 수 있는 매개변수로, 이들의 조정을 통해 모델이 보다 정확한 예측을 수행할 수 있게 됩니다.
괜히 한글로 번역하니까 알아보기 더 불편하네요...
'인공지능 > 공부' 카테고리의 다른 글
| 자연어 처리 과제 1 Word2Vec, Doc2Vec, cos유사도- 마무리 (0) | 2024.03.21 |
|---|---|
| 자연어 처리 - 과제 1.1 (0) | 2024.03.20 |
| 생성형 인공지능 3주차 5차시 - 컨볼루션 신경망의 한계 (0) | 2024.03.20 |
| 생성형 인공지능 3주차 4차시 - 다층 구조 신경망의 학습 (0) | 2024.03.20 |
| 생성형 인공지능 3주차 3차시 - 다층 구조 신경망 구조 (0) | 2024.03.20 |