인공지능

1번

1. ①

   강화 학습(reinforcement learning)

2. ②

   지도 학습(supervised learning)

3. ③

   비지도 학습(unsupervised learning)

4. ④

   앙상블 학습(ensemble learning)

2번

1. ①

   분류기가 양성으로 판정한 것들 중에서 실제 양성인 것의 비율을 재현율(recall)이라고 한다.

2. ②

   실제 음성인 것들 중에서 분류기가 음성으로 판정한 것의 비율을 특이도(specificity)라고 한다.

3. ③

   실제 양성인 것들 중에서 분류기가 양성으로 판정한 것의 비율을 위양성율(false positive rate)이라고 한다.

4. ④

   분류기는 민감도(sensitivity) 값이 작을수록 좋고 위양성율 값이 클수록 좋다.

3번

1. ①

   0.25

2. ②

   0.48

3. ③

   0.52

4. ④

   1

4번

1. ①

   주성분 분석법

2. ②

   선형 판별 분석법

3. ③

   최소우도법

4. ④

   최소제곱법

5번

1. ①

   CNN

2. ②

   KNN

3. ③

   MLP

4. ④

   RNN

6번

1. ①

   맹목적 탐색은 문제의 상태 공간 정보를 이용한다.

2. ②

   깊이 우선 탐색은 너비 우선 탐색에 비해 메모리에 대한 부담이 적지만 최단 경로를 찾는다는 보장이 없다.

3. ③

   너비 우선 탐색은 목표 상태를 찾을 때까지 생성된 모든 노드를 메모리에서 관리하기 때문에 메모리 비용이 크다.

4. ④

   반복적 깊이 심화 탐색은 탐색 깊이 한계를 0부터 점차 증가시키면서 깊이 우선으로 탐색하는 방법이고 최단 경로 찾는 것을 보장한다.

7번

1. ①

   내용 기반 추천은 메모리 기반 방법과 모델 기반 방법이 있고 콜드 스타트(cold start) 문제가 발생한다.

2. ②

   아이템 기반 추천은 이전에 구매한 아이템을 기반으로 그 상품과 유사한 다른 상품을 추천하는 방법이다.

3. ③

   사용자 기반 추천은 나와 비슷한 성향을 지닌 사용자의 데이터를 기반으로 상품을 추천하는 방법이다.

4. ④

   추천 시스템은 콘텐츠의 내용에 기반하거나 사람들의 성향 정보를 취득한 후 개인화된 맞춤 항목을 추천한다.

8번

1. ①

   경합 해소(conflict resolution)는 여러 규칙을 동시에 실행할 경우 모순이 발생할 수 있기 때문에 실행 가능한 규칙들 중에서 한 개를 선택하는 것을 의미한다.

2. ②

   전향 추론(forward chaining)은 규칙의 조건부를 만족시키는 사실이 있을 때 규칙의 결론부를 실행하거나 처리한다.

3. ③

   후향 추론(backward chaining)은 특정 사실을 확인하기 위해 해당 사실을 결론부에 포함하는 규칙의 조건부가 만족하는지 확인해 가는 방식으로 추론한다.

4. ④

   추론 엔진(inference engine)은 경합 해소 → 패턴 매칭(pattern matching) → 규칙 실행(rule execution)의 과정을 반복하여 추론한다.

9번

1. ①

   ${\text{rmA}}^{\ast }$ 알고리즘의 평가함수는 $f(n)$ ＝ $g(n)$ ＋ $h(n)$으로 표현한다.

2. ②

   휴리스틱 함수 $\hat{h}(n)$이 실제 남은 비용을 과대평가하지 않으면 허용성(admissibility)을 만족한다.

3. ③

   시작 노드에서 노드 $n$까지의 실제 비용 $g(n)$은 탐색이 진행됨에 따라 감소할 수 있다.

4. ④

   휴리스틱 함수 $\hat{h}(n)$이 허용성을 만족하면 ${\text{rmA}}^{\ast }$ 알고리즘은 항상 최적해를 찾는다.

10번

1. ①

   3

   80

2. ②

   32

   275

3. ③

   3

   55

4. ④

   9

   50

11번

1. ①

   군집화와 밀도추정 문제는 일반적으로 비지도 학습 방식을 사용한다.

2. ②

   지도 학습의 학습 데이터는 입력과 기대 출력 정보의 쌍으로 구성된다.

3. ③

   데이터 증강은 입력 데이터를 저차원 데이터로 압축하는 인코더 형태의 모델을 통해 학습한다.

4. ④

   프로그램을 명시적으로 작성하지 않고 컴퓨터가 학습할 수 있는 능력을 갖추게 하는 기술이다.

12번

1. ①

   ㄱ, ㄴ

2. ②

   ㄱ, ㄷ

3. ③

   ㄴ, ㄷ

4. ④

   ㄱ, ㄴ, ㄷ

13번

1. ①

   0.05

2. ②

   0.15

3. ③

   0.25

4. ④

   0.33

14번

1. ①

   정제되지 않은 대용량의 데이터로부터 의미 있는 상관관계, 패턴, 추세 등을 발견한다.

2. ②

   트랜잭션에서 항목 간의 불순도를 표현하기 위해 최소지지도와 최소신뢰도를 사용한다.

3. ③

   저장된 데이터를 정제(cleaning), 통합(integration)하여 잡음과 불일치를 제거하고 데이터 웨어하우스에 저장한다.

4. ④

   대규모 데이터에서 암묵적인, 이전에 알려지지 않은, 잠재적으로 유용할 것 같은 정보나 지식을 추출하는 체계적인 과정이다.

15번

1. ①

   연합 학습

2. ②

   메타 학습

3. ③

   강화 학습

4. ④

   표현 학습

16번

1. ①

   C4.5, C5.0, CHAID, CART 등의 알고리즘이 있다.

2. ②

   엔트로피는 어떤 집단에 각 부류의 데이터들이 균등한 비율로 섞여 있을수록 작아지는 특성이 있다.

3. ③

   ID3 알고리즘은 범주형 속성값을 갖는 학습 데이터로부터 엔트로피 개념을 사용하여 결정 트리를 만든다.

4. ④

   정보 이득(information gain)은 특정한 속성이 원하는 분류 방식에 부합하게 데이터를 나누는지를 측정할 수 있는 척도이다.

17번

1. ①

   (가)는 모델의 표현력이 부족해 훈련 오차와 검증 오차가 모두 높게 유지되는 상황을 나타낸다.

2. ②

   (나)는 훈련 오차와 검증 오차가 모두 낮고 서로 차이가 작아, 모델이 데이터에 일반화되고 있음을 보여 준다.

3. ③

   (다)는 훈련 오차가 낮고 검증 오차는 높게 유지되므로, 성능을 향상하기 위해서 모델 복잡도를 더 높여야 한다.

4. ④

   기계 학습에서 과적합은 학습 데이터에서 성능이 뛰어나지만 일반화에 대한 성능을 보장할 수 없다.

18번

1. ①

   0.23

2. ②

   0.33

3. ③

   0.67

4. ④

   0.83

19번

1. ①

   N-gram은 문자열에서 N개의 연속된 요소이다.

2. ②

   원－핫 인코딩(one-hot encoding)은 단어 개수가 많아질수록 벡터를 저장하기 위한 공간이 계속해서 늘어난다는 단점이 있다.

3. ③

   TF-IDF는 단어마다 가중치를 부여하여 단어를 벡터로 변환하는 방법으로 TF는 특정 단어가 등장한 문서의 수를 의미한다.

4. ④

   워드투벡터(Word2Vec)는 비슷한 컨텍스트에 등장하는 단어들이 유사한 의미를 지닌다는 이론에 기반을 두고 단어를 벡터로 표현해 주는 기법이다.

20번

1. ①

   학습 알고리즘은 기본적으로 경사 하강법을 사용하는 역전파 알고리즘이다.

2. ②

   컨볼루션 신경망을 분류 문제에 사용하는 경우, 마지막 층은 소프트맥스층으로 구성된다.

3. ③

   컨볼루션 신경망에서 활성화 함수로 시그모이드를 사용하면 ReLU 함수에 비해 계산시간이 줄어든다.

4. ④

   풀링층(pooling layer)은 합성곱층의 출력 데이터를 입력으로 받아서 특징맵의 크기를 줄이거나 특징을 추출하는 용도로 사용된다.

21번

1. ①

   ㄱ, ㄴ

2. ②

   ㄴ, ㄷ

3. ③

   ㄴ, ㄹ

4. ④

   ㄷ, ㄹ

22번

1. ①

   $${\mu }_A(x)+{\mu }_B(x)$$

2. ②

   $${\mu }_A(x)\times {\mu }_B(x)$$

3. ③

   $$\min ({\mu }_A(x),{\mu }_B(x))$$

4. ④

   $$\max ({\mu }_A(x),{\mu }_B(x))$$

23번

1. ①

   0.33

2. ②

   0.5

3. ③

   0.57

4. ④

   0.75

24번

1. ①

   구문에 따라 주어진 문장에서 단어들의 역할을 파악하여 계층적인 트리 구조로 변환한다.

2. ②

   문장의 각 단어에 품사의 범주 및 문법적 기능에 대한 태그를 붙인다.

3. ③

   컴퓨터가 읽을 수 있는 형태로 텍스트를 모아놓은 말뭉치(corpus)를 사용한다.

4. ④

   규칙 기반 품사 태깅은 언어 정보를 이용하여 수작업으로 만든 규칙들을 사용한다.

25번

1. ①

   ㄱ

2. ②

   ㄱ, ㄹ

3. ③

   ㄴ, ㄷ

4. ④

   ㄴ, ㄷ, ㄹ