딥러닝 기초 복습

머신러닝과 퍼셉트론부터 이항 분류 평가, 다층신경망과 활성화 함수까지 핵심 개념 복습

퀴즈

혼동행렬 계산 문항은 다음 표를 사용합니다. 백분율은 소수점 둘째 자리까지 계산하고 % 없이 숫자만 입력합니다.

	예측 음성 (0)	예측 양성 (1)
실제 음성 (0)	50 (TN)	10 (FP)
실제 양성 (1)	5 (FN)	35 (TP)

문제 1 / 30맞음: 0힌트: 0틀림: 0채점중: 0남음: 30

머신러닝의 학습 형태에 대한 설명으로 올바른 것을 모두 고르세요.

☐지도 학습은 입력과 목표값이 짝지어진 데이터로 예측 관계를 학습한다
☐비지도 학습은 목표값 없이 데이터의 구조를 찾는다
☐강화 학습은 환경과 상호작용하며 누적 보상을 높이는 행동을 학습한다
☐딥러닝은 정답 레이블을 사용할 수 없는 비지도 학습만을 뜻한다

퀴즈를 풀려면 대화형 기능을 불러와야 합니다.

머신러닝의 학습 형태에 대한 설명으로 올바른 것을 모두 고르세요.

목표값의 유무, 환경과의 상호작용, 신경망의 층 수는 서로 다른 분류 기준입니다.

지도 학습은 입력과 목표값이 짝지어진 데이터로 예측 관계를 학습한다비지도 학습은 목표값 없이 데이터의 구조를 찾는다강화 학습은 환경과 상호작용하며 누적 보상을 높이는 행동을 학습한다딥러닝은 정답 레이블을 사용할 수 없는 비지도 학습만을 뜻한다

지도 학습은 입력과 목표값이 짝지어진 데이터로 예측 관계를 학습한다, 비지도 학습은 목표값 없이 데이터의 구조를 찾는다, 강화 학습은 환경과 상호작용하며 누적 보상을 높이는 행동을 학습한다

부품 이미지를 픽셀값으로 이루어진 고차원 공간의 점으로 표현할 때, 분류 모형이 학습하는 것은 무엇입니까?

새 이미지가 어느 클래스의 영역에 놓이는지 판단하려면 공간을 나누는 기준이 필요합니다.

서로 다른 클래스의 점을 나누는 결정 경계모든 이미지의 파일 크기를 같게 만드는 압축률각 클래스의 이미지 수를 같게 만드는 복제 규칙픽셀 좌표를 촬영 시간순으로 정렬하는 기준

서로 다른 클래스의 점을 나누는 결정 경계

인공 뉴런이 입력에서 출력을 만드는 순서로 가장 알맞은 것은?

뉴런은 먼저 $z = \sum_{i} w_{i} x_{i} + b$ 를 계산한 다음 $a = f (z)$ 를 만듭니다.

입력에 가중치를 곱해 더하고 편향을 더한 뒤 활성화 함수를 적용한다각 입력에 활성화 함수를 적용한 뒤 가중치 없이 평균을 낸다정답에 편향을 더한 뒤 그 값을 입력으로 사용한다손실 함수를 먼저 계산한 뒤 입력값을 결정한다

입력에 가중치를 곱해 더하고 편향을 더한 뒤 활성화 함수를 적용한다

인공 뉴런의 편향 $b$ 가 하는 역할은?

입력이 모두 0이어도 가중합에 남는 항을 생각하세요.

가중합에 더해져 판단 기준을 옮긴다각 입력의 중요도를 정하도록 입력마다 곱해진다예측과 정답의 차이를 하나의 값으로 계산한다훈련 데이터를 무작위로 섞는 순서를 정한다

가중합에 더해져 판단 기준을 옮긴다

모형과 파라미터의 관계를 바르게 설명한 것은?

같은 수식도 계수 값이 달라지면 서로 다른 함수를 나타냅니다.

모형은 계산의 틀이고 파라미터는 그 안에서 학습되는 값이다모형은 학습되는 숫자이고 파라미터는 데이터 파일의 형식이다모형과 파라미터는 모두 훈련 중 바뀌지 않는 고정 규칙이다파라미터는 평가 지표이고 모형은 그 지표의 정답이다

모형은 계산의 틀이고 파라미터는 그 안에서 학습되는 값이다

CPU와 GPU에 대한 설명으로 올바른 것을 모두 고르세요.

연산 구조의 차이와 가속기 선택 뒤 실제 코드가 그 장치를 사용하는지는 별개의 문제입니다.

CPU는 복잡한 제어 흐름과 작은 작업을 처리하는 데 유리하다GPU는 충분히 큰 텐서의 반복적인 수치 계산에 유리하다Colab에서 GPU를 선택하면 코드가 장치를 사용하지 않아도 모든 계산이 빨라진다GPU의 주된 역할은 훈련 데이터를 전원이 꺼진 뒤에도 영구 저장하는 것이다

CPU는 복잡한 제어 흐름과 작은 작업을 처리하는 데 유리하다, GPU는 충분히 큰 텐서의 반복적인 수치 계산에 유리하다

Google Colab의 노트북과 런타임에 대한 설명으로 알맞은 것은?

코드와 설명을 담는 문서와 코드를 실행하며 상태를 보관하는 가상 머신을 구분하세요.

노트북을 저장해도 런타임의 변수와 임시 파일까지 영구 저장되는 것은 아니다런타임을 다시 시작해도 이전에 만든 변수와 설치한 라이브러리가 그대로 남는다노트북을 공유하면 현재 런타임의 가상 머신도 함께 공유된다런타임에 업로드한 파일은 Google Drive에 자동으로 영구 저장된다

노트북을 저장해도 런타임의 변수와 임시 파일까지 영구 저장되는 것은 아니다

다음 중 다항 분류에 해당하는 문제는?

서로 배타적인 셋 이상의 클래스 중 하나를 고르는 문제를 찾으세요.

손글씨 이미지를 숫자 0부터 9 중 하나로 분류제품을 정상과 불량 중 하나로 분류메일을 스팸과 정상 중 하나로 분류검사 결과를 양성과 음성 중 하나로 분류

손글씨 이미지를 숫자 0부터 9 중 하나로 분류

filter_binary(x, y, 3, 4)에서 원래 레이블 3과 4는 각각 어떤 새 레이블로 바뀝니까?

세 번째 인수는 음성 클래스, 네 번째 인수는 양성 클래스입니다.

3은 0, 4는 13은 1, 4는 03은 3, 4는 43은 -1, 4는 1

3은 0, 4는 1

다음 Keras 레이어의 역할에 대한 설명으로 올바른 것을 모두 고르세요.

입력값 범위 변환, 배열 형태 변환, 출력 뉴런의 개수를 구분하세요.

Rescaling(1/255)는 0부터 255까지의 픽셀값을 0부터 1까지의 범위로 바꾼다Flatten()은 2차원 이미지를 Dense 레이어에 넣을 1차원 벡터로 펼친다Dense(1, activation="sigmoid")는 두 클래스의 확률을 각각 하나씩 출력한다Flatten()은 입력 이미지에서 학습할 가중치를 자동으로 추가한다

Rescaling(1/255)는 0부터 255까지의 픽셀값을 0부터 1까지의 범위로 바꾼다, Flatten()은 2차원 이미지를 Dense 레이어에 넣을 1차원 벡터로 펼친다

모델 훈련에서 손실 함수의 역할은?

옵티마이저가 어느 방향으로 파라미터를 수정할지 판단하려면 최소화할 값이 필요합니다.

예측과 정답의 차이를 하나의 값으로 나타낸다입력 데이터의 클래스 수를 자동으로 결정한다훈련 데이터와 테스트 데이터를 자동으로 분리한다은닉층의 뉴런 수를 항상 최적값으로 바꾼다

예측과 정답의 차이를 하나의 값으로 나타낸다

레이블이 0 또는 1이고 출력층이 sigmoid 확률 하나를 반환하는 분류 모델에 가장 알맞은 손실 함수는?

두 클래스 중 하나를 예측하고 양성 클래스의 확률 하나를 출력하는 상황입니다.

이항 교차 엔트로피평균 제곱 오차희소 범주형 교차 엔트로피평균 절대 오차

이항 교차 엔트로피

실제 레이블이 1인 사례에 모델이 양성 확률 0.01을 출력했습니다. 이항 교차 엔트로피 손실에 대한 설명으로 알맞은 것은?

실제 양성에서는 양성 확률이 1에 가까울수록 손실이 작습니다.

틀린 클래스를 높은 확신으로 예측했으므로 손실이 크다예측 확률이 0에 가까우므로 정답과 관계없이 손실이 작다문턱값을 적용하지 않았으므로 손실을 계산할 수 없다이항 교차 엔트로피는 모든 예측에 같은 손실을 준다

틀린 클래스를 높은 확신으로 예측했으므로 손실이 크다

경사하강법은 파라미터를 어느 방향으로 수정합니까?

그래디언트는 손실이 가장 빠르게 증가하는 방향을 가리킵니다.

손실 그래디언트의 반대 방향손실 그래디언트와 같은 방향파라미터가 항상 증가하는 방향테스트 정확도가 감소하는 방향

손실 그래디언트의 반대 방향

학습률이 지나치게 클 때 나타날 가능성이 가장 높은 현상은?

학습률은 업데이트 한 번에 이동하는 폭을 조절합니다.

최소점 주변을 지나치며 손실이 수렴하지 않을 수 있다파라미터가 전혀 바뀌지 않아 손실이 항상 같다그래디언트가 자동으로 정확한 최솟값을 가리킨다훈련 데이터가 자동으로 미니배치로 나뉘지 않는다

최소점 주변을 지나치며 손실이 수렴하지 않을 수 있다

그래디언트 계산에 사용하는 데이터 범위에 대한 설명으로 올바른 것을 모두 고르세요.

이름보다 한 번의 파라미터 업데이트에 포함하는 사례 수를 기준으로 구분하세요.

배치 경사하강법은 한 번의 업데이트에 전체 훈련 데이터를 사용한다확률적 경사하강법은 한 번의 업데이트에 사례 하나를 사용한다미니배치 경사하강법은 전체 훈련 데이터의 일부를 사용한다딥러닝에서 SGD라고 부르면 반드시 배치 크기가 1이다

배치 경사하강법은 한 번의 업데이트에 전체 훈련 데이터를 사용한다, 확률적 경사하강법은 한 번의 업데이트에 사례 하나를 사용한다, 미니배치 경사하강법은 전체 훈련 데이터의 일부를 사용한다

Keras의 model.compile()이 설정하는 항목의 조합으로 알맞은 것은?

모델을 어떤 방법으로 수정하고 무엇을 최소화하며 어떤 성능을 관찰할지 정하는 단계입니다.

옵티마이저, 손실 함수, 평가 지표훈련 데이터, 테스트 데이터, 배치 순서에포크 수, 배치 크기, 출력 파일 이름입력 이미지, 정답 레이블, 예측 확률

옵티마이저, 손실 함수, 평가 지표

훈련에 사용하지 않은 테스트 데이터로 모델을 평가하는 주된 이유는?

모델이 이미 본 사례가 아니라 보지 않은 사례에서도 잘 작동하는지 확인하는 단계입니다.

새로운 데이터에 대한 일반화 성능을 확인하기 위해테스트 데이터로 모델의 가중치를 계속 수정하기 위해훈련 데이터의 레이블을 테스트 예측으로 교체하기 위해테스트 결과가 가장 좋도록 모델 구조를 반복 선택하기 위해

새로운 데이터에 대한 일반화 성능을 확인하기 위해

훈련 데이터에서는 성능이 높지만 테스트 데이터에서는 성능이 크게 낮은 상태는?

모델이 훈련 데이터의 세부 특성까지 지나치게 맞춘 경우를 생각하세요.

과대적합과소적합완전한 일반화데이터 정규화

과대적합

테스트 데이터가 훈련이나 모델 선택 과정에 반복해서 사용되면 생길 수 있는 가장 중요한 문제는?

평가에 사용할 데이터에 맞춰 모델을 조정하면 그 데이터가 더 이상 독립적인 시험 역할을 하지 못합니다.

일반화 성능을 실제보다 높게 평가할 수 있다일반화 성능이 반드시 실제보다 낮게 계산된다테스트 이미지의 해상도만 자동으로 낮아진다훈련 손실을 계산할 수 없게 된다

일반화 성능을 실제보다 높게 평가할 수 있다

np.expand_dims(x, axis=0)을 단일 이미지에 적용하는 주된 목적은?

모델은 보통 이미지 한 장도 여러 사례를 묶는 첫 번째 축을 포함한 형태로 받습니다.

맨 앞에 크기 1의 배치 차원을 추가한다마지막에 RGB 채널 세 개를 추가한다픽셀값을 0부터 1까지로 정규화한다이미지를 1차원 벡터로 펼친다

맨 앞에 크기 1의 배치 차원을 추가한다

실제는 음성인데 모델이 양성으로 예측한 경우는?

예측은 틀렸고 모델이 내린 예측 결과는 양성입니다.

위양성(FP)위음성(FN)진양성(TP)진음성(TN)

위양성(FP)

위 혼동행렬의 정확도는 몇 %입니까?

전체 사례 중 맞게 예측한 TN과 TP의 비율을 계산하세요.

위 혼동행렬의 정밀도는 몇 %입니까?

양성으로 예측한 사례 중 실제 양성인 비율, 즉 $T P / (T P + F P)$ 를 계산하세요.

77.78

위 혼동행렬의 재현도는 몇 %입니까?

실제 양성 중 양성으로 찾아낸 비율, 즉 $T P / (T P + F N)$ 을 계산하세요.

87.5

위 혼동행렬의 특이도는 몇 %입니까?

실제 음성 중 음성으로 판별한 비율, 즉 $T N / (T N + F P)$ 를 계산하세요.

83.33

이항 분류의 문턱값을 낮출 때 나타나는 일반적인 경향으로 가장 알맞은 것은?

양성이라고 판정하는 기준이 느슨해지면 더 많은 사례가 양성 예측에 포함됩니다.

양성 예측이 늘고 재현도는 높아질 수 있지만 정밀도는 낮아질 수 있다양성 예측이 줄고 재현도와 정밀도가 반드시 모두 높아진다혼동행렬은 변하지 않고 손실 함수만 바뀐다위음성과 위양성이 모두 반드시 0이 된다

양성 예측이 늘고 재현도는 높아질 수 있지만 정밀도는 낮아질 수 있다

XOR 문제를 단층 퍼셉트론보다 다층신경망으로 해결하기 적합한 이유는?

XOR의 같은 출력끼리는 하나의 직선으로 나눌 수 없습니다.

은닉층과 비선형 활성화 함수를 이용해 선형 분리되지 않는 패턴을 표현할 수 있기 때문이다출력층의 뉴런 하나가 언제나 모든 비선형 문제를 정확히 풀기 때문이다다층신경망은 가중치와 편향을 사용하지 않기 때문이다XOR은 직선 하나로 완전히 분리되는 문제이기 때문이다

은닉층과 비선형 활성화 함수를 이용해 선형 분리되지 않는 패턴을 표현할 수 있기 때문이다

ReLU를 사용하는 은닉 뉴런에서 죽은 ReLU가 발생한 상태를 가장 잘 설명한 것은?

ReLU는 음수 입력 구간에서 출력과 기울기가 모두 0입니다.

입력이 계속 음수여서 출력과 기울기가 0으로 유지되고 가중치가 학습되지 않는다입력이 계속 양수여서 출력이 1에 포화되고 기울기가 0이 된다출력이 항상 음수여서 다음 층의 가중치가 무한히 커진다입력이 0일 때마다 활성화 함수가 sigmoid로 자동 변경된다

입력이 계속 음수여서 출력과 기울기가 0으로 유지되고 가중치가 학습되지 않는다

활성화 함수와 사용 목적의 연결로 올바른 것을 모두 고르세요.

비선형 특징, 확률 하나, 합이 1인 여러 확률, 범위 제한이 없는 수치를 구분하세요.

은닉층의 비선형 특징 학습 — ReLU이항 분류 출력층의 한 클래스 확률 — sigmoid서로 배타적인 다항 분류 출력층의 확률 분포 — softmax범위 제한이 없는 회귀 출력층의 실숫값 — sigmoid

은닉층의 비선형 특징 학습 — ReLU, 이항 분류 출력층의 한 클래스 확률 — sigmoid, 서로 배타적인 다항 분류 출력층의 확률 분포 — softmax