🇶 지도 학습과 비지도 학습의 차이는 무엇인가요?
- 지도 학습 (Supervised Learning): 문제(x)와 정답(y)이 쌍으로 존재합니다. 모델은 f(x) = y가 되는 함수 f를 학습합니다.
- 예시: "시험 감독 AI"를 만들 때, 특정 행동 영상(x)에 '부정행위'라는 라벨(y)을 달아서 학습시키는 방식입니다.
- 비지도 학습 (Unsupervised Learning): 정답(y)이 없습니다. 데이터 자체의 패턴이나 구조를 파악합니다.
- 예시: 우리 서비스 이용자들의 로그 데이터만 보고 "비슷한 패턴을 가진 유저끼리 그룹핑(Clustering)" 하는 경우입니다.
🇶 손실 함수(loss function)란 무엇이며, 왜 중요한가요?
- 손실 함수는 모델이 "얼마나 틀렸는지"를 수치화한 지표입니다.
- AI 학습은 결국 이 손실(Loss) 값을 최소화하는 방향으로 모델의 파라미터(Weight)를 업데이트하는 과정입니다. 최적화(Optimization)의 나침반 역할을 하기때문에 중요합니다.
🇶 모델 학습 시 발생할 수 있는 편향과 분산에 대해 설명하고, 두 개념의 관계에 대해 설명해 주세요.
모델 성능이 안 나올 때 개발자는 이게 편향 문제인가, 분산 문제인지를 먼저 파악해야 합니다.
- 편향 (Bias): 모델이 너무 단순해서 데이터의 본질적인 패턴을 못 읽는 상태 (과소적합, Underfitting).
- 분산 (Variance): 모델이 훈련 데이터에 너무 예민하게 반응해서, 새로운 데이터가 오면 성능이 널뛰는 상태 (과적합, Overfitting).
- - > 편향과 분산은 서로 시소와 같은 관계입니다. 편향을 낮추려고 모델을 복잡하게 만들면 분산이 올라가고, 반대로 분산을 낮추려고 모델을 단순화하면 편향이 올라갑니다.
🇶 K-폴드 교차 검증에서 K의 값을 선택할 때 고려해야 할 점은 무엇인가요?
데이터를 K개로 쪼개서, K-1개로 학습하고 1개로 검증하는 과정을 K번 반복하는 기법입니다. K값을 선택할 때 고려해야될 점은 다음과 같습니다.
- 데이터의 양: K가 커지면 학습 데이터가 많아져서 모델이 정확해지지만, 연산 시간은 오래 걸립니다. ->Cost 증가
- Bias vs Variance: K가 작으면 모델이 데이터를 덜 봐서 편향이 생길 수 있고, K가 너무 크면 모델 간의 편향은 줄지만 연산량과 분산이 커질 수 있습니다.
- 보편적인 선택: 보통 실무에서는 5 또는 10을 가장 많이 사용합니다.