빅데이터분석기사 필기
시험 직전 요약장
판단 기준과 헷갈리는 개념, 대표 예제를 짧게 확인하세요.
딥러닝·비정형 데이터 분석
원래 이론 →판단 기준
- 비정형 데이터도 모형 입력 전에는 수치 텐서·토큰·스펙트로그램 등으로 표현한다.
- 딥러닝 학습 순서는 순전파→손실 계산→역전파→파라미터 갱신이다.
- CNN 출력 크기와 파라미터 수에서 패딩·스트라이드·채널·bias를 구분한다.
- RNN은 이전 상태를 순차 전달하고, 어텐션은 질의·키 관련도로 값을 가중합한다.
- 트랜스포머에는 순서 정보와 padding·
causal mask가 필요할 수 있다. - 분할 전에 중복 파생본이나 전체자료 통계를 만들면 누수가 생길 수 있다.
- 모형 선택과 임계값 조정은 검증자료, 최종 성능 추정은 독립 테스트자료로 수행한다.
헷갈리는 개념
표를 좌우로 밀어 나머지 열을 확인하세요. 키보드: ←·→, Home·End
| 데이터 | 대표 입력 | 대표 출력 | 대표 손실·평가 |
|---|---|---|---|
| 텍스트 | 토큰 ID, 임베딩, attention mask | 문서 클래스, 토큰 라벨, 다음 토큰 | 교차엔트로피, macro F1, 과업별 사람 평가 |
| 이미지 | 배치×높이×너비×채널 또는 배치×채널×높이×너비 | 클래스, 경계상자, 픽셀 마스크 | 교차엔트로피, mAP, IoU·Dice |
| 음성 | 파형, log-mel 스펙트로그램 | 음성 클래스, 전사 토큰 | 교차엔트로피, 오류율 |
| 순서열 | 배치×길이×변수 | 미래값, 상태, 이상 점수 | MAE·RMSE, F1·PR-AUC |
대표 계산·예제
입력이 32×32×3, 커널 3×3, 필터 16개, S=1, P=1, D=1이라고 하자.
예시·텍스트좌우로 이동해 전체 내용을 확인하세요. 키보드: ←·→, Home·End
H_out = floor((32+2-2-1)/1)+1 = 32
W_out = 32
출력 텐서 = 32×32×16
파라미터 수 = 3×3×3×16 + 16 = 448
표를 좌우로 밀어 나머지 열을 확인하세요. 키보드: ←·→, Home·End
| 요소 | 역할 | 흔한 오해 |
|---|---|---|
| 커널·필터 | 같은 지역 가중치를 위치마다 공유 | 필터 수와 커널 크기는 같은 개념이 아님 |
| 스트라이드 | 이동 간격과 출력 해상도 조절 | 항상 정보를 보존하지 않음 |
| 패딩 | 경계 처리와 출력 크기 조절 | 패딩 값은 실제 관측값이 아님 |
| dilation | 파라미터 증가 없이 수용영역 확대 | 조밀한 지역정보가 자동 보존되는 것은 아님 |
| 풀링 | 지역 요약·다운샘플링 | 완전한 이동 불변성을 보장하지 않음 |
합성곱은 입력이 이동하면 특징지도도 대응해 이동하는 이동 등변성을 갖도록 설계된다. 풀링·전역평균·증강은 작은 위치 변화에 대한 민감도를 줄일 수 있지만 모든 변환에 대한 불변성을 보장하지 않는다.
내 최근 연습 오답
현재 브라우저의 연습 채점 기록에서 공개된 단원과 연결된 오답을 확인합니다.
오답 기록을 확인하고 있습니다.