1. AI 모델 아키텍처 설계
핵심 개념
- 모델 선택: CNN, RNN, Transformer 등 도메인별 적합한 구조
- 하이브리드 구조 설계: 예, CNN+LSTM, 멀티모달 모델
- 파라미터 수, 연산 복잡도, 메모리 고려
- 과적합/과소적합 방지 설계 전략 (dropout, regularization)
- 데이터 특성에 따른 모델 구조 최적화
출제 포인트
- 주어진 데이터 유형에 적합한 모델 설계
- 모델 구조 변경에 따른 장단점 비교
- 성능과 효율성 간의 트레이드오프 설명
뭐가 나올까 과연?
- 서술형: "시계열 데이터 분석에 RNN 대신 Transformer를 사용할 경우 장점과 단점을 설명하시오.
- 선택형: "이미지 분류에 가장 적합한 모델 구조는 무엇인가?"
2. XAI (Explainable AI)
핵심 개념
- 블랙박스 모델의 해석 문제
- Post-hoc 기법: LIME, SHAP, Grad-CAM
- Intrinsic 기법: Decision Tree, Generalized Linear Model
- 설명 가능성 vs. 성능 trade-off
- 규제 및 윤리적 요구사항과 XAI 필요성
출제 포인트
- 설명 가능성과 성능 사이의 균형
- 모델 해석 기법 비교
- XAI 활용 사례 (의료, 금융, 법률 등)
뭐가 나올까 과연?
- 사례형: "의료 진단 AI에서 XAI가 필요한 이유를 설명하시오."
- 비교형: "LIME과 SHAP의 차이점을 기술하시오."
- OX/선택형: "Grad-CAM은 CNN의 시각적 설명에 주로 활용된다."
3. AI 모델 학습 및 평가
핵심 개념
- 학습 곡선 (Training vs Validation curve) → 과적합/과소적합 판단
- Cross-validation, Hold-out validation
- 평가 지표: Accuracy, Precision, Recall, F1-score, AUC
- 회귀 문제: RMSE, MAE, R²
- 불균형 데이터에서 accuracy의 한계
출제 포인트
- Learning Curve 해석
- 데이터 분할 방법과 타당성
- 지표 선택의 합리성
뭐가 나올까 과연?
- 그래프 해석형: "다음 학습 곡선을 보고 과적합 여부를 판정하시오."
- 비교형: "불균형 데이터에서 Accuracy보다 F1-score가 적절한 이유는?"
- 계산형: "다음 혼동행렬에서 Precision과 Recall을 구하시오."
4. AI 모델 튜닝 (HPO, Class Imbalanced 해결)
핵심 개념
- Hyperparameter Optimization(HPO): Grid Search, Random Search, Bayesian Optimization
- Early Stopping, Learning Rate Scheduler
- Class imbalance 해결: Oversampling(SMOTE), Undersampling, Class Weight 조정, Data Augmentation
- Cost-sensitive learning
출제 포인트
- HPO 기법 비교 및 효율성
- 데이터 불균형 문제 해결 전략
- 모델 성능 개선 사례
뭐가 나올까 과연?
- 서술형: "Grid Search와 Random Search의 차이와 장단점을 설명하시오."
- 사례형: "불균형 데이터셋에서 Recall을 높이기 위한 전략을 제시하시오."
- 선택형: "Class imbalance 해결책이 아닌 것은 무엇인가?"
예상문제에 대한 정답 + 추가 문제 작성
: https://picturesque-scribe-d64.notion.site/chatgpt-result?source=copy_link