[자격증] AIDE 1급, 2급 자격증 이론 시험 내용 정리

AIDE 자격증 이론 시험 내용 정리 📘

 

1. 인공지능 기초 개념 🌐

머신러닝 (Machine Learning)

• 정의: 데이터에서 패턴을 학습하여 예측 및 결정을 내리는 알고리즘
• 분류:
  • 지도 학습: 라벨이 있는 데이터를 학습 (예: 회귀, 분류)
  • 비지도 학습: 라벨이 없는 데이터에서 패턴을 찾음 (예: 군집화)
  • 강화 학습: 보상을 최대화하기 위한 의사결정 (예: 게임, 로봇 제어)

딥러닝 (Deep Learning)

• 정의: 다층 신경망을 사용하여 복잡한 패턴을 학습하는 머신러닝의 하위 분야
• 구조: 입력층(Input Layer), 은닉층(Hidden Layers), 출력층(Output Layer)
• 활용: 이미지 인식, 자연어 처리, 자율주행 등 다양한 분야에서 활용

 

 

2. 데이터 처리 및 분석 🗂️

데이터 전처리 (Data Preprocessing)

• 정규화(Normalization): 데이터를 일정한 범위로 변환하여 학습을 용이하게 함
• 결측값 처리(Missing Value Handling): 데이터를 완성하기 위해 누락된 값을 대체하거나 제거

특성 선택 (Feature Selection)

• 정의: 모델 성능을 높이기 위해 중요 특성만 선택하여 학습에 사용
• 방법: 주성분 분석(PCA), 랜덤 포레스트 등

데이터 시각화 (Data Visualization)

• 정의: 데이터를 이해하기 쉽도록 시각적으로 표현
• 도구: Matplotlib, Seaborn 등

 

 

3. 주요 알고리즘 🔑

KNN (K-Nearest Neighbors)

• 정의: 새로운 데이터를 가장 가까운 데이터들과 비교하여 예측하는 알고리즘
• 특징: 간단한 알고리즘이지만 데이터 양이 많아지면 성능 저하

SVM (Support Vector Machine)

• 정의: 데이터를 여러 차원에서 분리하는 초평면을 찾는 분류 알고리즘
• 활용: 이진 분류 문제에서 주로 사용 (예: 스팸 필터링)

랜덤 포레스트 (Random Forest)

• 정의: 여러 개의 의사결정 나무를 결합하여 예측 성능을 향상시키는 방법
• 특징: 과적합(overfitting)을 방지하는 강력한 모델

CNN (Convolutional Neural Networks)

• 정의: 이미지 처리에 특화된 딥러닝 알고리즘
• 구조: 컨볼루션 층, 풀링 층 등을 통해 이미지 특징을 추출하고 학습

RNN (Recurrent Neural Networks)

• 정의: 순차 데이터(시계열 데이터) 분석에 강한 알고리즘
• 특징: LSTM, GRU 등 다양한 형태로 확장 가능

 

 

4. AI 윤리 및 법적 문제 ⚖️

AI 윤리

• 프라이버시 문제: 개인 데이터 사용과 보호
• 편향성(Bias): 데이터 편향으로 인해 잘못된 결정을 내릴 가능성

AI 법적 이슈

• 책임소재: AI가 잘못된 결정을 내렸을 때 책임은 누구에게 있는가?
• 지적 재산권: AI가 생성한 창작물의 소유권 문제

 

 

5. 평가 지표 📊

정확도 (Accuracy)

• 정의: 모델이 얼마나 정확하게 예측했는지 비율로 측정
• 활용: 분류 문제에서 많이 사용되지만 데이터가 불균형할 경우 부정확할 수 있음

정밀도 (Precision)와 재현율 (Recall)

• 정밀도: 실제로 양성인 데이터 중 모델이 양성으로 예측한 비율
• 재현율: 양성 데이터 중 모델이 양성으로 정확하게 예측한 비율

F1 Score

• 정의: 정밀도와 재현율의 조화 평균으로, 불균형 데이터에서 성능을 평가하는 데 유용

 

 

6. 과적합 방지 방법 🛠️

과적합 (Overfitting)

• 정의: 학습 데이터에 너무 맞춰진 모델로, 새로운 데이터에서는 성능이 떨어짐
• 해결 방법:
  • 정규화(Normalization): 학습 중 가중치 크기를 제한하여 과적합 방지
  • 드롭아웃(Dropout): 학습 중 일부 노드를 무작위로 제거하여 모델의 일반화 성능 향상
  • 교차 검증(Cross-validation): 데이터를 여러 부분으로 나누어 각각 학습 및 검증

 

 

7. 교차 검증 (Cross-Validation) 🔄

• 정의: 데이터를 여러 번 분할해 학습과 검증을 반복하여 모델의 일반화 성능을 평가하는 방법
• K-폴드 교차 검증: 데이터를 K개의 부분으로 나누어 각 부분을 검증에 사용

---

이론 시험은 AI의 전반적인 개념과 알고리즘에 대한 이해가 필요하며, 데이터 처리 기술과 윤리적인 문제에 대한 기본적인 소양을 평가합니다. 기초 개념부터 고급 알고리즘까지 폭넓게 준비하는 것이 중요합니다.