7급 국가직 인공지능 기출문제 전 회차를 한 권으로 — PDF 전자책(문제집·정답해설집)

24년 1회차

총 25문항 · 객관식 · A4 약 1장

1 / 1

A4정답 포함← → 키 · 드래그로 넘김

7급 국가직 인공지능 기출문제모두CBT · moducbt.com

24년 1회차

총 25문항 · 객관식 · 정답·해설 포함

문제 1

다음 설명에 해당하는 기술은?

특정 영상(이미지)에 다른 인물의 얼굴, 음성 등을 합성하여
실제와 유사하게 행동하고 말하는 것처럼 보이는 영상을 생성
하는 인공지능 기술

1딥페이크(deepfake)

2사물인터넷(IoT)

3블록체인(blockchain)

4가상 현실(virtual reality)

정답 및 해설

설명에 해당하는 기술은 딥페이크(deepfake)이다.

딥러닝(deep learning)과 가짜(fake)의 합성어로, 주로 생성적 적대 신경망(GAN) 같은 생성 모델로 특정 인물의 얼굴·음성을 다른 영상에 합성해 실제처럼 보이게 만든다.

사물인터넷: 사물에 센서·통신 기능을 넣어 인터넷으로 연결하는 기술로, 영상 합성과 무관하다.
블록체인: 거래 기록을 분산 원장에 연결해 위·변조를 막는 기술이다.
가상 현실: 컴퓨터로 만든 가상 환경을 실제처럼 체험하게 하는 기술로, 실존 인물의 얼굴을 합성하는 기술이 아니다.

문제 2

인공지능 활용 분야 중 사용되는 대표 학습 모델이 다른 것은?

1유명한 화가가 그린 그림의 화풍을 분석하는 것

2현금 인출기에서 수표에 쓰인 필기체 숫자를 인식하는 것

3스마트폰에서 연관성이 있는 사진들을 모아 정리해 주는 것

4사람이 하는 말을 텍스트로 변환해 주는 서비스를 이용하는 것

정답 및 해설

음성을 텍스트로 변환하는 서비스만 순환 신경망(RNN) 계열이 대표 모델이고, 나머지는 모두 합성곱 신경망(CNN)이 대표 모델이다.

음성은 시간 순서가 의미를 갖는 서열 데이터이므로 이전 시점 정보를 기억하는 순환 구조가 적합하고, 그림·숫자·사진은 공간적 특징을 추출하는 합성곱 구조가 적합하다.

화가의 화풍 분석: 그림 이미지의 질감·색채 특징을 합성곱 필터로 추출한다.
수표의 필기체 숫자 인식: 손글씨 숫자 이미지 분류로, CNN의 대표 적용 사례(LeNet)이다.
연관 사진 모아 정리: 사진 속 인물·사물의 시각적 특징을 CNN으로 추출해 묶는다.

문제 3

생성형 인공지능에 대한 설명으로 옳지 않은 것은?

1프롬프트(prompt)에 대응하여 텍스트, 이미지 등을 생성한다.

2주요 생성형 인공지능 모델로는 ChatGPT, Bard, LLaMa 등이 있다.

3학습 데이터의 패턴과 구조를 학습하여 유사한 특징이 있는 새로운 데이터를 생성한다.

4텍스트를 이미지로 변환하는 생성형 모델로는 Stable Diffusion, Neocognitron, DALL-E 등이 대표적이다.

정답 및 해설

옳지 않은 것은 텍스트-이미지 생성 모델에 Neocognitron을 포함한 설명이다.

Neocognitron은 후쿠시마 구니히코가 제안한 시각 패턴 인식용 신경망으로, CNN의 원형이 된 인식(분류) 모델이지 이미지를 생성하는 모델이 아니다. Stable Diffusion과 DALL-E는 텍스트-이미지 생성 모델이 맞다.

프롬프트에 대응해 텍스트·이미지 등을 생성한다는 설명은 생성형 AI의 기본 동작이다.
ChatGPT, Bard, LLaMa는 대표적인 대규모 언어 기반 생성 모델이다.
학습 데이터의 패턴·구조를 학습해 유사한 특징의 새 데이터를 만든다는 설명은 생성 모델의 정의와 같다.

문제 4

인공지능을 구현하기 위해 필요한 요소 기술에 대한 설명으로 옳지 않은 것은?

1추론은 현재 상태에서 목표 상태에 도달하기 위해 수행해야 할 일련의 행동 순서를 찾는 것을 의미한다.

2지식표현은 문제를 해결하거나 심층적인 추론을 하는 데 사용할 수 있도록 지식을 효과적으로 표현하는 방법이다.

3학습은 경험을 통해 나중에 동일한 문제나 유사한 문제를 더 잘 해결할 수 있도록 시스템의 구조나 파라미터를 바꾸는 것을 의미한다.

4탐색은 문제의 답이 될 수 있는 것들의 집합을 공간으로 간주하고 문제에 대한 최적의 해를 찾기 위해 공간을 체계적으로 검색하는 것을 의미한다.

정답 및 해설

옳지 않은 것은 추론을 '목표 상태에 도달하기 위한 행동 순서를 찾는 것'으로 설명한 내용이다.

행동 순서를 찾는 것은 계획(planning)에 해당한다. 추론은 이미 알고 있는 지식·사실로부터 새로운 결론을 이끌어 내는 과정이다.

지식표현: 문제 해결과 추론에 쓸 수 있도록 지식을 효과적으로 표현하는 방법이라는 설명은 옳다.
학습: 경험을 통해 시스템의 구조나 파라미터를 바꿔 성능을 높인다는 설명은 옳다.
탐색: 해 후보 집합을 공간으로 보고 체계적으로 검색해 최적해를 찾는다는 설명은 옳다.

문제 5

그림과 같은 탐색 트리에서 시작 노드 A부터 깊이 우선 탐색(DFS)과 너비 우선 탐색(BFS)을 수행할 경우 노드 F를 몇 번째로 방문하게 되는지를 각각 M과 N이라고 할 때, M + N의 값은? (단, 노드 A의 방문 순서는 1이고, 왼쪽 자식을 먼저 방문한다)

113

214

315

416

정답 및 해설

노드 F의 방문 순서는 DFS에서 9, BFS에서 6이므로 M + N의 값은 15이다.

DFS는 왼쪽 자식부터 끝까지 내려간 뒤 되돌아오므로 A → B → D → G → E → H → I → C → F 순으로 방문해 F의 순서가 9가 된다.

BFS는 깊이별로 왼쪽부터 방문하므로 A → B → C → D → E → F 순이 되어 F의 순서가 6이 된다.

13: DFS에서 E의 자식 H, I를 세지 않아 F의 순서를 7로 잘못 센 합이다.
14: DFS에서 F를 8번째로 센 합으로, 실제 DFS 순서(9번째)와 다르다.
16: DFS나 BFS 중 한쪽 순서를 한 칸 더 센 값으로, 실제 방문 순서와 맞지 않는다.

문제 6

다음 중 비지도 학습으로 분류되는 것은?

1선형 회귀(LR, Linear Regression)

2K-평균 알고리즘(K-means algorithm)

3k-최근접 이웃(kNN, k-Nearest Neighbor)

4서포트 벡터 머신(SVM, Support Vector Machine)

정답 및 해설

비지도 학습에 해당하는 것은 K-평균 알고리즘이다.

K-평균은 정답 레이블 없이 데이터 간 거리만으로 K개의 군집 중심을 반복 갱신하는 군집화 기법이다.

선형 회귀: 입력과 연속형 정답값의 관계를 학습하는 지도 학습이다.
k-최근접 이웃: 레이블이 있는 이웃 k개의 다수결·평균으로 예측하는 지도 학습이다.
서포트 벡터 머신: 레이블이 있는 데이터로 분류 경계를 학습하는 지도 학습이다.

문제 7

스팸 메일 분류 시스템에서 분류기를 훈련시킨 후 검증 세트(1,000개의 데이터)에 대해 예측한 결과가 다음의 혼동 행렬(confusion matrix)과 같을 때, F1 점수(score)의 근삿값은?

		실젯값
		스팸(양성)	스팸 아님(음성)
예측값	스팸(양성)	90	30
예측값	스팸 아님(음성)	10	870

10.75

20.82

30.90

40.96

정답 및 해설

F1 점수는 약 0.82이다.

혼동 행렬에서 TP=90, FP=30(예측 스팸·실제 아님), FN=10(예측 아님·실제 스팸)이다.

정밀도: $\dfrac{TP}{TP+FP}=\dfrac{90}{120}=0.75$
재현율: $\dfrac{TP}{TP+FN}=\dfrac{90}{100}=0.9$
F1: $\dfrac{2\times 0.75\times 0.9}{0.75+0.9}=\dfrac{1.35}{1.65}\approx 0.82$

0.75는 정밀도만 구한 값이다.
0.90은 재현율만 구한 값이다.
0.96은 정확도 $\dfrac{90+870}{1000}$ 로, F1과 다른 지표이다.

문제 8

서포트 벡터 머신에 대한 설명으로 옳지 않은 것은?

1주어진 데이터를 두 개의 영역으로 분류하는 이진 분류기이다.

2Vapnik 등이 개발한 통계 학습 이론의 결과를 기반으로 하는 기계학습 방법이다.

3데이터 분류를 위한 경계면은 경계면과 서포트 벡터들 간의 거리가 최대가 되도록 결정한다.

4경계면 결정 시 일부 데이터가 마진(margin) 내에 들어오도록 허용하는 것을 하드(hard) 마진이라 한다.

정답 및 해설

옳지 않은 것은 일부 데이터가 마진 안에 들어오도록 허용하는 것을 하드 마진이라 한 설명이다.

마진 위반(오분류 포함)을 슬랙 변수로 일부 허용하는 방식은 소프트 마진이다. 하드 마진은 모든 데이터가 마진 바깥에 있도록 엄격히 분리한다.

SVM은 기본적으로 데이터를 두 영역으로 나누는 이진 분류기이다.
Vapnik 등의 통계적 학습 이론(구조적 위험 최소화)에 기반한다.
경계면과 서포트 벡터 사이의 거리(마진)가 최대가 되도록 경계면을 정한다.

문제 9

합성곱 신경망(CNN, Convolutional Neural Network)에서 그림과 같이 특징 맵이 설정된 경우, 최대 풀링(max pooling) 연산의 결과로 얻어지는 출력에서 (가)의 값은? (단, 필터(filter)의 크기는 2 × 2, 보폭(stride)은 1, 패딩(padding)은 사용하지 않는다)

2	3	8	1	4
9	4	4	5	1
5	4	6	7	3
4	3	4	4	8
5	7	0	6	2

최대 풀링 →



	(가)

정답 및 해설

(가)의 값은 6이다.

5×5 특징 맵에 2×2 필터를 보폭 1, 패딩 없이 적용하면 출력은 4×4이다. (가)는 출력의 3행 2열이므로 입력의 3~4행, 2~3열 영역에 대응한다.

해당 영역 값: 4, 6 / 3, 4
최댓값: $\max(4,6,3,4)=6$

한 칸 오른쪽(3~4행, 3~4열) 영역을 잡으면 7이 나오므로 출력 위치 대응에 주의한다.

문제 10

활성화 함수 수식으로 옳지 않은 것은?

softmax(x)=\dfrac{2}{1+e^{-2x}}-1

softplus(x)=\ln(1+e^{x})

sigmoid(x)=\dfrac{1}{1+e^{-x}}

(단극성)

LeakyReLU(x)=max(\alpha x,\ x)

(

\alpha

는 양의 상수)

정답 및 해설

옳지 않은 것은 softmax에 대한 식이다.

제시된 $\dfrac{2}{1+e^{-2x}}-1$ 은 하이퍼볼릭 탄젠트(tanh) 식이다. softmax는 $\mathrm{softmax}(x_i)=\dfrac{e^{x_i}}{\sum_j e^{x_j}}$ 로, 출력 합이 1이 되도록 정규화한다.

softplus: $\ln(1+e^{x})$ 로 ReLU를 부드럽게 근사한 식이 맞다.
sigmoid(단극성): $\dfrac{1}{1+e^{-x}}$ 로 출력 범위가 0~1인 식이 맞다.
Leaky ReLU: 음수 구간에 작은 기울기를 준 $\max(\alpha x,\ x)$ 가 맞다.

문제 11

기계학습에서 발생할 수 있는 과적합(overfitting)을 완화하기 위한 방법으로 옳지 않은 것은?

1드롭아웃(dropout)은 학습 과정에서 노드를 미리 정해진 비율만큼 랜덤으로 비활성화하여 과적합을 완화한다.

2배치 정규화(batch normalization)는 은닉층의 가중치를 정규화 하고 노드값의 표준편차를 증대시켜 과적합을 완화한다.

3데이터 증강(data augmentation)은 기존 학습 데이터에 약간의 변형을 가한 새로운 학습 데이터를 추가하여 과적합을 완화한다.

4규제화(regularization)는 오차 함수를 오차 항과 모델 복잡도 항의 합으로 정의하여 가중치의 절댓값을 제한함으로써 과적합을 완화한다.

정답 및 해설

옳지 않은 것은 배치 정규화가 가중치를 정규화하고 표준편차를 증대시킨다는 설명이다.

배치 정규화는 미니배치 단위로 각 층의 입력(활성값)을 평균 0, 분산 1로 정규화한 뒤 스케일·이동을 학습한다. 분포를 안정시키는 것이지 표준편차를 키우는 것이 아니다.

드롭아웃: 학습 중 일정 비율의 노드를 무작위로 비활성화해 과적합을 완화한다.
데이터 증강: 기존 데이터에 회전·이동 등 변형을 가한 데이터를 추가해 과적합을 완화한다.
규제화: 오차 항에 모델 복잡도(가중치 크기) 항을 더해 가중치를 제한함으로써 과적합을 완화한다.

문제 12

0부터 9까지의 손글씨 숫자를 판정하는 모델에서 숫자의 오름차순 기준으로 판정된 결과 벡터

y_1

y_2

y_3

를 원－핫 인코딩(one-hot encoding)으로 표현할 때, 각 벡터를 나타내는 대푯값을 바르게 연결한 것은? (단, 출력층의 활성화 함수로 softmax를 사용한다)

y_1=[0,\ 0,\ 0.05,\ 0,\ 0,\ 0,\ 0.9,\ 0,\ 0.05,\ 0]

y_2=[0,\ 0.1,\ 0,\ 0.7,\ 0,\ 0.15,\ 0,\ 0,\ 0,\ 0.05]

y_3=[0.05,\ 0,\ 0,\ 0.4,\ 0,\ 0.2,\ 0.15,\ 0.05,\ 0.15,\ 0]

y_1

: 2,

y_2

: 2,

y_3

: 2

y_1

: 3,

y_2

: 7,

y_3

: 7

y_1

: 6,

y_2

: 3,

y_3

: 3

y_1

: 7,

y_2

: 4,

y_3

: 4

정답 및 해설

대푯값은 $y_1$ : 6, $y_2$ : 3, $y_3$ : 3이다.

softmax 출력에서는 확률이 가장 큰 위치를 1, 나머지를 0으로 바꾸어 원-핫으로 표현한다. 인덱스는 숫자 0부터 시작한다.

$y_1$ : 최댓값 0.9의 인덱스가 6이므로 숫자 6이다.
$y_2$ : 최댓값 0.7의 인덱스가 3이므로 숫자 3이다.
$y_3$ : 최댓값 0.4의 인덱스가 3이므로 숫자 3이다.

인덱스를 1부터 세면 각각 7, 4, 4로 잘못 읽게 된다.

문제 13

생성적 적대 신경망(GAN, Generative Adversarial Network)에 대한 설명으로 옳지 않은 것은?

1판별자 출력층의 노드는 하나이다.

2생성자와 판별자의 두 신경망을 사용한다.

3생성자의 학습 과정에서는 판별자를 사용하지 않는다.

4생성자의 목적은 판별자를 속일 수 있을 정도로 품질이 높은 위조 데이터를 생성하는 것이다.

정답 및 해설

옳지 않은 것은 생성자의 학습 과정에서 판별자를 사용하지 않는다는 설명이다.

생성자는 자신이 만든 위조 데이터를 판별자에 넣어 얻은 판별 결과를 손실로 삼아 학습한다. 즉 생성자 학습에는 판별자의 출력과 기울기가 반드시 필요하다(이때 판별자 가중치는 고정).

판별자는 진짜/가짜 확률 하나를 출력하므로 출력층 노드가 하나이다.
GAN은 생성자와 판별자 두 신경망을 경쟁적으로 학습시킨다.
생성자의 목적은 판별자를 속일 만큼 품질 높은 위조 데이터를 만드는 것이다.

문제 14

컴퓨터 비전 관련 딥러닝 모델에 대한 설명으로 옳지 않은 것은?

1YOLO는 정확도보다 처리 속도에 강점을 갖는 객체 탐지 및 분류 모델이다.

2R-CNN 모델에서는 객체 탐지와 분류를 동시에 수행하므로 효율성이 높다.

3Fast R-CNN 모델에서는 입력 영상에서 객체를 탐지하기 위해 선택적 탐색 알고리즘을 사용한다.

4SSD(Single Shot Detector)는 YOLO에 비해 객체 탐지 및 분류의 정확도와 처리 속도가 개선된 모델이다.

정답 및 해설

옳지 않은 것은 R-CNN이 탐지와 분류를 동시에 수행해 효율성이 높다는 설명이다.

R-CNN은 선택적 탐색으로 후보 영역을 먼저 뽑고, 각 영역마다 CNN으로 특징을 따로 추출한 뒤 분류하는 2단계(two-stage) 방식이라 매우 느리다.

YOLO: 영상 전체를 한 번에 처리하는 1단계 모델로 속도에 강점이 있다.
Fast R-CNN: 여전히 선택적 탐색으로 후보 영역을 생성한다(이를 신경망으로 바꾼 것이 Faster R-CNN).
SSD: 여러 크기의 특징 맵에서 탐지해 초기 YOLO보다 정확도와 속도를 개선했다.

문제 15

검사 대상 65명 중 고혈압 환자(

A

) 및 정상인, 음주자(

B

) 및 비음주자에 대한 현황이 표와 같을 때,

P(A \mid \neg B)

와

P(B \mid \neg A)

의 근삿값을 바르게 연결한 것은?

	비음주자	음주자	합계(명)
정상인	37	15	52
고혈압 환자	6	7	13
합계(명)	43	22	65

P(A \mid \neg B)

: 0.14,

P(B \mid \neg A)

: 0.29

P(A \mid \neg B)

: 0.14,

P(B \mid \neg A)

: 0.32

P(A \mid \neg B)

: 0.19,

P(B \mid \neg A)

: 0.29

P(A \mid \neg B)

: 0.19,

P(B \mid \neg A)

: 0.32

정답 및 해설

근삿값은 $P(A \mid \neg B)\approx$ 0.14, $P(B \mid \neg A)\approx$ 0.29이다.

$P(A \mid \neg B)$ 는 비음주자 중 고혈압 환자의 비율이다.
$\dfrac{6}{43}\approx 0.14$

$P(B \mid \neg A)$ 는 정상인 중 음주자의 비율이다.
$\dfrac{15}{52}\approx 0.29$

0.32는 음주자 중 고혈압 환자 비율 $P(A \mid B)=\dfrac{7}{22}$ 로, 조건을 거꾸로 잡은 값이다.

문제 16

강화 학습(reinforcement learning) 모델과 관련성이 가장 적은 것은?

1Gym

2AlphaGo

3AlphaStar

4Deep Dream

정답 및 해설

강화 학습과 관련성이 가장 적은 것은 Deep Dream이다.

Deep Dream은 구글이 공개한 기법으로, 학습된 CNN이 반응하는 특징을 증폭해 환각 같은 이미지를 만드는 시각화·이미지 생성 기법이다. 보상을 통한 행동 학습과 무관하다.

Gym: OpenAI가 만든 강화 학습 에이전트 실험용 환경 라이브러리이다.
AlphaGo: 지도 학습과 강화 학습(자기 대국), 몬테카를로 트리 탐색을 결합한 바둑 AI이다.
AlphaStar: 스타크래프트 II를 강화 학습으로 학습한 딥마인드의 AI이다.

문제 17

오차를 최소화하는 가중치를 찾기 위해 사용되는 경사 하강법(gradient descent)은 함수의 최솟값을 찾기 위해 경삿값을 사용하는 반복적인 최적화 알고리즘이다.

y=(x-3)^2+15

로 표현되는 함수가 손실 함수라고 할 때,

x=7

인 경우의 경삿값은?

214

323

431

정답 및 해설

$x=7$ 에서의 경삿값은 8이다.

경삿값은 손실 함수의 미분값이다.
$y'=2(x-3)$
$y'(7)=2\times(7-3)=8$

14는 미분하지 않고 $2\times 7$ 처럼 계산한 값이다.
31은 기울기가 아니라 함숫값 $(7-3)^2+15$ 이다.

문제 18

전이 학습(transfer learning)에 대한 설명으로 옳은 것은?

1입력 데이터와 출력 데이터가 동일하도록 학습하는 과정을 갖는다.

2강화 학습의 한 종류로 환경에서 상태의 전이와 보상값의 생성 메커니즘을 설명하는 일종의 함수이다.

3서열(sequence) 데이터에서 이전 값들을 고려하기 위해 은닉층 또는 출력층의 값을 활용한다.

4어떤 한 분야에서 특정 과업을 수행하도록 학습한 후 유사한 분야 또는 다른 분야의 과업을 수행할 때 이전 학습 경험을 적용한다.

정답 및 해설

전이 학습에 대한 옳은 설명은 한 분야에서 학습한 경험(모델)을 유사하거나 다른 과업에 적용하는 것이다.

예를 들어 대규모 이미지로 사전 학습한 CNN의 가중치를 가져와 적은 데이터의 새 분류 과업에 미세 조정(fine-tuning)한다.

입력과 출력이 같아지도록 학습하는 것은 오토인코더이다.
상태 전이와 보상 생성 메커니즘을 설명하는 함수는 강화 학습의 환경 모델(전이 모델)이다.
서열 데이터에서 이전 값을 반영하려고 은닉층·출력층 값을 되먹임하는 것은 순환 신경망이다.

문제 19

영상의 특성을 효과적으로 추출하거나 영상 분석 및 인식에 활용 가능한 딥러닝 모델만을 모두 고르면?

ㄱ. ResNet ㄴ. Inception ㄷ. VGG

1ㄱ

2ㄱ, ㄷ

3ㄴ, ㄷ

4ㄱ, ㄴ, ㄷ

정답 및 해설

ResNet, Inception, VGG 모두 영상 특징 추출·인식에 쓰이는 CNN 기반 모델이므로 ㄱ, ㄴ, ㄷ 모두 해당한다.

세 모델은 모두 ImageNet 영상 분류 대회(ILSVRC)에서 성과를 낸 대표 구조로, 객체 탐지 등의 백본 특징 추출기로도 널리 쓰인다.

ResNet: 잔차 연결(skip connection)로 매우 깊은 망의 학습을 가능하게 했다.
Inception(GoogLeNet): 여러 크기의 필터를 병렬로 적용하는 인셉션 모듈을 쌓았다.
VGG: 3×3 작은 필터를 깊게 쌓은 단순한 구조이다.

문제 20

집의 면적과 방의 개수에 관한 데이터가 다음과 같이 주어질 때, 면적이 88 m²이고 방의 개수가 5개인 집의 가격을 선형 회귀를 이용하여 예측한 값은? (단, 가격 단위는 만 원이다)

면적(m²)	방의 개수	가격
55	1	1,475
70	2	1,600
80	4	1,750

11,820

21,840

31,880

41,940

정답 및 해설

예측 가격은 1,840만 원이다.

가격 = $a+b\cdot x_1+c\cdot x_2$ ( $x_1$ : 면적, $x_2$ : 방의 개수)로 두면 데이터 3개로 계수 3개가 정확히 결정된다.

둘째 식 − 첫째 식: $15b+c=125$
셋째 식 − 둘째 식: $10b+2c=150$
연립하면 $b=5,\ c=50$ , $a=1475-55\times 5-50=1150$

예측: $1150+5\times 88+50\times 5=1150+440+250=1840$

문제 21

결정 트리(decision tree)에 대한 설명으로 옳지 않은 것은?

1엔트로피(entropy) 값이 작은 집단일수록 동질적이다.

2일반적으로 정보 이득(information gain)이 큰 분할 속성일수록 우수하다.

3정보 이득비(information gain ratio)는 속성의 엔트로피를 정보 이득으로 나눈 값이다.

4데이터를 가능한 한 동질적 집단이 되도록 분류하는 분할 속성 (splitting attribute)을 선택하는 것이 효율적이다.

정답 및 해설

옳지 않은 것은 정보 이득비를 속성의 엔트로피를 정보 이득으로 나눈 값이라고 한 설명이다.

정보 이득비는 반대로 정보 이득을 분할 정보(속성 자체의 엔트로피)로 나눈 값이다. 값의 종류가 많은 속성이 정보 이득만으로 과대평가되는 것을 보정한다(C4.5).

엔트로피가 작을수록 한 클래스에 몰려 있어 동질적인 집단이다.
정보 이득이 클수록 분할 후 불확실성이 크게 줄어 우수한 분할 속성이다.
분할 결과가 최대한 동질적 집단이 되도록 분할 속성을 고르는 것이 결정 트리의 기본 원리이다.

문제 22

퍼지 이론(fuzzy theory)에 대한 설명으로 옳지 않은 것은?

1소속 정도(degree of membership(

\mu

))는

0 \lt \mu \le 1

로 정의된다.

2퍼지 규칙은 IF-THEN 형태의 문장으로 표현된다.

3소속 함수를 통해 정성적인 대상을 표현할 수 있다.

4비퍼지화(defuzzification)를 통해 퍼지 추론 결과를 하나의 실수 값으로 변환할 수 있다.

정답 및 해설

옳지 않은 것은 소속 정도를 $0 \lt \mu \le 1$ 로 정의한 설명이다.

퍼지 집합의 소속 정도는 0 이상 1 이하, 즉 $0 \le \mu \le 1$ 이다. 소속 정도 0(전혀 속하지 않음)도 포함해야 한다.

퍼지 규칙은 IF-THEN 형태로 표현된다.
소속 함수로 '키가 크다'처럼 경계가 모호한 정성적 대상을 표현할 수 있다.
비퍼지화로 퍼지 추론 결과를 하나의 실숫값(제어 출력 등)으로 변환한다.

문제 23

그림과 같은 신경망 모델에서 A, B, C, D의 활성화 함수로는 렐루(ReLU)를 사용하며, 각 연결선에는 가중치를 설정하고 0.7, 0.8을 입력할 때, 노드 C의 출력값 (가)는? (단, 편향(bias)은 0이다)

10.92

21.00

31.02

41.92

정답 및 해설

노드 C의 출력값은 1.02이다.

A의 출력: $\max(0,\,0.7\times 2.0+0.8\times 0.8)=\max(0,\,2.04)=2.04$
B의 출력: $\max(0,\,0.7\times(-1.0)+0.8\times 0.5)=\max(0,\,-0.3)=0$

ReLU가 음수를 0으로 막으므로 B의 출력은 0이 되고, C의 출력은 $\max(0,\,2.04\times 0.5+0\times(-3.0))=1.02$ 이다.

1.92: B에 ReLU를 적용하지 않고 -0.3을 그대로 넘겨 $1.02+(-0.3)\times(-3.0)$ 로 계산한 값이다.
0.92, 1.00: B의 출력이 0이므로 C의 출력은 A의 출력 2.04에 가중치 0.5를 곱한 1.02뿐이며, 이 값들과 맞지 않는다.

문제 24

합성곱 신경망과 순환 신경망(RNN, Recurrent Neural Network)에 대한 설명으로 옳지 않은 것은?

1순환 신경망은 기울기 소멸(vanishing gradient) 문제가 심각하게 발생하지 않는 장점이 있다.

2순환 신경망에서는 일반적으로 하이퍼볼릭 탄젠트(hyperbolic tangent) 함수(tanh())를 활성화 함수로 사용한다.

3합성곱 신경망은 특징 추출을 담당하는 합성곱층과 분류를 담당하는 전결합층을 포함하는 다층 퍼셉트론 모델의 한 종류이다.

4합성곱 신경망은 필터로 특징을 추출하고 풀링을 이용하여 입력의 변화에 강건한(robust) 방식으로 사물을 분류한다.

정답 및 해설

옳지 않은 것은 순환 신경망이 기울기 소멸 문제가 심각하지 않다는 설명이다.

RNN은 같은 가중치를 시간 단계마다 반복 곱하며 역전파하므로 서열이 길수록 기울기 소멸이 심각하다. 이를 완화하려고 LSTM·GRU가 고안되었다.

RNN의 활성화 함수로는 일반적으로 tanh를 사용한다.
CNN은 특징 추출용 합성곱층과 분류용 전결합층을 포함하는 다층 신경망의 한 종류이다.
CNN은 필터로 특징을 추출하고 풀링으로 위치 변화 등에 강건하게 분류한다.

문제 25

유전(genetic) 알고리즘에서 그림과 같은 단순 교차 연산으로 생성되는 2개의 자식 유전자 (가), (나)를 바르게 연결한 것은?

	교차점 앞	교차점 뒤
부모 1	1 0 1	0 0 1 1 0
부모 2	1 1 0	1 0 0 1 1

→ 자식 1: (가), 자식 2: (나)

1(가) 1 0 1 1 1 0 0 1, (나) 1 1 0 1 0 1 0 0

2(가) 1 1 0 0 0 1 1 0, (나) 1 0 1 1 0 0 1 1

3(가) 1 0 1 1 0 0 1 0, (나) 1 1 0 0 0 1 1 1

4(가) 1 1 0 1 0 0 1 1, (나) 1 0 1 0 0 1 1 0

정답 및 해설

단순(1점) 교차는 교차점 뒤의 유전자를 서로 맞바꾸므로 자식은 1 1 0 0 0 1 1 0과 1 0 1 1 0 0 1 1이 된다.

교차점은 세 번째 유전자 뒤에 있다. 부모 2의 앞부분 1 1 0에 부모 1의 뒷부분 0 0 1 1 0을 붙이면 1 1 0 0 0 1 1 0, 부모 1의 앞부분 1 0 1에 부모 2의 뒷부분 1 0 0 1 1을 붙이면 1 0 1 1 0 0 1 1이다.

1 0 1 1 1 0 0 1과 1 1 0 1 0 1 0 0의 조합: 두 값 모두 교차점 뒤를 맞바꾼 결과와 다르다.
1 0 1 1 0 0 1 0과 1 1 0 0 0 1 1 1의 조합: 마지막 유전자가 서로 뒤바뀌어 있어 교차 결과와 다르다.
1 1 0 1 0 0 1 1과 1 0 1 0 0 1 1 0의 조합: 교차 없이 부모 유전자를 그대로 옮긴 것이다.

7급 국가직 인공지능 기출문제모두CBT · moducbt.com

24년 1회차

총 25문항 · 객관식 · 정답·해설 포함

문제 1

다음 설명에 해당하는 기술은?

특정 영상(이미지)에 다른 인물의 얼굴, 음성 등을 합성하여
실제와 유사하게 행동하고 말하는 것처럼 보이는 영상을 생성
하는 인공지능 기술

1딥페이크(deepfake)

2사물인터넷(IoT)

3블록체인(blockchain)

4가상 현실(virtual reality)

정답 및 해설

설명에 해당하는 기술은 딥페이크(deepfake)이다.

사물인터넷: 사물에 센서·통신 기능을 넣어 인터넷으로 연결하는 기술로, 영상 합성과 무관하다.
블록체인: 거래 기록을 분산 원장에 연결해 위·변조를 막는 기술이다.
가상 현실: 컴퓨터로 만든 가상 환경을 실제처럼 체험하게 하는 기술로, 실존 인물의 얼굴을 합성하는 기술이 아니다.

문제 2

인공지능 활용 분야 중 사용되는 대표 학습 모델이 다른 것은?

1유명한 화가가 그린 그림의 화풍을 분석하는 것

2현금 인출기에서 수표에 쓰인 필기체 숫자를 인식하는 것

3스마트폰에서 연관성이 있는 사진들을 모아 정리해 주는 것

4사람이 하는 말을 텍스트로 변환해 주는 서비스를 이용하는 것

정답 및 해설

음성을 텍스트로 변환하는 서비스만 순환 신경망(RNN) 계열이 대표 모델이고, 나머지는 모두 합성곱 신경망(CNN)이 대표 모델이다.

화가의 화풍 분석: 그림 이미지의 질감·색채 특징을 합성곱 필터로 추출한다.
수표의 필기체 숫자 인식: 손글씨 숫자 이미지 분류로, CNN의 대표 적용 사례(LeNet)이다.
연관 사진 모아 정리: 사진 속 인물·사물의 시각적 특징을 CNN으로 추출해 묶는다.

문제 3

생성형 인공지능에 대한 설명으로 옳지 않은 것은?

1프롬프트(prompt)에 대응하여 텍스트, 이미지 등을 생성한다.

2주요 생성형 인공지능 모델로는 ChatGPT, Bard, LLaMa 등이 있다.

3학습 데이터의 패턴과 구조를 학습하여 유사한 특징이 있는 새로운 데이터를 생성한다.

4텍스트를 이미지로 변환하는 생성형 모델로는 Stable Diffusion, Neocognitron, DALL-E 등이 대표적이다.

정답 및 해설

옳지 않은 것은 텍스트-이미지 생성 모델에 Neocognitron을 포함한 설명이다.

프롬프트에 대응해 텍스트·이미지 등을 생성한다는 설명은 생성형 AI의 기본 동작이다.
ChatGPT, Bard, LLaMa는 대표적인 대규모 언어 기반 생성 모델이다.
학습 데이터의 패턴·구조를 학습해 유사한 특징의 새 데이터를 만든다는 설명은 생성 모델의 정의와 같다.

문제 4

인공지능을 구현하기 위해 필요한 요소 기술에 대한 설명으로 옳지 않은 것은?

1추론은 현재 상태에서 목표 상태에 도달하기 위해 수행해야 할 일련의 행동 순서를 찾는 것을 의미한다.

2지식표현은 문제를 해결하거나 심층적인 추론을 하는 데 사용할 수 있도록 지식을 효과적으로 표현하는 방법이다.

3학습은 경험을 통해 나중에 동일한 문제나 유사한 문제를 더 잘 해결할 수 있도록 시스템의 구조나 파라미터를 바꾸는 것을 의미한다.

4탐색은 문제의 답이 될 수 있는 것들의 집합을 공간으로 간주하고 문제에 대한 최적의 해를 찾기 위해 공간을 체계적으로 검색하는 것을 의미한다.

정답 및 해설

옳지 않은 것은 추론을 '목표 상태에 도달하기 위한 행동 순서를 찾는 것'으로 설명한 내용이다.

행동 순서를 찾는 것은 계획(planning)에 해당한다. 추론은 이미 알고 있는 지식·사실로부터 새로운 결론을 이끌어 내는 과정이다.

지식표현: 문제 해결과 추론에 쓸 수 있도록 지식을 효과적으로 표현하는 방법이라는 설명은 옳다.
학습: 경험을 통해 시스템의 구조나 파라미터를 바꿔 성능을 높인다는 설명은 옳다.
탐색: 해 후보 집합을 공간으로 보고 체계적으로 검색해 최적해를 찾는다는 설명은 옳다.

문제 5

113

214

315

416

정답 및 해설

노드 F의 방문 순서는 DFS에서 9, BFS에서 6이므로 M + N의 값은 15이다.

DFS는 왼쪽 자식부터 끝까지 내려간 뒤 되돌아오므로 A → B → D → G → E → H → I → C → F 순으로 방문해 F의 순서가 9가 된다.

BFS는 깊이별로 왼쪽부터 방문하므로 A → B → C → D → E → F 순이 되어 F의 순서가 6이 된다.

13: DFS에서 E의 자식 H, I를 세지 않아 F의 순서를 7로 잘못 센 합이다.
14: DFS에서 F를 8번째로 센 합으로, 실제 DFS 순서(9번째)와 다르다.
16: DFS나 BFS 중 한쪽 순서를 한 칸 더 센 값으로, 실제 방문 순서와 맞지 않는다.

문제 6

다음 중 비지도 학습으로 분류되는 것은?

1선형 회귀(LR, Linear Regression)

2K-평균 알고리즘(K-means algorithm)

3k-최근접 이웃(kNN, k-Nearest Neighbor)

4서포트 벡터 머신(SVM, Support Vector Machine)

정답 및 해설

비지도 학습에 해당하는 것은 K-평균 알고리즘이다.

K-평균은 정답 레이블 없이 데이터 간 거리만으로 K개의 군집 중심을 반복 갱신하는 군집화 기법이다.

선형 회귀: 입력과 연속형 정답값의 관계를 학습하는 지도 학습이다.
k-최근접 이웃: 레이블이 있는 이웃 k개의 다수결·평균으로 예측하는 지도 학습이다.
서포트 벡터 머신: 레이블이 있는 데이터로 분류 경계를 학습하는 지도 학습이다.

문제 7

		실젯값
		스팸(양성)	스팸 아님(음성)
예측값	스팸(양성)	90	30
예측값	스팸 아님(음성)	10	870

10.75

20.82

30.90

40.96

정답 및 해설

F1 점수는 약 0.82이다.

혼동 행렬에서 TP=90, FP=30(예측 스팸·실제 아님), FN=10(예측 아님·실제 스팸)이다.

정밀도: $\dfrac{TP}{TP+FP}=\dfrac{90}{120}=0.75$
재현율: $\dfrac{TP}{TP+FN}=\dfrac{90}{100}=0.9$
F1: $\dfrac{2\times 0.75\times 0.9}{0.75+0.9}=\dfrac{1.35}{1.65}\approx 0.82$

0.75는 정밀도만 구한 값이다.
0.90은 재현율만 구한 값이다.
0.96은 정확도 $\dfrac{90+870}{1000}$ 로, F1과 다른 지표이다.

문제 8

서포트 벡터 머신에 대한 설명으로 옳지 않은 것은?

1주어진 데이터를 두 개의 영역으로 분류하는 이진 분류기이다.

2Vapnik 등이 개발한 통계 학습 이론의 결과를 기반으로 하는 기계학습 방법이다.

3데이터 분류를 위한 경계면은 경계면과 서포트 벡터들 간의 거리가 최대가 되도록 결정한다.

4경계면 결정 시 일부 데이터가 마진(margin) 내에 들어오도록 허용하는 것을 하드(hard) 마진이라 한다.

정답 및 해설

옳지 않은 것은 일부 데이터가 마진 안에 들어오도록 허용하는 것을 하드 마진이라 한 설명이다.

마진 위반(오분류 포함)을 슬랙 변수로 일부 허용하는 방식은 소프트 마진이다. 하드 마진은 모든 데이터가 마진 바깥에 있도록 엄격히 분리한다.

SVM은 기본적으로 데이터를 두 영역으로 나누는 이진 분류기이다.
Vapnik 등의 통계적 학습 이론(구조적 위험 최소화)에 기반한다.
경계면과 서포트 벡터 사이의 거리(마진)가 최대가 되도록 경계면을 정한다.

문제 9

2	3	8	1	4
9	4	4	5	1
5	4	6	7	3
4	3	4	4	8
5	7	0	6	2

최대 풀링 →



	(가)

정답 및 해설

(가)의 값은 6이다.

5×5 특징 맵에 2×2 필터를 보폭 1, 패딩 없이 적용하면 출력은 4×4이다. (가)는 출력의 3행 2열이므로 입력의 3~4행, 2~3열 영역에 대응한다.

해당 영역 값: 4, 6 / 3, 4
최댓값: $\max(4,6,3,4)=6$

한 칸 오른쪽(3~4행, 3~4열) 영역을 잡으면 7이 나오므로 출력 위치 대응에 주의한다.

문제 10

활성화 함수 수식으로 옳지 않은 것은?

softmax(x)=\dfrac{2}{1+e^{-2x}}-1

softplus(x)=\ln(1+e^{x})

sigmoid(x)=\dfrac{1}{1+e^{-x}}

(단극성)

LeakyReLU(x)=max(\alpha x,\ x)

(

\alpha

는 양의 상수)

정답 및 해설

옳지 않은 것은 softmax에 대한 식이다.

softplus: $\ln(1+e^{x})$ 로 ReLU를 부드럽게 근사한 식이 맞다.
sigmoid(단극성): $\dfrac{1}{1+e^{-x}}$ 로 출력 범위가 0~1인 식이 맞다.
Leaky ReLU: 음수 구간에 작은 기울기를 준 $\max(\alpha x,\ x)$ 가 맞다.

문제 11

기계학습에서 발생할 수 있는 과적합(overfitting)을 완화하기 위한 방법으로 옳지 않은 것은?

1드롭아웃(dropout)은 학습 과정에서 노드를 미리 정해진 비율만큼 랜덤으로 비활성화하여 과적합을 완화한다.

2배치 정규화(batch normalization)는 은닉층의 가중치를 정규화 하고 노드값의 표준편차를 증대시켜 과적합을 완화한다.

3데이터 증강(data augmentation)은 기존 학습 데이터에 약간의 변형을 가한 새로운 학습 데이터를 추가하여 과적합을 완화한다.

4규제화(regularization)는 오차 함수를 오차 항과 모델 복잡도 항의 합으로 정의하여 가중치의 절댓값을 제한함으로써 과적합을 완화한다.

정답 및 해설

옳지 않은 것은 배치 정규화가 가중치를 정규화하고 표준편차를 증대시킨다는 설명이다.

드롭아웃: 학습 중 일정 비율의 노드를 무작위로 비활성화해 과적합을 완화한다.
데이터 증강: 기존 데이터에 회전·이동 등 변형을 가한 데이터를 추가해 과적합을 완화한다.
규제화: 오차 항에 모델 복잡도(가중치 크기) 항을 더해 가중치를 제한함으로써 과적합을 완화한다.

문제 12

0부터 9까지의 손글씨 숫자를 판정하는 모델에서 숫자의 오름차순 기준으로 판정된 결과 벡터

y_1

y_2

y_3

를 원－핫 인코딩(one-hot encoding)으로 표현할 때, 각 벡터를 나타내는 대푯값을 바르게 연결한 것은? (단, 출력층의 활성화 함수로 softmax를 사용한다)

y_1=[0,\ 0,\ 0.05,\ 0,\ 0,\ 0,\ 0.9,\ 0,\ 0.05,\ 0]

y_2=[0,\ 0.1,\ 0,\ 0.7,\ 0,\ 0.15,\ 0,\ 0,\ 0,\ 0.05]

y_3=[0.05,\ 0,\ 0,\ 0.4,\ 0,\ 0.2,\ 0.15,\ 0.05,\ 0.15,\ 0]

y_1

: 2,

y_2

: 2,

y_3

: 2

y_1

: 3,

y_2

: 7,

y_3

: 7

y_1

: 6,

y_2

: 3,

y_3

: 3

y_1

: 7,

y_2

: 4,

y_3

: 4

정답 및 해설

대푯값은 $y_1$ : 6, $y_2$ : 3, $y_3$ : 3이다.

softmax 출력에서는 확률이 가장 큰 위치를 1, 나머지를 0으로 바꾸어 원-핫으로 표현한다. 인덱스는 숫자 0부터 시작한다.

$y_1$ : 최댓값 0.9의 인덱스가 6이므로 숫자 6이다.
$y_2$ : 최댓값 0.7의 인덱스가 3이므로 숫자 3이다.
$y_3$ : 최댓값 0.4의 인덱스가 3이므로 숫자 3이다.

인덱스를 1부터 세면 각각 7, 4, 4로 잘못 읽게 된다.

문제 13

생성적 적대 신경망(GAN, Generative Adversarial Network)에 대한 설명으로 옳지 않은 것은?

1판별자 출력층의 노드는 하나이다.

2생성자와 판별자의 두 신경망을 사용한다.

3생성자의 학습 과정에서는 판별자를 사용하지 않는다.

4생성자의 목적은 판별자를 속일 수 있을 정도로 품질이 높은 위조 데이터를 생성하는 것이다.

정답 및 해설

옳지 않은 것은 생성자의 학습 과정에서 판별자를 사용하지 않는다는 설명이다.

판별자는 진짜/가짜 확률 하나를 출력하므로 출력층 노드가 하나이다.
GAN은 생성자와 판별자 두 신경망을 경쟁적으로 학습시킨다.
생성자의 목적은 판별자를 속일 만큼 품질 높은 위조 데이터를 만드는 것이다.

문제 14

컴퓨터 비전 관련 딥러닝 모델에 대한 설명으로 옳지 않은 것은?

1YOLO는 정확도보다 처리 속도에 강점을 갖는 객체 탐지 및 분류 모델이다.

2R-CNN 모델에서는 객체 탐지와 분류를 동시에 수행하므로 효율성이 높다.

3Fast R-CNN 모델에서는 입력 영상에서 객체를 탐지하기 위해 선택적 탐색 알고리즘을 사용한다.

4SSD(Single Shot Detector)는 YOLO에 비해 객체 탐지 및 분류의 정확도와 처리 속도가 개선된 모델이다.

정답 및 해설

옳지 않은 것은 R-CNN이 탐지와 분류를 동시에 수행해 효율성이 높다는 설명이다.

R-CNN은 선택적 탐색으로 후보 영역을 먼저 뽑고, 각 영역마다 CNN으로 특징을 따로 추출한 뒤 분류하는 2단계(two-stage) 방식이라 매우 느리다.

YOLO: 영상 전체를 한 번에 처리하는 1단계 모델로 속도에 강점이 있다.
Fast R-CNN: 여전히 선택적 탐색으로 후보 영역을 생성한다(이를 신경망으로 바꾼 것이 Faster R-CNN).
SSD: 여러 크기의 특징 맵에서 탐지해 초기 YOLO보다 정확도와 속도를 개선했다.

문제 15

검사 대상 65명 중 고혈압 환자(

A

) 및 정상인, 음주자(

B

) 및 비음주자에 대한 현황이 표와 같을 때,

P(A \mid \neg B)

와

P(B \mid \neg A)

의 근삿값을 바르게 연결한 것은?

	비음주자	음주자	합계(명)
정상인	37	15	52
고혈압 환자	6	7	13
합계(명)	43	22	65

P(A \mid \neg B)

: 0.14,

P(B \mid \neg A)

: 0.29

P(A \mid \neg B)

: 0.14,

P(B \mid \neg A)

: 0.32

P(A \mid \neg B)

: 0.19,

P(B \mid \neg A)

: 0.29

P(A \mid \neg B)

: 0.19,

P(B \mid \neg A)

: 0.32

정답 및 해설

근삿값은 $P(A \mid \neg B)\approx$ 0.14, $P(B \mid \neg A)\approx$ 0.29이다.

$P(A \mid \neg B)$ 는 비음주자 중 고혈압 환자의 비율이다.
$\dfrac{6}{43}\approx 0.14$

$P(B \mid \neg A)$ 는 정상인 중 음주자의 비율이다.
$\dfrac{15}{52}\approx 0.29$

0.32는 음주자 중 고혈압 환자 비율 $P(A \mid B)=\dfrac{7}{22}$ 로, 조건을 거꾸로 잡은 값이다.

문제 16

강화 학습(reinforcement learning) 모델과 관련성이 가장 적은 것은?

1Gym

2AlphaGo

3AlphaStar

4Deep Dream

정답 및 해설

강화 학습과 관련성이 가장 적은 것은 Deep Dream이다.

Gym: OpenAI가 만든 강화 학습 에이전트 실험용 환경 라이브러리이다.
AlphaGo: 지도 학습과 강화 학습(자기 대국), 몬테카를로 트리 탐색을 결합한 바둑 AI이다.
AlphaStar: 스타크래프트 II를 강화 학습으로 학습한 딥마인드의 AI이다.

문제 17

y=(x-3)^2+15

로 표현되는 함수가 손실 함수라고 할 때,

x=7

인 경우의 경삿값은?

214

323

431

정답 및 해설

$x=7$ 에서의 경삿값은 8이다.

경삿값은 손실 함수의 미분값이다.
$y'=2(x-3)$
$y'(7)=2\times(7-3)=8$

14는 미분하지 않고 $2\times 7$ 처럼 계산한 값이다.
31은 기울기가 아니라 함숫값 $(7-3)^2+15$ 이다.

문제 18

전이 학습(transfer learning)에 대한 설명으로 옳은 것은?

1입력 데이터와 출력 데이터가 동일하도록 학습하는 과정을 갖는다.

2강화 학습의 한 종류로 환경에서 상태의 전이와 보상값의 생성 메커니즘을 설명하는 일종의 함수이다.

3서열(sequence) 데이터에서 이전 값들을 고려하기 위해 은닉층 또는 출력층의 값을 활용한다.

4어떤 한 분야에서 특정 과업을 수행하도록 학습한 후 유사한 분야 또는 다른 분야의 과업을 수행할 때 이전 학습 경험을 적용한다.

정답 및 해설

전이 학습에 대한 옳은 설명은 한 분야에서 학습한 경험(모델)을 유사하거나 다른 과업에 적용하는 것이다.

예를 들어 대규모 이미지로 사전 학습한 CNN의 가중치를 가져와 적은 데이터의 새 분류 과업에 미세 조정(fine-tuning)한다.

입력과 출력이 같아지도록 학습하는 것은 오토인코더이다.
상태 전이와 보상 생성 메커니즘을 설명하는 함수는 강화 학습의 환경 모델(전이 모델)이다.
서열 데이터에서 이전 값을 반영하려고 은닉층·출력층 값을 되먹임하는 것은 순환 신경망이다.

문제 19

영상의 특성을 효과적으로 추출하거나 영상 분석 및 인식에 활용 가능한 딥러닝 모델만을 모두 고르면?

ㄱ. ResNet ㄴ. Inception ㄷ. VGG

1ㄱ

2ㄱ, ㄷ

3ㄴ, ㄷ

4ㄱ, ㄴ, ㄷ

정답 및 해설

ResNet, Inception, VGG 모두 영상 특징 추출·인식에 쓰이는 CNN 기반 모델이므로 ㄱ, ㄴ, ㄷ 모두 해당한다.

세 모델은 모두 ImageNet 영상 분류 대회(ILSVRC)에서 성과를 낸 대표 구조로, 객체 탐지 등의 백본 특징 추출기로도 널리 쓰인다.

ResNet: 잔차 연결(skip connection)로 매우 깊은 망의 학습을 가능하게 했다.
Inception(GoogLeNet): 여러 크기의 필터를 병렬로 적용하는 인셉션 모듈을 쌓았다.
VGG: 3×3 작은 필터를 깊게 쌓은 단순한 구조이다.

문제 20

면적(m²)	방의 개수	가격
55	1	1,475
70	2	1,600
80	4	1,750

11,820

21,840

31,880

41,940

정답 및 해설

예측 가격은 1,840만 원이다.

가격 = $a+b\cdot x_1+c\cdot x_2$ ( $x_1$ : 면적, $x_2$ : 방의 개수)로 두면 데이터 3개로 계수 3개가 정확히 결정된다.

둘째 식 − 첫째 식: $15b+c=125$
셋째 식 − 둘째 식: $10b+2c=150$
연립하면 $b=5,\ c=50$ , $a=1475-55\times 5-50=1150$

예측: $1150+5\times 88+50\times 5=1150+440+250=1840$

문제 21

결정 트리(decision tree)에 대한 설명으로 옳지 않은 것은?

1엔트로피(entropy) 값이 작은 집단일수록 동질적이다.

2일반적으로 정보 이득(information gain)이 큰 분할 속성일수록 우수하다.

3정보 이득비(information gain ratio)는 속성의 엔트로피를 정보 이득으로 나눈 값이다.

4데이터를 가능한 한 동질적 집단이 되도록 분류하는 분할 속성 (splitting attribute)을 선택하는 것이 효율적이다.

정답 및 해설

옳지 않은 것은 정보 이득비를 속성의 엔트로피를 정보 이득으로 나눈 값이라고 한 설명이다.

엔트로피가 작을수록 한 클래스에 몰려 있어 동질적인 집단이다.
정보 이득이 클수록 분할 후 불확실성이 크게 줄어 우수한 분할 속성이다.
분할 결과가 최대한 동질적 집단이 되도록 분할 속성을 고르는 것이 결정 트리의 기본 원리이다.

문제 22

퍼지 이론(fuzzy theory)에 대한 설명으로 옳지 않은 것은?

1소속 정도(degree of membership(

\mu

))는

0 \lt \mu \le 1

로 정의된다.

2퍼지 규칙은 IF-THEN 형태의 문장으로 표현된다.

3소속 함수를 통해 정성적인 대상을 표현할 수 있다.

4비퍼지화(defuzzification)를 통해 퍼지 추론 결과를 하나의 실수 값으로 변환할 수 있다.

정답 및 해설

옳지 않은 것은 소속 정도를 $0 \lt \mu \le 1$ 로 정의한 설명이다.

퍼지 집합의 소속 정도는 0 이상 1 이하, 즉 $0 \le \mu \le 1$ 이다. 소속 정도 0(전혀 속하지 않음)도 포함해야 한다.

퍼지 규칙은 IF-THEN 형태로 표현된다.
소속 함수로 '키가 크다'처럼 경계가 모호한 정성적 대상을 표현할 수 있다.
비퍼지화로 퍼지 추론 결과를 하나의 실숫값(제어 출력 등)으로 변환한다.

문제 23

10.92

21.00

31.02

41.92

정답 및 해설

노드 C의 출력값은 1.02이다.

A의 출력: $\max(0,\,0.7\times 2.0+0.8\times 0.8)=\max(0,\,2.04)=2.04$
B의 출력: $\max(0,\,0.7\times(-1.0)+0.8\times 0.5)=\max(0,\,-0.3)=0$

ReLU가 음수를 0으로 막으므로 B의 출력은 0이 되고, C의 출력은 $\max(0,\,2.04\times 0.5+0\times(-3.0))=1.02$ 이다.

1.92: B에 ReLU를 적용하지 않고 -0.3을 그대로 넘겨 $1.02+(-0.3)\times(-3.0)$ 로 계산한 값이다.
0.92, 1.00: B의 출력이 0이므로 C의 출력은 A의 출력 2.04에 가중치 0.5를 곱한 1.02뿐이며, 이 값들과 맞지 않는다.

문제 24

합성곱 신경망과 순환 신경망(RNN, Recurrent Neural Network)에 대한 설명으로 옳지 않은 것은?

1순환 신경망은 기울기 소멸(vanishing gradient) 문제가 심각하게 발생하지 않는 장점이 있다.

2순환 신경망에서는 일반적으로 하이퍼볼릭 탄젠트(hyperbolic tangent) 함수(tanh())를 활성화 함수로 사용한다.

3합성곱 신경망은 특징 추출을 담당하는 합성곱층과 분류를 담당하는 전결합층을 포함하는 다층 퍼셉트론 모델의 한 종류이다.

4합성곱 신경망은 필터로 특징을 추출하고 풀링을 이용하여 입력의 변화에 강건한(robust) 방식으로 사물을 분류한다.

정답 및 해설

옳지 않은 것은 순환 신경망이 기울기 소멸 문제가 심각하지 않다는 설명이다.

RNN은 같은 가중치를 시간 단계마다 반복 곱하며 역전파하므로 서열이 길수록 기울기 소멸이 심각하다. 이를 완화하려고 LSTM·GRU가 고안되었다.

RNN의 활성화 함수로는 일반적으로 tanh를 사용한다.
CNN은 특징 추출용 합성곱층과 분류용 전결합층을 포함하는 다층 신경망의 한 종류이다.
CNN은 필터로 특징을 추출하고 풀링으로 위치 변화 등에 강건하게 분류한다.

문제 25

유전(genetic) 알고리즘에서 그림과 같은 단순 교차 연산으로 생성되는 2개의 자식 유전자 (가), (나)를 바르게 연결한 것은?

	교차점 앞	교차점 뒤
부모 1	1 0 1	0 0 1 1 0
부모 2	1 1 0	1 0 0 1 1

→ 자식 1: (가), 자식 2: (나)

1(가) 1 0 1 1 1 0 0 1, (나) 1 1 0 1 0 1 0 0

2(가) 1 1 0 0 0 1 1 0, (나) 1 0 1 1 0 0 1 1

3(가) 1 0 1 1 0 0 1 0, (나) 1 1 0 0 0 1 1 1

4(가) 1 1 0 1 0 0 1 1, (나) 1 0 1 0 0 1 1 0

정답 및 해설

단순(1점) 교차는 교차점 뒤의 유전자를 서로 맞바꾸므로 자식은 1 1 0 0 0 1 1 0과 1 0 1 1 0 0 1 1이 된다.

1 0 1 1 1 0 0 1과 1 1 0 1 0 1 0 0의 조합: 두 값 모두 교차점 뒤를 맞바꾼 결과와 다르다.
1 0 1 1 0 0 1 0과 1 1 0 0 0 1 1 1의 조합: 마지막 유전자가 서로 뒤바뀌어 있어 교차 결과와 다르다.
1 1 0 1 0 0 1 1과 1 0 1 0 0 1 1 0의 조합: 교차 없이 부모 유전자를 그대로 옮긴 것이다.