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

23년 1회차

총 25문항 · 객관식 · A4 약 1장

1 / 1

A4정답 포함← → 키 · 드래그로 넘김

7급 국가직 인공지능 기출문제모두CBT · moducbt.com

23년 1회차

총 25문항 · 객관식 · 정답·해설 포함

문제 1

기술 간 포함관계로 옳은 것은?

1[그림]

2[그림]

3[그림]

4[그림]

정답 및 해설

가장 바깥이 인공지능, 그 안에 기계학습, 가장 안쪽에 딥러닝이 놓인 포함관계가 옳다.

인공지능은 지능적 행동을 구현하는 기술 전반이고, 기계학습은 그중 데이터로부터 학습하는 방법이며, 딥러닝은 기계학습 가운데 다층 신경망을 쓰는 방법이다.

기계학습 안에 인공지능, 그 안에 딥러닝을 둔 도식: 기계학습은 인공지능의 하위 분야이므로 관계가 뒤집혔다.
기계학습 안에 딥러닝, 그 안에 인공지능을 둔 도식: 가장 넓은 개념인 인공지능을 가장 안쪽에 둔 오류다.
인공지능 안에 딥러닝, 그 안에 기계학습을 둔 도식: 딥러닝은 기계학습의 한 방법이므로 포함 방향이 반대다.

문제 2

자연어처리 도구로 옳지 않은 것은?

1BERT

2GPT

3Transformer

4OpenCV

정답 및 해설

OpenCV는 자연어처리 도구가 아니라 영상 처리·컴퓨터 비전 라이브러리이다.

나머지는 모두 텍스트를 다루는 언어 모델이거나 그 기반 구조이다.

BERT: 트랜스포머 인코더 기반의 사전학습 언어 모델로 문장 이해 과제에 쓰인다.
GPT: 트랜스포머 디코더 기반의 생성형 언어 모델이다.
Transformer: 셀프 어텐션으로 문장을 처리하는 구조로, 기계 번역을 위해 제안되었다.

문제 3

약한 인공지능(weak AI) 및 강한 인공지능(strong AI)에 대한 설명으로 옳지 않은 것은?

1약한 인공지능은 특정 문제를 해결할 수 있는 수준의 인공지능을 말한다.

2강한 인공지능은 인간의 모든 지능적 요소를 가진 인공지능을 말한다.

3알파고는 강한 인공지능에 속한다.

4강한 인공지능은 앨런 튜링이 제시한 튜링 테스트를 통과할 수 있다.

정답 및 해설

알파고는 바둑이라는 특정 문제만 푸는 약한 인공지능이므로, 강한 인공지능에 속한다는 설명이 옳지 않다.

강한 인공지능은 특정 영역에 국한되지 않고 인간 수준의 범용 지능을 갖춘 시스템을 가리킨다.

약한 인공지능이 특정 문제를 해결하는 수준의 인공지능이라는 설명은 옳다.
강한 인공지능이 인간의 모든 지능적 요소를 가진다는 설명은 옳다.
강한 인공지능은 인간과 구별되지 않는 지능을 전제하므로 튜링 테스트를 통과할 수 있다는 설명도 옳다.

문제 4

규칙 기반 전문가 시스템을 구성하는 요소가 아닌 것은?

1규칙 집합으로 표현된 지식베이스

2사용자와의 상호 작용을 지원하는 사용자 인터페이스

3규칙과 사실을 연결하는 추론 엔진

4규칙 생성을 위한 자연어 처리 라이브러리

정답 및 해설

자연어 처리 라이브러리는 규칙 기반 전문가 시스템의 구성 요소가 아니다.

전문가 시스템은 지식베이스·추론 엔진·사용자 인터페이스를 중심으로 구성되며, 규칙은 지식 공학자가 전문가로부터 획득해 지식베이스에 넣는다.

지식베이스: 전문가 지식을 IF-THEN 규칙 집합으로 저장한다.
추론 엔진: 규칙과 사실을 대조해 새로운 결론을 도출한다.
사용자 인터페이스: 질의 입력과 결과·설명 제시를 담당한다.

문제 5

트리 탐색의 결과로 전역 최적값이 보장되는 기법은?

1너비 우선 탐색(breadth-first search)

2허용성(admissibility)을 갖지 않는

A^*

알고리즘

3언덕 오르기 방법(hill climbing method)

4탐색 깊이 제한이 있는 깊이 우선 탐색(depth-first search)

정답 및 해설

트리 탐색에서 최적해가 보장되는 기법은 너비 우선 탐색이다.

너비 우선 탐색은 얕은 깊이부터 노드를 빠짐없이 확장하므로 해가 있으면 반드시 찾고, 간선 비용이 같으면 가장 먼저 찾은 얕은 해가 곧 최적해가 된다.

허용성이 없는 $A^*$ : 휴리스틱이 실제 비용을 과대평가할 수 있어 최적 경로를 놓칠 수 있다.
언덕 오르기: 더 나은 이웃으로만 이동하는 지역 탐색이라 지역 최적값에 갇힐 수 있다.
깊이 제한 깊이 우선 탐색: 해가 제한 깊이보다 깊으면 찾지 못하고, 먼저 찾은 해가 최적이라는 보장도 없다.

문제 6

생성 모델에 대한 설명으로 옳지 않은 것은?

1생성 모델을 통해 특정 연령, 성별, 안경 유형과 같은 원하는 속성으로 유명인의 얼굴을 바꿀 수 있다.

2자기 부호화기(auto encoder)로 영상을 생성할 경우, 인코더와 디코더 설계 시 합성곱(convolution)층을 사용할 수 있다.

3생성적 적대 신경망(또는 적대적 생성 신경망, GAN, Generative Adversarial Networks)이 성공적으로 학습을 완료하면 분별망은 생성망이 만든 영상을 식별할 수 있다.

4변이형 자기 부호화기(variational auto encoder)는 학습 데이터의 분포를 따르는 새로운 영상을 생성할 수 있다.

정답 및 해설

GAN 학습이 성공하면 생성망이 실제와 구별되지 않는 영상을 만들어 분별망이 진위를 식별할 수 없게 되므로, 식별할 수 있다는 설명이 옳지 않다.

이상적인 균형 상태에서 분별망은 어떤 입력에도 진짜일 확률을 0.5로 출력한다.

조건부 생성 모델 등으로 연령·성별·안경 같은 원하는 속성을 바꾼 얼굴을 만들 수 있다.
영상용 자기 부호화기는 인코더·디코더에 합성곱층(디코더는 전치 합성곱)을 쓸 수 있다.
변이형 자기 부호화기는 잠재 분포에서 표본을 뽑아 학습 데이터 분포를 따르는 새 영상을 생성한다.

문제 7

부류(class)가 2개인 혼동행렬(confusion matrix)에서 사용하는 성능 측정 기준에 대한 설명으로 옳은 것은?

		실젯값
		긍정	부정
예측값	긍정	TP	FP
예측값	부정	FN	TN

1특이도(specificity)

= \dfrac{TN}{FN+TN}

2민감도(sensitivity)

= \dfrac{TP}{TP+FP}

3정밀도(precision)

= \dfrac{TN}{TN+FP}

4재현율(recall)

= \dfrac{TP}{TP+FN}

정답 및 해설

재현율은 실제 긍정 중 모델이 긍정으로 맞힌 비율로 $\dfrac{TP}{TP+FN}$ 이다.

재현율은 민감도와 같은 지표이며, 분모가 실제 긍정 전체(TP+FN)라는 점이 분모가 예측 긍정 전체인 정밀도와 다르다.

특이도: 실제 부정 중 부정으로 맞힌 비율이므로 $\dfrac{TN}{TN+FP}$ 여야 하며, 분모가 FN+TN인 식은 음성 예측도이다.
민감도: 재현율과 같은 $\dfrac{TP}{TP+FN}$ 이며, 분모가 TP+FP인 식은 정밀도이다.
정밀도: 예측 긍정 중 실제 긍정 비율인 $\dfrac{TP}{TP+FP}$ 이며, 제시된 식은 특이도이다.

문제 8

날씨 상태의 변화를 나타내는 동질 마르코프 체인(homogeneous Markov chain) 전이 확률 행렬(transition probability matrix)이 다음과 같을 때, 오늘 날씨가 맑을 경우 내일 날씨가 흐리고 모레 날씨도 흐릴 확률은?

내일 날씨 오늘 날씨	맑음	흐림
맑음	0.8	0.2
흐림	0.3	0.7

10.04

20.14

30.49

40.70

정답 및 해설

오늘 맑을 때 내일 흐리고 모레도 흐릴 확률은 0.14이다.

동질 마르코프 체인은 매일 같은 전이 확률을 쓰므로 전이 확률을 연쇄로 곱한다: 맑음→흐림, 흐림→흐림.

$0.2 \times 0.7 = 0.14$

0.04는 맑음→흐림 확률을 두 번 곱한 값이다.
0.49는 첫날 전이도 흐림→흐림으로 잡은 값이다.
0.70은 모레의 전이 확률 하나만 본 값이다.

문제 9

선형 회귀에서 손실함수(loss function)가 다음과 같을 때, 경사 하강법에 대한 내용으로 옳지 않은 것은? (단, 학습률은 0.05이고

W

는 가중치(weight),

b

는 편향(bias)이다)

Loss(W,b) = \dfrac{1}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)^2

\dfrac{\partial Loss(W,b)}{\partial W} = \dfrac{2}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)

W_{new} = W-0.05\times\dfrac{\partial Loss(W,b)}{\partial W}

b_{new} = b-0.05\times\dfrac{\partial Loss(W,b)}{\partial b}

b_{new} = b-0.1\times\dfrac{1}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)

정답 및 해설

가중치에 대한 편미분에는 입력 $x_i$ 가 곱해져야 하므로, W에 대한 편미분식이 옳지 않다.

연쇄법칙으로 미분하면 다음과 같다.
$\dfrac{\partial Loss}{\partial W} = \dfrac{2}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)x_i$
$\dfrac{\partial Loss}{\partial b} = \dfrac{2}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)$

W 갱신식: 경사 하강법은 현재 값에서 학습률 × 기울기를 빼므로 옳다.
편미분 기호로 쓴 b 갱신식: 같은 원리로 옳다.
전개한 b 갱신식: 학습률 0.05와 계수 $\dfrac{2}{n}$ 을 곱하면 $0.1\times\dfrac{1}{n}$ 이 되므로 옳다.

문제 10

다음과 같은 뉴런 모델에서 시그모이드(sigmoid) 활성화 함수가 (가)에 사용되었을 때, 출력값은? (단, 편향(bias)은 0이다)

10.0

20.5

30.9

41.0

정답 및 해설

가중합이 0이 되므로 시그모이드 출력은 0.5이다.

입력과 가중치를 곱해 더하면(편향 0):
$0.5 \times 0.6 + 0.3 \times (-2.0) + 0.2 \times 1.5 + 1.0 \times 0.0$
$= 0.3 - 0.6 + 0.3 + 0 = 0$

시그모이드 함수는 $\sigma(x) = \dfrac{1}{1+e^{-x}}$ 이므로 $\sigma(0) = \dfrac{1}{2} = 0.5$ 이며, 그래프에서도 x = 0일 때 0.5를 지난다.

0.0: 시그모이드는 x가 음의 무한대로 갈 때만 0에 가까워진다.
0.9: 가중합이 약 2일 때의 출력값이다.
1.0: x가 양의 무한대로 갈 때의 극한값으로, 가중합 0에서는 나오지 않는다.

문제 11

합성곱 신경망(CNN, Convolutional Neural Network)에 대한 설명으로 옳지 않은 것은?

1이미지 분류 업무에 CNN을 활용할 수 있다.

2CNN 내부에는 여러 개의 합성곱(convolution)층과 풀링(pooling) 층을 배치할 수 있다.

3CNN에서는 완전 연결(fully connected)층이 사용되지 않는다.

4CNN에서는 학습 데이터에 과적합(overfitting)되는 문제를 해결하기 위해 드롭아웃(dropout) 기법이 사용될 수 있다.

정답 및 해설

CNN은 합성곱·풀링층으로 특징을 추출한 뒤 보통 완전 연결층으로 분류하므로, 완전 연결층이 사용되지 않는다는 설명이 옳지 않다.

마지막 특징 맵을 펼쳐 완전 연결층과 소프트맥스에 넣어 부류 확률을 출력하는 구조가 일반적이다.

CNN은 이미지 분류의 대표 모델이다.
합성곱층과 풀링층을 여러 번 반복 배치해 계층적 특징을 얻을 수 있다.
드롭아웃은 학습 중 뉴런 일부를 무작위로 꺼 과적합을 줄이며, CNN에서도 주로 완전 연결층에 쓰인다.

문제 12

생성 모델에 활용되는 자기 부호화기(auto encoder)에 대한 설명으로 옳지 않은 것은?

1특징 추출에도 활용된다.

2지도 학습(supervised learning)에 해당한다.

3인코더는 차원을 점점 줄이나 디코더는 차원을 점점 늘리기 때문에 출력층에서 원래 차원을 회복한다.

4변이형 자기 부호화기(variational auto encoder)는 잠재 변수의 발산을 방지하기 위한 규제화항을 오차에 포함하여 학습한다.

정답 및 해설

자기 부호화기는 정답 레이블 없이 입력 자신을 복원하도록 학습하는 비지도 학습이므로, 지도 학습이라는 설명이 옳지 않다.

입력을 저차원 잠재 표현으로 압축했다가 복원하며, 목표 출력이 별도 레이블이 아니라 입력 그 자체이다.

병목층의 잠재 표현은 차원 축소·특징 추출에 활용된다.
인코더는 차원을 줄이고 디코더는 늘려 출력층에서 입력과 같은 차원을 회복한다.
변이형 자기 부호화기는 복원 오차에 잠재 분포를 정규분포에 가깝게 묶는 KL 발산 규제항을 더해 학습한다.

문제 13

영어로 말한 내용을 한국어로 듣게 해주는 스마트폰 기반 자동 번역 시스템에 대한 설명으로 옳지 않은 것은?

1영어로 말한 내용을 스마트폰 마이크로 듣고, 음성 인식 기술을 사용하여 영어 문장으로 변환한다.

2기계 번역에는 신경망을 이용하지 않는 기법도 있다.

3신경망을 이용하여 번역할 경우, 영어 문장을 일본어 문장으로, 일본어 문장을 한국어 문장으로 번역하는 방법을 미리 배운 신경망은 학습 데이터에 영어－한국어 문장 쌍들이 없어도 영어 문장을 한국어 문장으로 번역할 수 있다.

4글로 된 한국어 문장을 음성 인식 기술을 통해 한국어 음성으로 변환하고 스마트폰 스피커로 들려준다.

정답 및 해설

글로 된 한국어 문장을 음성으로 바꾸는 기술은 음성 인식이 아니라 음성 합성(TTS)이므로, 이를 음성 인식으로 설명한 내용이 옳지 않다.

음성 인식(STT)은 소리를 문자로, 음성 합성은 문자를 소리로 바꾸는 서로 반대 방향의 기술이다.

마이크로 들은 영어 음성을 영어 문장으로 바꾸는 것은 음성 인식의 역할이므로 옳다.
기계 번역에는 규칙 기반·통계 기반처럼 신경망을 쓰지 않는 기법도 있으므로 옳다.
영어-일본어, 일본어-한국어 번역을 배운 신경망이 영어-한국어 문장 쌍 없이 번역하는 것은 제로샷(피벗) 번역으로 가능하므로 옳다.

문제 14

k－means 알고리즘의 실행 순서를 바르게 나열한 것은? (단, k는 클러스터 수이고, D는 n개의 데이터 집합이다)

(가) 각 데이터의 소속 클러스터가 바뀌지 않을 때까지 필요한 과정을 반복한다.
(나) 각 클러스터의 중심점을 다시 계산한다.
(다) 집합 D에서 k개의 데이터를 임의로 추출하고, 이 데이터들을 각 클러스터의 중심점으로 설정한다.
(라) 집합 D의 각 데이터에 대해 k개의 클러스터 중심점과의 거리를 계산하고, 그 거리가 가장 가까운 중심점의 소속 클러스터로 각 데이터를 할당한다.

1(다) － (가) － (라) － (나)

2(다) － (라) － (나) － (가)

3(라) － (다) － (가) － (나)

4(라) － (다) － (나) － (가)

정답 및 해설

k-means는 중심점 초기화 → 할당 → 중심 재계산 → 반복 순이므로 (다) － (라) － (나) － (가)이다.

k개 데이터를 임의로 골라 중심으로 두고(다), 각 데이터를 가장 가까운 중심점의 클러스터에 넣은 뒤(라), 클러스터별 평균으로 중심을 갱신하고(나), 소속 변화가 없을 때까지 할당·갱신을 되풀이한다(가).

(가)를 둘째에 두는 순서는 할당·갱신을 하기도 전에 반복 종료 단계를 놓아 성립하지 않는다.
(라)로 시작하는 순서는 중심점이 정해지기 전에 거리를 계산하게 되어 불가능하다.

문제 15

기계학습의 성능 향상을 위한 학습 데이터 전처리(preprocessing) 기법과 검증 기법에 대한 설명으로 옳지 않은 것은?

1데이터 전처리의 한 예로 결손값(missing value) 처리가 있다.

2원－핫 인코딩(one-hot encoding)에서는 해당 속성값의 특징에 의해 고윳값에 해당하는 위치에만 1을 표시하고 나머지는 0으로 표시한다.

3k－폴드 교차검증(k-fold cross validation)은 주어진 데이터를 k개의 데이터 폴드 집합으로 만든 뒤 다양한 폴드 집합 조합에 대해 학습과 검증 과정을 반복적으로 수행하는 기법이다.

4SMOTE(Synthetic Minority Over-sampling Technique)는 특정 부류(class)에 속하는 학습 데이터가 지나치게 많은 경우, 데이터 일부를 추출하여 제거하는데 사용된다.

정답 및 해설

SMOTE는 소수 부류 표본 사이를 보간해 새 표본을 합성하는 오버샘플링 기법이므로, 많은 부류의 데이터를 제거한다는 설명이 옳지 않다.

다수 부류 데이터 일부를 제거하는 방식은 언더샘플링에 해당한다.

결손값 처리(삭제·대푯값 대체 등)는 대표적인 전처리이다.
원-핫 인코딩은 범주 수만큼의 벡터에서 해당 범주 위치만 1, 나머지는 0으로 표시한다.
k-폴드 교차검증은 데이터를 k개 폴드로 나눠 한 폴드씩 검증용으로 돌려 가며 학습·검증을 반복한다.

문제 16

합성곱 신경망(CNN, Convolutional Neural Network)에서 입력 데이터와 필터를 합성곱(convolution) 할 때, (가) 부분에 출력되는 값은? (단, 편향(bias)은 0이다)

1	2	3	0
0	1	2	3
3	0	1	2
2	3	0	1

입력 데이터
(합성곱)

2	0	1
0	1	2
1	0	2

필터(커널)
→


(가)

정답 및 해설

(가) 위치의 출력값은 6이다.

4×4 입력에서 2×2 출력이 나오므로 스트라이드 1·패딩 없음이고, (가)는 왼쪽 아래 칸이라 입력의 2~4행·1~3열 영역과 필터를 원소끼리 곱해 더한다.

입력 영역 [0 1 2 / 3 0 1 / 2 3 0], 필터 [2 0 1 / 0 1 2 / 1 0 2]
1행: $0\times2+1\times0+2\times1=2$
2행: $3\times0+0\times1+1\times2=2$
3행: $2\times1+3\times0+0\times2=2$

합계: $2+2+2=6$

문제 17

다음 그래프에 대한 해석으로 옳지 않은 것은?

1차수 9의 회귀 모델은 학습 데이터와 신규 데이터에 대해 모두 정확한 예측 결과를 나타낸다.

2차수 1의 회귀 모델은 선형 회귀 모델로 사용할 수 있다.

3차수 0의 회귀 모델은 과소적합(underfitting)하기 때문에 학습 데이터와 신규 데이터에 대해 정확한 예측이 어렵다.

4차수 9의 회귀 모델은 과적합(overfitting)이 나타날 수 있다.

정답 및 해설

차수 9의 회귀 모델은 학습 데이터에는 잘 맞지만 신규 데이터에 대해서는 예측이 부정확하므로, 두 데이터 모두에 정확하다는 해석이 옳지 않다.

그래프에서 차수 9 곡선은 학습 데이터 점을 거의 모두 지나지만 점 사이와 바깥에서 크게 요동치는데, 이것이 일반화 성능이 떨어지는 과적합의 전형이다.

차수 1의 모델은 직선 형태이므로 선형 회귀 모델로 사용할 수 있다.
차수 0의 모델은 상수(수평선)라 데이터의 증가 추세를 반영하지 못하는 과소적합으로, 학습·신규 데이터 모두 예측이 어렵다.
차수 9의 모델이 과적합을 보일 수 있다는 해석은 그래프의 진동 양상과 일치한다.

문제 18

기본 순환 신경망(RNN, Recurrent Neural Network)과 이의 변형 기법에 대한 설명으로 옳지 않은 것은?

1RNN은 계층이 깊어질수록 그래디언트 소멸 문제(vanishing gradient problem)가 발생하기 쉽다.

2LSTM(Long Short Term Memory)의 출력은 이전 시점의 입력값과 은닉층의 값뿐만 아니라 이후 시점의 입력값과 은닉층의 값에도 영향을 받는다.

3RNN에서 순환 드롭아웃(recurrent dropout)은 과적합(overfitting)을 방지하기 위해 사용된다.

4GRU(Gated Recurrent Unit)는 LSTM과 유사한 원리로 동작하지만, 게이트 수를 줄여 더 간결한 구조를 갖는다.

정답 및 해설

LSTM은 과거에서 현재 방향으로만 정보를 전달하므로 이후 시점의 입력·은닉값에 영향을 받는다는 설명이 옳지 않다.

앞뒤 시점을 모두 반영하는 것은 순방향·역방향 RNN을 결합한 양방향 RNN이다.

기본 RNN은 시간 축으로 펼쳐 깊어질수록 같은 가중치가 반복 곱해져 그래디언트 소멸이 일어나기 쉽다.
순환 드롭아웃은 순환 연결에 드롭아웃을 적용해 과적합을 막는다.
GRU는 리셋·업데이트 두 게이트로 LSTM의 세 게이트를 줄인 간결한 구조이다.

문제 19

출력 노드가 3개인 신경망의 출력이 소프트맥스(softmax) 함수를 이용해 다음과 같이 계산되었을 때, 입력 샘플 3개에 대한 교차 엔트로피 오차(cross entropy error)의 평균값은? (단, 목표 출력은 원－핫 인코딩(one-hot encoding)을 사용하고, 교차 엔트로피 식에서 로그는 자연로그를 사용하며 자연로그 계산값은 아래 표를 이용한다)
<입력 샘플에 대한 실제 출력 및 목표 출력값>

입력 샘플	실제 출력			목표 출력
샘플 #1	0.7	0.2	0.1	1	0	0
샘플 #2	0.2	0.5	0.3	0	1	0
샘플 #3	0.6	0.1	0.3	0	0	1

<자연로그 계산표>

ln(0.1)	ln(0.2)	ln(0.3)	ln(0.4)	ln(0.5)	ln(0.6)	ln(0.7)	ln(0.8)	ln(0.9)
－2.30	－1.61	－1.20	－0.92	－0.69	－0.51	－0.36	－0.22	－0.11

10.25

20.50

30.75

41.00

정답 및 해설

교차 엔트로피 오차의 평균은 0.75이다.

목표가 원-핫이므로 정답 부류의 출력만 남아 샘플별 오차는 $E=-\ln y_k$ (k는 목표가 1인 부류)이다.

샘플 #1: $-\ln 0.7 = 0.36$
샘플 #2: $-\ln 0.5 = 0.69$
샘플 #3: $-\ln 0.3 = 1.20$

평균: $\dfrac{0.36+0.69+1.20}{3} = \dfrac{2.25}{3} = 0.75$

문제 20

그래디언트 소멸 문제(vanishing gradient problem)에 대한 설명으로 옳지 않은 것은?

1특정 활성화 함수를 사용하는 계층이 신경망에 많이 추가되면 학습이 되지 않는 현상을 말한다.

20이나 0에 가까운 수가 시그모이드(sigmoid) 함수에 들어오면 그래디언트가 0에 가까워 학습이 되지 않는다.

3그래디언트의 절댓값이 너무 작아지면 학습이 되지 않아 가중치(weight)와 편향(bias) 값들이 효과적으로 업데이트 되지 못한다.

4그래디언트 소멸 문제를 해결하기 위해 DNN(Deep Neural Network)에서는 활성화 함수로 ReLU 함수를 사용한다.

정답 및 해설

시그모이드의 기울기는 입력이 0일 때 가장 크고 입력의 절댓값이 커질수록 0에 가까워지므로, 0 근처 입력에서 그래디언트가 0에 가깝다는 설명이 옳지 않다.

도함수 $\sigma^{\prime}(x)=\sigma(x)(1-\sigma(x))$ 는 $x=0$ 에서 $0.5\times0.5=0.25$ 로 최대이며, 기울기가 사라지는 곳은 출력이 0이나 1로 포화되는 구간이다.

시그모이드 같은 활성화 함수 층이 많이 쌓이면 역전파 때 작은 기울기가 계속 곱해져 학습이 되지 않는다.
그래디언트 절댓값이 너무 작으면 가중치·편향의 갱신량이 거의 0이 된다.
ReLU는 양수 구간 기울기가 1이라 소멸 문제를 완화하므로 심층 신경망에 널리 쓰인다.

문제 21

전문가 시스템의 데이터베이스에 4개의 사실 A, B, C, D가 있고 다음과 같은 4개의 규칙이 존재할 때, 순방향 연결 기법을 통해 데이터베이스에 새롭게 추가되는 사실의 최대 개수는?

○ IF Y AND D AND E, THEN Z
○ IF X AND B, THEN Y
○ IF A, THEN X
○ IF B, THEN W

정답 및 해설

순방향 연결로 새로 추가되는 사실은 X, W, Y의 3개이다.

사실 {A, B, C, D}에서 조건이 만족되는 규칙을 반복 적용한다.

IF A → X 추가
IF B → W 추가
IF X AND B → Y 추가
IF Y AND D AND E → E가 없어 Z는 추가되지 않음

문제 22

학습 속도 향상을 위해 입력 데이터를 정규화하는 신경망에서 입력 데이터가 다음과 같이 나이를 나타내는 특징 데이터로 주어졌을 때, 24세에 해당하는 정규화 결과는? (단, 데이터 정규화는 정규분포를 이용하는 표준화를 의미한다)

40, 30, 22, 24

-\dfrac{5}{7}

-\dfrac{5}{14}

-\dfrac{5}{\sqrt{14}}

-\dfrac{2}{7}

정답 및 해설

24세의 표준화 값은 $-\dfrac{5}{7}$ 이다.

표준화는 $z=\dfrac{x-\mu}{\sigma}$ 이며, 주어진 4개 값 전체로 평균과 표준편차(n=4로 나눔)를 구한다.

평균: $\mu=\dfrac{40+30+22+24}{4}=29$
분산: $\sigma^2=\dfrac{11^2+1^2+(-7)^2+(-5)^2}{4}=\dfrac{196}{4}=49$ , $\sigma=7$

표준화: $z=\dfrac{24-29}{7}=-\dfrac{5}{7}$

문제 23

가로, 세로 크기가 31 × 21 픽셀인 원본 이미지에 다음과 같은 설정으로 합성곱(convolution) 연산을 한 번 수행한 후 생성되는 이미지의 크기는?

○ 필터 크기 : 3 × 3
○ 패딩 폭 : 1
○ 스트라이드 값 : 2

115 × 10

216 × 11

329 × 19

431 × 21

정답 및 해설

합성곱 후 이미지 크기는 16 × 11이다.

출력 크기는 패딩과 스트라이드를 반영한 $O=\dfrac{N+2P-F}{S}+1$ 로 구한다.

가로: $\dfrac{31+2-3}{2}+1=16$
세로: $\dfrac{21+2-3}{2}+1=11$

15 × 10은 패딩을 빼고 계산한 크기이다.
29 × 19는 패딩 없이 스트라이드 1로 계산한 크기이다.
31 × 21은 패딩 1·스트라이드 1일 때의 크기이다.

문제 24

유전 알고리즘(genetic algorithm)에서 수행되는 과정만을 모두 고르면?

ㄱ. 가지치기(pruning)
ㄴ. 교차(crossover)
ㄷ. 군집화(clustering)
ㄹ. 변이(mutation)
ㅁ. 적합도 평가(evaluation)

1ㄱ, ㄴ, ㅁ

2ㄴ, ㄷ, ㄹ

3ㄴ, ㄹ, ㅁ

4ㄷ, ㄹ, ㅁ

정답 및 해설

유전 알고리즘에서 수행되는 과정은 교차, 변이, 적합도 평가이다.

개체군을 만든 뒤 적합도 평가 → 선택 → 교차 → 변이를 세대마다 반복해 더 나은 해로 진화시킨다.

가지치기: 결정 트리나 알파베타 탐색에서 불필요한 가지를 잘라내는 기법으로 유전 알고리즘의 과정이 아니다.
군집화: k-means 등 비지도 학습에서 비슷한 데이터를 묶는 기법으로 유전 알고리즘의 과정이 아니다.

문제 25

다음 설명에 해당하는 자연어처리 기법은?

주변에 있는 단어를 이용해 중간에 있는 특정 단어를 추론하는 방법으로, 큰 차원으로 표현된 특정 단어의 원－핫 인코딩(one-hot encoding) 벡터를 작은 차원의 실수 벡터로 바꾸어 줄 수 있다.

1CBOW(Continuous Bag of Words)

n

－Gram

3Skip－Gram

4TF－IDF(Term Frequency-Inverse Document Frequency) vector

정답 및 해설

주변 단어로 가운데 단어를 추론하는 기법은 CBOW이다.

CBOW는 Word2Vec의 한 방식으로, 문맥 단어의 원-핫 벡터로 중심 단어를 맞히도록 학습하면서 고차원 원-핫 표현을 저차원 실수 벡터(임베딩)로 바꾼다.

Skip-Gram: 반대로 중심 단어로 주변 단어를 예측한다.
n-Gram: 연속한 n개 단어의 출현 빈도로 다음 단어 확률을 추정하는 통계적 언어 모델이다.
TF-IDF: 단어 빈도와 역문서 빈도로 중요도를 매긴 희소 벡터로, 학습된 임베딩이 아니다.

7급 국가직 인공지능 기출문제모두CBT · moducbt.com

23년 1회차

총 25문항 · 객관식 · 정답·해설 포함

문제 1

기술 간 포함관계로 옳은 것은?

1[그림]

2[그림]

3[그림]

4[그림]

정답 및 해설

가장 바깥이 인공지능, 그 안에 기계학습, 가장 안쪽에 딥러닝이 놓인 포함관계가 옳다.

기계학습 안에 인공지능, 그 안에 딥러닝을 둔 도식: 기계학습은 인공지능의 하위 분야이므로 관계가 뒤집혔다.
기계학습 안에 딥러닝, 그 안에 인공지능을 둔 도식: 가장 넓은 개념인 인공지능을 가장 안쪽에 둔 오류다.
인공지능 안에 딥러닝, 그 안에 기계학습을 둔 도식: 딥러닝은 기계학습의 한 방법이므로 포함 방향이 반대다.

문제 2

자연어처리 도구로 옳지 않은 것은?

1BERT

2GPT

3Transformer

4OpenCV

정답 및 해설

OpenCV는 자연어처리 도구가 아니라 영상 처리·컴퓨터 비전 라이브러리이다.

나머지는 모두 텍스트를 다루는 언어 모델이거나 그 기반 구조이다.

BERT: 트랜스포머 인코더 기반의 사전학습 언어 모델로 문장 이해 과제에 쓰인다.
GPT: 트랜스포머 디코더 기반의 생성형 언어 모델이다.
Transformer: 셀프 어텐션으로 문장을 처리하는 구조로, 기계 번역을 위해 제안되었다.

문제 3

약한 인공지능(weak AI) 및 강한 인공지능(strong AI)에 대한 설명으로 옳지 않은 것은?

1약한 인공지능은 특정 문제를 해결할 수 있는 수준의 인공지능을 말한다.

2강한 인공지능은 인간의 모든 지능적 요소를 가진 인공지능을 말한다.

3알파고는 강한 인공지능에 속한다.

4강한 인공지능은 앨런 튜링이 제시한 튜링 테스트를 통과할 수 있다.

정답 및 해설

알파고는 바둑이라는 특정 문제만 푸는 약한 인공지능이므로, 강한 인공지능에 속한다는 설명이 옳지 않다.

강한 인공지능은 특정 영역에 국한되지 않고 인간 수준의 범용 지능을 갖춘 시스템을 가리킨다.

약한 인공지능이 특정 문제를 해결하는 수준의 인공지능이라는 설명은 옳다.
강한 인공지능이 인간의 모든 지능적 요소를 가진다는 설명은 옳다.
강한 인공지능은 인간과 구별되지 않는 지능을 전제하므로 튜링 테스트를 통과할 수 있다는 설명도 옳다.

문제 4

규칙 기반 전문가 시스템을 구성하는 요소가 아닌 것은?

1규칙 집합으로 표현된 지식베이스

2사용자와의 상호 작용을 지원하는 사용자 인터페이스

3규칙과 사실을 연결하는 추론 엔진

4규칙 생성을 위한 자연어 처리 라이브러리

정답 및 해설

자연어 처리 라이브러리는 규칙 기반 전문가 시스템의 구성 요소가 아니다.

지식베이스: 전문가 지식을 IF-THEN 규칙 집합으로 저장한다.
추론 엔진: 규칙과 사실을 대조해 새로운 결론을 도출한다.
사용자 인터페이스: 질의 입력과 결과·설명 제시를 담당한다.

문제 5

트리 탐색의 결과로 전역 최적값이 보장되는 기법은?

1너비 우선 탐색(breadth-first search)

2허용성(admissibility)을 갖지 않는

A^*

알고리즘

3언덕 오르기 방법(hill climbing method)

4탐색 깊이 제한이 있는 깊이 우선 탐색(depth-first search)

정답 및 해설

트리 탐색에서 최적해가 보장되는 기법은 너비 우선 탐색이다.

허용성이 없는 $A^*$ : 휴리스틱이 실제 비용을 과대평가할 수 있어 최적 경로를 놓칠 수 있다.
언덕 오르기: 더 나은 이웃으로만 이동하는 지역 탐색이라 지역 최적값에 갇힐 수 있다.
깊이 제한 깊이 우선 탐색: 해가 제한 깊이보다 깊으면 찾지 못하고, 먼저 찾은 해가 최적이라는 보장도 없다.

문제 6

생성 모델에 대한 설명으로 옳지 않은 것은?

1생성 모델을 통해 특정 연령, 성별, 안경 유형과 같은 원하는 속성으로 유명인의 얼굴을 바꿀 수 있다.

2자기 부호화기(auto encoder)로 영상을 생성할 경우, 인코더와 디코더 설계 시 합성곱(convolution)층을 사용할 수 있다.

4변이형 자기 부호화기(variational auto encoder)는 학습 데이터의 분포를 따르는 새로운 영상을 생성할 수 있다.

정답 및 해설

GAN 학습이 성공하면 생성망이 실제와 구별되지 않는 영상을 만들어 분별망이 진위를 식별할 수 없게 되므로, 식별할 수 있다는 설명이 옳지 않다.

이상적인 균형 상태에서 분별망은 어떤 입력에도 진짜일 확률을 0.5로 출력한다.

조건부 생성 모델 등으로 연령·성별·안경 같은 원하는 속성을 바꾼 얼굴을 만들 수 있다.
영상용 자기 부호화기는 인코더·디코더에 합성곱층(디코더는 전치 합성곱)을 쓸 수 있다.
변이형 자기 부호화기는 잠재 분포에서 표본을 뽑아 학습 데이터 분포를 따르는 새 영상을 생성한다.

문제 7

부류(class)가 2개인 혼동행렬(confusion matrix)에서 사용하는 성능 측정 기준에 대한 설명으로 옳은 것은?

		실젯값
		긍정	부정
예측값	긍정	TP	FP
예측값	부정	FN	TN

1특이도(specificity)

= \dfrac{TN}{FN+TN}

2민감도(sensitivity)

= \dfrac{TP}{TP+FP}

3정밀도(precision)

= \dfrac{TN}{TN+FP}

4재현율(recall)

= \dfrac{TP}{TP+FN}

정답 및 해설

재현율은 실제 긍정 중 모델이 긍정으로 맞힌 비율로 $\dfrac{TP}{TP+FN}$ 이다.

재현율은 민감도와 같은 지표이며, 분모가 실제 긍정 전체(TP+FN)라는 점이 분모가 예측 긍정 전체인 정밀도와 다르다.

특이도: 실제 부정 중 부정으로 맞힌 비율이므로 $\dfrac{TN}{TN+FP}$ 여야 하며, 분모가 FN+TN인 식은 음성 예측도이다.
민감도: 재현율과 같은 $\dfrac{TP}{TP+FN}$ 이며, 분모가 TP+FP인 식은 정밀도이다.
정밀도: 예측 긍정 중 실제 긍정 비율인 $\dfrac{TP}{TP+FP}$ 이며, 제시된 식은 특이도이다.

문제 8

내일 날씨 오늘 날씨	맑음	흐림
맑음	0.8	0.2
흐림	0.3	0.7

10.04

20.14

30.49

40.70

정답 및 해설

오늘 맑을 때 내일 흐리고 모레도 흐릴 확률은 0.14이다.

동질 마르코프 체인은 매일 같은 전이 확률을 쓰므로 전이 확률을 연쇄로 곱한다: 맑음→흐림, 흐림→흐림.

$0.2 \times 0.7 = 0.14$

0.04는 맑음→흐림 확률을 두 번 곱한 값이다.
0.49는 첫날 전이도 흐림→흐림으로 잡은 값이다.
0.70은 모레의 전이 확률 하나만 본 값이다.

문제 9

선형 회귀에서 손실함수(loss function)가 다음과 같을 때, 경사 하강법에 대한 내용으로 옳지 않은 것은? (단, 학습률은 0.05이고

W

는 가중치(weight),

b

는 편향(bias)이다)

Loss(W,b) = \dfrac{1}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)^2

\dfrac{\partial Loss(W,b)}{\partial W} = \dfrac{2}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)

W_{new} = W-0.05\times\dfrac{\partial Loss(W,b)}{\partial W}

b_{new} = b-0.05\times\dfrac{\partial Loss(W,b)}{\partial b}

b_{new} = b-0.1\times\dfrac{1}{n}\sum_{i=1}^{n}((Wx_i+b)-y_i)

정답 및 해설

가중치에 대한 편미분에는 입력 $x_i$ 가 곱해져야 하므로, W에 대한 편미분식이 옳지 않다.

W 갱신식: 경사 하강법은 현재 값에서 학습률 × 기울기를 빼므로 옳다.
편미분 기호로 쓴 b 갱신식: 같은 원리로 옳다.
전개한 b 갱신식: 학습률 0.05와 계수 $\dfrac{2}{n}$ 을 곱하면 $0.1\times\dfrac{1}{n}$ 이 되므로 옳다.

문제 10

다음과 같은 뉴런 모델에서 시그모이드(sigmoid) 활성화 함수가 (가)에 사용되었을 때, 출력값은? (단, 편향(bias)은 0이다)

10.0

20.5

30.9

41.0

정답 및 해설

가중합이 0이 되므로 시그모이드 출력은 0.5이다.

입력과 가중치를 곱해 더하면(편향 0):
$0.5 \times 0.6 + 0.3 \times (-2.0) + 0.2 \times 1.5 + 1.0 \times 0.0$
$= 0.3 - 0.6 + 0.3 + 0 = 0$

시그모이드 함수는 $\sigma(x) = \dfrac{1}{1+e^{-x}}$ 이므로 $\sigma(0) = \dfrac{1}{2} = 0.5$ 이며, 그래프에서도 x = 0일 때 0.5를 지난다.

0.0: 시그모이드는 x가 음의 무한대로 갈 때만 0에 가까워진다.
0.9: 가중합이 약 2일 때의 출력값이다.
1.0: x가 양의 무한대로 갈 때의 극한값으로, 가중합 0에서는 나오지 않는다.

문제 11

합성곱 신경망(CNN, Convolutional Neural Network)에 대한 설명으로 옳지 않은 것은?

1이미지 분류 업무에 CNN을 활용할 수 있다.

2CNN 내부에는 여러 개의 합성곱(convolution)층과 풀링(pooling) 층을 배치할 수 있다.

3CNN에서는 완전 연결(fully connected)층이 사용되지 않는다.

4CNN에서는 학습 데이터에 과적합(overfitting)되는 문제를 해결하기 위해 드롭아웃(dropout) 기법이 사용될 수 있다.

정답 및 해설

CNN은 합성곱·풀링층으로 특징을 추출한 뒤 보통 완전 연결층으로 분류하므로, 완전 연결층이 사용되지 않는다는 설명이 옳지 않다.

마지막 특징 맵을 펼쳐 완전 연결층과 소프트맥스에 넣어 부류 확률을 출력하는 구조가 일반적이다.

CNN은 이미지 분류의 대표 모델이다.
합성곱층과 풀링층을 여러 번 반복 배치해 계층적 특징을 얻을 수 있다.
드롭아웃은 학습 중 뉴런 일부를 무작위로 꺼 과적합을 줄이며, CNN에서도 주로 완전 연결층에 쓰인다.

문제 12

생성 모델에 활용되는 자기 부호화기(auto encoder)에 대한 설명으로 옳지 않은 것은?

1특징 추출에도 활용된다.

2지도 학습(supervised learning)에 해당한다.

3인코더는 차원을 점점 줄이나 디코더는 차원을 점점 늘리기 때문에 출력층에서 원래 차원을 회복한다.

4변이형 자기 부호화기(variational auto encoder)는 잠재 변수의 발산을 방지하기 위한 규제화항을 오차에 포함하여 학습한다.

정답 및 해설

자기 부호화기는 정답 레이블 없이 입력 자신을 복원하도록 학습하는 비지도 학습이므로, 지도 학습이라는 설명이 옳지 않다.

입력을 저차원 잠재 표현으로 압축했다가 복원하며, 목표 출력이 별도 레이블이 아니라 입력 그 자체이다.

병목층의 잠재 표현은 차원 축소·특징 추출에 활용된다.
인코더는 차원을 줄이고 디코더는 늘려 출력층에서 입력과 같은 차원을 회복한다.
변이형 자기 부호화기는 복원 오차에 잠재 분포를 정규분포에 가깝게 묶는 KL 발산 규제항을 더해 학습한다.

문제 13

영어로 말한 내용을 한국어로 듣게 해주는 스마트폰 기반 자동 번역 시스템에 대한 설명으로 옳지 않은 것은?

1영어로 말한 내용을 스마트폰 마이크로 듣고, 음성 인식 기술을 사용하여 영어 문장으로 변환한다.

2기계 번역에는 신경망을 이용하지 않는 기법도 있다.

4글로 된 한국어 문장을 음성 인식 기술을 통해 한국어 음성으로 변환하고 스마트폰 스피커로 들려준다.

정답 및 해설

글로 된 한국어 문장을 음성으로 바꾸는 기술은 음성 인식이 아니라 음성 합성(TTS)이므로, 이를 음성 인식으로 설명한 내용이 옳지 않다.

음성 인식(STT)은 소리를 문자로, 음성 합성은 문자를 소리로 바꾸는 서로 반대 방향의 기술이다.

마이크로 들은 영어 음성을 영어 문장으로 바꾸는 것은 음성 인식의 역할이므로 옳다.
기계 번역에는 규칙 기반·통계 기반처럼 신경망을 쓰지 않는 기법도 있으므로 옳다.
영어-일본어, 일본어-한국어 번역을 배운 신경망이 영어-한국어 문장 쌍 없이 번역하는 것은 제로샷(피벗) 번역으로 가능하므로 옳다.

문제 14

k－means 알고리즘의 실행 순서를 바르게 나열한 것은? (단, k는 클러스터 수이고, D는 n개의 데이터 집합이다)

1(다) － (가) － (라) － (나)

2(다) － (라) － (나) － (가)

3(라) － (다) － (가) － (나)

4(라) － (다) － (나) － (가)

정답 및 해설

k-means는 중심점 초기화 → 할당 → 중심 재계산 → 반복 순이므로 (다) － (라) － (나) － (가)이다.

(가)를 둘째에 두는 순서는 할당·갱신을 하기도 전에 반복 종료 단계를 놓아 성립하지 않는다.
(라)로 시작하는 순서는 중심점이 정해지기 전에 거리를 계산하게 되어 불가능하다.

문제 15

기계학습의 성능 향상을 위한 학습 데이터 전처리(preprocessing) 기법과 검증 기법에 대한 설명으로 옳지 않은 것은?

1데이터 전처리의 한 예로 결손값(missing value) 처리가 있다.

2원－핫 인코딩(one-hot encoding)에서는 해당 속성값의 특징에 의해 고윳값에 해당하는 위치에만 1을 표시하고 나머지는 0으로 표시한다.

4SMOTE(Synthetic Minority Over-sampling Technique)는 특정 부류(class)에 속하는 학습 데이터가 지나치게 많은 경우, 데이터 일부를 추출하여 제거하는데 사용된다.

정답 및 해설

SMOTE는 소수 부류 표본 사이를 보간해 새 표본을 합성하는 오버샘플링 기법이므로, 많은 부류의 데이터를 제거한다는 설명이 옳지 않다.

다수 부류 데이터 일부를 제거하는 방식은 언더샘플링에 해당한다.

결손값 처리(삭제·대푯값 대체 등)는 대표적인 전처리이다.
원-핫 인코딩은 범주 수만큼의 벡터에서 해당 범주 위치만 1, 나머지는 0으로 표시한다.
k-폴드 교차검증은 데이터를 k개 폴드로 나눠 한 폴드씩 검증용으로 돌려 가며 학습·검증을 반복한다.

문제 16

합성곱 신경망(CNN, Convolutional Neural Network)에서 입력 데이터와 필터를 합성곱(convolution) 할 때, (가) 부분에 출력되는 값은? (단, 편향(bias)은 0이다)

1	2	3	0
0	1	2	3
3	0	1	2
2	3	0	1

입력 데이터
(합성곱)

2	0	1
0	1	2
1	0	2

필터(커널)
→


(가)

정답 및 해설

(가) 위치의 출력값은 6이다.

4×4 입력에서 2×2 출력이 나오므로 스트라이드 1·패딩 없음이고, (가)는 왼쪽 아래 칸이라 입력의 2~4행·1~3열 영역과 필터를 원소끼리 곱해 더한다.

입력 영역 [0 1 2 / 3 0 1 / 2 3 0], 필터 [2 0 1 / 0 1 2 / 1 0 2]
1행: $0\times2+1\times0+2\times1=2$
2행: $3\times0+0\times1+1\times2=2$
3행: $2\times1+3\times0+0\times2=2$

합계: $2+2+2=6$

문제 17

다음 그래프에 대한 해석으로 옳지 않은 것은?

1차수 9의 회귀 모델은 학습 데이터와 신규 데이터에 대해 모두 정확한 예측 결과를 나타낸다.

2차수 1의 회귀 모델은 선형 회귀 모델로 사용할 수 있다.

3차수 0의 회귀 모델은 과소적합(underfitting)하기 때문에 학습 데이터와 신규 데이터에 대해 정확한 예측이 어렵다.

4차수 9의 회귀 모델은 과적합(overfitting)이 나타날 수 있다.

정답 및 해설

차수 9의 회귀 모델은 학습 데이터에는 잘 맞지만 신규 데이터에 대해서는 예측이 부정확하므로, 두 데이터 모두에 정확하다는 해석이 옳지 않다.

차수 1의 모델은 직선 형태이므로 선형 회귀 모델로 사용할 수 있다.
차수 0의 모델은 상수(수평선)라 데이터의 증가 추세를 반영하지 못하는 과소적합으로, 학습·신규 데이터 모두 예측이 어렵다.
차수 9의 모델이 과적합을 보일 수 있다는 해석은 그래프의 진동 양상과 일치한다.

문제 18

기본 순환 신경망(RNN, Recurrent Neural Network)과 이의 변형 기법에 대한 설명으로 옳지 않은 것은?

1RNN은 계층이 깊어질수록 그래디언트 소멸 문제(vanishing gradient problem)가 발생하기 쉽다.

2LSTM(Long Short Term Memory)의 출력은 이전 시점의 입력값과 은닉층의 값뿐만 아니라 이후 시점의 입력값과 은닉층의 값에도 영향을 받는다.

3RNN에서 순환 드롭아웃(recurrent dropout)은 과적합(overfitting)을 방지하기 위해 사용된다.

4GRU(Gated Recurrent Unit)는 LSTM과 유사한 원리로 동작하지만, 게이트 수를 줄여 더 간결한 구조를 갖는다.

정답 및 해설

LSTM은 과거에서 현재 방향으로만 정보를 전달하므로 이후 시점의 입력·은닉값에 영향을 받는다는 설명이 옳지 않다.

앞뒤 시점을 모두 반영하는 것은 순방향·역방향 RNN을 결합한 양방향 RNN이다.

기본 RNN은 시간 축으로 펼쳐 깊어질수록 같은 가중치가 반복 곱해져 그래디언트 소멸이 일어나기 쉽다.
순환 드롭아웃은 순환 연결에 드롭아웃을 적용해 과적합을 막는다.
GRU는 리셋·업데이트 두 게이트로 LSTM의 세 게이트를 줄인 간결한 구조이다.

문제 19

입력 샘플	실제 출력			목표 출력
샘플 #1	0.7	0.2	0.1	1	0	0
샘플 #2	0.2	0.5	0.3	0	1	0
샘플 #3	0.6	0.1	0.3	0	0	1

<자연로그 계산표>

ln(0.1)	ln(0.2)	ln(0.3)	ln(0.4)	ln(0.5)	ln(0.6)	ln(0.7)	ln(0.8)	ln(0.9)
－2.30	－1.61	－1.20	－0.92	－0.69	－0.51	－0.36	－0.22	－0.11

10.25

20.50

30.75

41.00

정답 및 해설

교차 엔트로피 오차의 평균은 0.75이다.

목표가 원-핫이므로 정답 부류의 출력만 남아 샘플별 오차는 $E=-\ln y_k$ (k는 목표가 1인 부류)이다.

샘플 #1: $-\ln 0.7 = 0.36$
샘플 #2: $-\ln 0.5 = 0.69$
샘플 #3: $-\ln 0.3 = 1.20$

평균: $\dfrac{0.36+0.69+1.20}{3} = \dfrac{2.25}{3} = 0.75$

문제 20

그래디언트 소멸 문제(vanishing gradient problem)에 대한 설명으로 옳지 않은 것은?

1특정 활성화 함수를 사용하는 계층이 신경망에 많이 추가되면 학습이 되지 않는 현상을 말한다.

20이나 0에 가까운 수가 시그모이드(sigmoid) 함수에 들어오면 그래디언트가 0에 가까워 학습이 되지 않는다.

3그래디언트의 절댓값이 너무 작아지면 학습이 되지 않아 가중치(weight)와 편향(bias) 값들이 효과적으로 업데이트 되지 못한다.

4그래디언트 소멸 문제를 해결하기 위해 DNN(Deep Neural Network)에서는 활성화 함수로 ReLU 함수를 사용한다.

정답 및 해설

도함수 $\sigma^{\prime}(x)=\sigma(x)(1-\sigma(x))$ 는 $x=0$ 에서 $0.5\times0.5=0.25$ 로 최대이며, 기울기가 사라지는 곳은 출력이 0이나 1로 포화되는 구간이다.

시그모이드 같은 활성화 함수 층이 많이 쌓이면 역전파 때 작은 기울기가 계속 곱해져 학습이 되지 않는다.
그래디언트 절댓값이 너무 작으면 가중치·편향의 갱신량이 거의 0이 된다.
ReLU는 양수 구간 기울기가 1이라 소멸 문제를 완화하므로 심층 신경망에 널리 쓰인다.

문제 21

○ IF Y AND D AND E, THEN Z
○ IF X AND B, THEN Y
○ IF A, THEN X
○ IF B, THEN W

정답 및 해설

순방향 연결로 새로 추가되는 사실은 X, W, Y의 3개이다.

사실 {A, B, C, D}에서 조건이 만족되는 규칙을 반복 적용한다.

IF A → X 추가
IF B → W 추가
IF X AND B → Y 추가
IF Y AND D AND E → E가 없어 Z는 추가되지 않음

문제 22

40, 30, 22, 24

-\dfrac{5}{7}

-\dfrac{5}{14}

-\dfrac{5}{\sqrt{14}}

-\dfrac{2}{7}

정답 및 해설

24세의 표준화 값은 $-\dfrac{5}{7}$ 이다.

표준화는 $z=\dfrac{x-\mu}{\sigma}$ 이며, 주어진 4개 값 전체로 평균과 표준편차(n=4로 나눔)를 구한다.

평균: $\mu=\dfrac{40+30+22+24}{4}=29$
분산: $\sigma^2=\dfrac{11^2+1^2+(-7)^2+(-5)^2}{4}=\dfrac{196}{4}=49$ , $\sigma=7$

표준화: $z=\dfrac{24-29}{7}=-\dfrac{5}{7}$

문제 23

가로, 세로 크기가 31 × 21 픽셀인 원본 이미지에 다음과 같은 설정으로 합성곱(convolution) 연산을 한 번 수행한 후 생성되는 이미지의 크기는?

○ 필터 크기 : 3 × 3
○ 패딩 폭 : 1
○ 스트라이드 값 : 2

115 × 10

216 × 11

329 × 19

431 × 21

정답 및 해설

합성곱 후 이미지 크기는 16 × 11이다.

출력 크기는 패딩과 스트라이드를 반영한 $O=\dfrac{N+2P-F}{S}+1$ 로 구한다.

가로: $\dfrac{31+2-3}{2}+1=16$
세로: $\dfrac{21+2-3}{2}+1=11$

15 × 10은 패딩을 빼고 계산한 크기이다.
29 × 19는 패딩 없이 스트라이드 1로 계산한 크기이다.
31 × 21은 패딩 1·스트라이드 1일 때의 크기이다.

문제 24

유전 알고리즘(genetic algorithm)에서 수행되는 과정만을 모두 고르면?

ㄱ. 가지치기(pruning)
ㄴ. 교차(crossover)
ㄷ. 군집화(clustering)
ㄹ. 변이(mutation)
ㅁ. 적합도 평가(evaluation)

1ㄱ, ㄴ, ㅁ

2ㄴ, ㄷ, ㄹ

3ㄴ, ㄹ, ㅁ

4ㄷ, ㄹ, ㅁ

정답 및 해설

유전 알고리즘에서 수행되는 과정은 교차, 변이, 적합도 평가이다.

개체군을 만든 뒤 적합도 평가 → 선택 → 교차 → 변이를 세대마다 반복해 더 나은 해로 진화시킨다.

가지치기: 결정 트리나 알파베타 탐색에서 불필요한 가지를 잘라내는 기법으로 유전 알고리즘의 과정이 아니다.
군집화: k-means 등 비지도 학습에서 비슷한 데이터를 묶는 기법으로 유전 알고리즘의 과정이 아니다.

문제 25

다음 설명에 해당하는 자연어처리 기법은?

1CBOW(Continuous Bag of Words)

n

－Gram

3Skip－Gram

4TF－IDF(Term Frequency-Inverse Document Frequency) vector

정답 및 해설

주변 단어로 가운데 단어를 추론하는 기법은 CBOW이다.

CBOW는 Word2Vec의 한 방식으로, 문맥 단어의 원-핫 벡터로 중심 단어를 맞히도록 학습하면서 고차원 원-핫 표현을 저차원 실수 벡터(임베딩)로 바꾼다.

Skip-Gram: 반대로 중심 단어로 주변 단어를 예측한다.
n-Gram: 연속한 n개 단어의 출현 빈도로 다음 단어 확률을 추정하는 통계적 언어 모델이다.
TF-IDF: 단어 빈도와 역문서 빈도로 중요도를 매긴 희소 벡터로, 학습된 임베딩이 아니다.