[7급 국가직 인공지능] 23년 1회차 기출문제 정답·해설 페이지

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

(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: $2+2+2=6$

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.

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.

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

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.

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

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

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.

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.

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.