(타임테이블)
TIL
• AI (Artificial Intelligence)
• 머신러닝 (Machine Learning)
• 딥러닝 (Deep Learning)
→ 딥러닝 ⊂ 머신러닝 ⊂ AI
| 구분 | 머신러닝 (Machine Learning) | 딥러닝 (Deep Learning) |
|---|---|---|
| 개념 | 데이터에서 패턴을 학습하는 기술 | 머신러닝의 한 분야 (신경망 기반) |
| 특징 추출 | 사람이 직접 설계 | 모델이 자동으로 학습 |
| 데이터 필요량 | 비교적 적음 | 대량 데이터 필요 |
| 성능 | 구조적으로 한계 존재 | 복잡한 문제에서 높은 성능 |
| 연산량 | 낮음 | 매우 높음 |
| 모델 구조 | 단순 (회귀, 트리 등) | 복잡 (신경망, CNN, Transformer 등) |
| 적용 분야 | 예측, 분류, 추천 | 이미지, 음성, 자연어 처리 |
| 학습 방식 | 문제에 따라 별도 설계 필요 | End-to-End 학습 가능 |
F1-Score
정밀도(Precision)와 재현율(Recall)을 함께 고려하는 지표
특히 데이터 불균형(imbalanced data) 상황에서 많이 사용 됨
F1 = 2 \cdot \frac{Precision \cdot Recall}{Precision + Recall}
Precision (정밀도) → 모델이 “맞다”고 한 것 중 실제로 맞은 비율
Recall (재현율) → 실제로 맞는 것 중 모델이 맞춘 비율
용도)
• Precision만 높이면 → 보수적으로 예측 (놓치는 경우 많음)
• Recall만 높이면 → 과하게 예측 (틀리는 경우 많음)
→ F1은 이 둘의 균형을 하나의 값으로 표현
회고
오늘은 AI 기획/데이터 특강을 들었다. 평소 AI 기획에 관심이 많아서 흥미롭게 들었다. 이젠 지피티가 없는 문제 도출과 기획은 상상도 할 수 없다.. 실무에서는 AI를 활용 해 어떻게 프로젝트를 완성해 가는 지 들을 수 있어서 좋았다.
강의를 들으며 내가 저 프로젝트에 참여한다면 어느 부분을 중점으로 둘까..역시 또 데이터를 엄청 파고들겠지? 라는 생각을 하며..
오후엔 저번 과제 구두 피드백 시간을 가졌다.
확실히 내가 열정적으로 했던 데이터 분류 부분에서는 칭찬을 받았고,
집중을 잘 못했던 핵심 문제 정의 부분에서는 근거가 부족하다는 피드백을 받았다.
데이터 분류를 명확하게 했기 때문에, 그에 맞춰 핵심 문제를 정의하고 근거를 도출했으면 더 좋았을 텐데 5 Whys나 매트릭스 같은 주어진 프레임워크에 맞추려다 보니 오히려 집중도가 흐려졌던 것 같다.
피드백 이후, 프레임워크를 100% 활용하지 않아도 되는지 질문했고, 근거만 명확하다면 괜찮다는 답변을 받았다.
조금 더 전문성을 기르고, 문제 정의와 근거 도출에 대한 경험을 쌓은 뒤에 프레임워크를 활용하고 싶다는 생각이 들었다.
튜터님의 자세한 피드백에 너무 감사했고 더더욱 열정과 의지가 불태워졌다..!
후엔 팀원들과도 서로 과제물과 피드백들을 서로 공유하고 회고하는 시간을 가졌었는데 팀원들 대부분 나와 같은 방향성으로 과제를 풀어갔었던 게 기억에 남았고 신기했다. 다음주부터 시작 될 팀 과제가 기대된다!
우선 이번주 과제부터 잘하자..ㅜ
