🔥 0. 전체 구조 먼저 잡아라 (이거 안 잡으면 망함)
시험은 결국 이 흐름에서 꼬아서 나옴:
👉 AI → 머신러닝 → 딥러닝 → 신경망 → 학습 → 문제 (과적합 등)
1️⃣ 인공지능 기본 개념 (1주차)
✔ 인공지능(AI)
- 인간처럼 학습, 판단, 문제 해결 하는 기술
- 예: 추천 알고리즘, 자율주행, 이미지 인식
✔ 범주 구조 (시험 단골)
- AI ⊃ 머신러닝 ⊃ 딥러닝
✔ 전통 프로그래밍 vs 머신러닝
- 전통: 규칙 직접 작성 (레시피)
- 머신러닝: 데이터로 규칙 학습
👉 시험 포인트
- “차이 설명하시오” → 무조건 나옴
2️⃣ 딥러닝 & 신경망 구조 (2주차)
✔ 인공신경망(ANN)
- 뉴런(노드)들이 연결된 구조
- 입력층 / 은닉층 / 출력층
✔ 딥러닝(DNN)
- 은닉층이 여러 개 = 깊은 신경망
🔥 핵심: 가중치 + 편향 (시험 100% 나온다)
✔ 가중치 (Weight)
- 입력값의 중요도
- “얼마나 크게 반영할지”
✔ 편향 (Bias)
- 기준값 조정 (threshold)
- 활성화 기준을 이동시킴
👉 한 줄 요약
- 가중치 = 영향력
- 편향 = 기준 이동
👉 문제 스타일
- “가중치와 편향 역할 설명하시오”
- “출력 계산 과정 설명하시오”
3️⃣ 신호 전달 과정 (중요)
입력 → (가중치 곱) → 합 → (편향 더함) → 활성화 함수 → 출력
👉 여기서 틀리면 그냥 시험 끝임ㅋㅋ
4️⃣ 활성화 함수 (핵심 중 핵심)
✔ 왜 쓰냐?
- 선형이면 학습 못함 → 비선형성 추가
✔ 주요 활성화 함수
1. 시그모이드
- 출력: 0 ~ 1
- 이진 분류
2. ReLU
- 음수 → 0
- 양수 → 그대로
👉 요즘 기본
🔥🔥🔥 3. 소프트맥스 (시험 확정)
✔ Softmax
- 여러 클래스 확률로 변환
- 출력값 합 = 1
👉 예:
[2, 1, 0] → 확률 [0.7, 0.2, 0.1]
✔ 어디서 쓰냐?
- 다중 분류 문제 (핵심)
👉 시험 포인트
- “소프트맥스 정의”
- “왜 분류에서 쓰는지”
- “출력 특징 설명”
5️⃣ 과적합 (Overfitting) 🔥🔥🔥
✔ 정의
- 학습 데이터만 잘 맞고
- 새로운 데이터는 못 맞춤
✔ 원인
- 데이터 부족
- 모델 너무 복잡
- 과도한 학습
✔ 해결 방법
- 데이터 증가
- 정규화
- Dropout
👉 시험 포인트
- “개념 + 원인 + 해결” 세트로 나옴
6️⃣ 데이터 & 전처리 (3주차)
✔ 데이터 종류
- 정형 / 비정형 / 반정형
✔ 데이터 구조
- Row = 데이터 하나
- Column = 특징(feature)
✔ 배열/차원
- shape 중요
7️⃣ CNN (4주차)
✔ 왜 등장?
- 기존 DNN → 이미지 처리 비효율
✔ 핵심 개념
- 이미지 특징 추출
✔ 특징
- 합성곱(Convolution)
- 부분 패턴 인식
👉 시험 포인트
- DNN vs CNN 차이
8️⃣ GAN (5주차)
✔ 구조
- Generator (생성)
- Discriminator (판별)
✔ 핵심
- 서로 경쟁하면서 학습
👉 시험 포인트
- “구조 설명”
- “목적 설명”
9️⃣ 토큰화 & 임베딩 (6주차)
✔ 토큰화
- 문장을 단어/단위로 나눔
✔ 방식
- 단어 단위
- 음절 단위
- 서브워드
✔ 임베딩
- 단어 → 숫자 벡터
👉 시험 포인트
- “왜 필요한지 설명”
💣 예상 문제 10개 찍어준다
- 인공지능과 머신러닝의 차이를 설명하시오
- 가중치와 편향의 역할을 설명하시오
- 신경망에서 신호 전달 과정을 설명하시오
- 활성화 함수의 필요성을 설명하시오
- 소프트맥스 함수의 특징과 사용 이유를 설명하시오
- 과적합이란 무엇이며 해결 방법을 쓰시오
- CNN이 기존 DNN보다 좋은 이유는 무엇인가
- GAN의 구조와 학습 방식 설명
- 토큰화란 무엇이며 왜 필요한가
- 데이터의 Row와 Column의 의미 설명
🧠 마지막 핵심 요약 (이거 암기해라)
- 가중치 = 중요도
- 편향 = 기준 이동
- 활성화 함수 = 비선형성
- Softmax = 확률 분류
- 과적합 = 학습만 잘함 → 일반화 실패