 |
대학 출신 지원자는 지도교수를 어떻게 정해야 하나? 216
마. 스스로 찾을 수 있는 [지식]을 연구하는 과정 217
나. 특수대학원 코스의 장단점 217
? 대학원 면접에 필수 준비사항 218
가. 대학교 혹은 대학원의 교육목표/교육철학 218
나
|
|
 |
학습 기반 최적화 연구를 더욱 심화할 계획입니다. 박사 과정에서는 강화학습을 활용한 의사결정 모델, 생성 모델을 활용한 데이터 최적화, 대규모 AI 시스템 개발 등에 대한 연구를 수행하고, 이를 통해 AI 및 데이터 최적화 분야에서 새로운
|
|
 |
기반 환경에서 scapy, pandas 등 라이브러리를 사용해 대량의 패킷 데이터를 가공하고, 시계열 성격을 반영한 RNN 모델을 커스터마이징했습니다. 학습 구조는 기존 영상 분석 모델과 달리, 네트워크 트래픽의 특성을 반영해 입력 구조를 재정립하
|
|
 |
이를 기반으로 AI 모델을 학습시키는 일을 맡았습니다. 이를 통해 머신러닝 알고리즘의 이해는 물론, 데이터 전처리, 특징 엔지니어링, 모델 평가 등 전반적인 데이터 분석 및 모델 개발 과정에 대한 실무 경험을 쌓았습니다.
나. IoT 시스템 및
|
|
 |
모델 학습에 필요한 데이터를 빠르게 확보할 수 있었고, 기존 데이터셋의 부족한 부분을 보완할 수 있었습니다. 또한, 데이터셋 변경 후에는 새로운 데이터를 기반으로 다시 모델을 학습시키면서 예측 정확도를 기존보다 25% 이상 향상시켰습
|
|
 |
모델링에서는 Python이 더 범용적으로 활용되고 있다고 생각합니다. SQL은 데이터베이스 관리와 쿼리 작성에 필수적이라 함께 사용하고 있습니다.
9) 데이터 기반 의사결정이 제조업 현장에서 왜 중요한가요?
제조업 현장은 복잡하고 다양한 변
|
|
 |
학습하며, 데이터 전처리, 모델 학습, 성능 검증 등 실무 기반을 다질 것입니다. 중장기적으로는 Transformer 기반 모델이나 멀티모달 인식 기술 등 최신 연구 성과를 적용하여 성능을 고도화하겠습니다. 장기적으로는 자율주행 레벨4·5 구현에
|
|
 |
모델의 성능을 정량적으로 평가하기 위해 Precision-Recall Curve 및 ROC Curve를 활용하여 모델의 이상 탐지 성능을 최적화하였습니다.
결과적으로, 기존 대비 이상 탐지 정확도를 20% 향상시킬 수 있었으며, 실험 결과를 기반으로 더욱 신뢰할 수 있
|
|
 |
도전과 혁신 측면에서, 저는 기존 기술을 뛰어넘는 혁신적인 해결책을 모색하며 새로운 기술을 도입하는 데 주저하지 않았습니다. 예를 들어, AI 비전 시스템을 구축할 때, 기존의 규칙 기반 시스템을 기계 학습 모델로 개선하여, 결함 인식 정
|
|
 |
모델 학습을 위한 기반을 다졌습니다.
모델링 과정에서는 Random Forest, XGBoost, Logistic Regression 등을 활용해 성능을 비교했으며, 최종적으로는 F1-score가 가장 높았던 XGBoost를 선택했습니다. 모델의 해석력을 높이기 위해 SHAP 값을 활용하여 예측에
|
|
메뉴펼치기
