 |
모델은 데이터 없이는 성능을 발휘할 수 없습니다. 데이터 엔지니어는 모델이 학습하고 예측하는 과정에 필요한 고품질 데이터를 안정적으로 제공하는 역할을 합니다. 저는 머신러닝 수업과 프로젝트 경험을 통해 데이터 불균형이나 품질 저
|
|
 |
모델을 개발했습니다. 의료 영상 데이터 전처리부터 모델 학습과 평가까지 전 과정을 직접 수행하며 실무 역량을 기를 수 있었습니다. 이 프로젝트를 통해 대규모 데이터 처리와 딥러닝 모델 구축, 성능 최적화 등의 기술을 익힐 수 있었습니
|
|
 |
모델이 학습 데이터에 너무 과도하게 적합해 새로운 데이터에 대한 일반화 성능이 떨어지는 현상입니다. 이를 방지하기 위해 교차검증, 정규화, 드롭아웃, 조기 종료(early stopping) 등의 기법을 사용합니다. 또한, 데이터 양을 늘리거나 불필요
|
|
 |
모델 학습에 영향을 미치지 않도록 했습니다.
두 번째 문제는 예측 성능의 저조였습니다. 처음 모델을 훈련시키고 예측을 해본 결과, 예측 정확도가 매우 낮았으며, 모델이 교통 패턴을 정확히 반영하지 못하는 문제가 발생했습니다. 저는 기
|
|
 |
학습 모델을 도입하는 것이었고, 둘째는 수십 년간 산업 현장에서 검증된 PID 제어 알고리즘을 기반으로 하되, 이를 저희 시스템에 맞게 최적화하는 것이었습니다. 저는 최종적으로 후자를 선택했습니다. 그 이유는, 우리의 목표가 학술적인
|
|
 |
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
|
|
 |
해 AI 모델의 학습에 필요한 데이터를 준비하고 분석할 수 있습니다.
넷째, API 개발 및 서비스 배포 경험이 있습니다. Flask, FastAPI 등을 사용하여 AI 모델을 RESTful API로 구현하고, 이를 클라우드 환경에 배포한 경험이 있습니다. 이러한 경험은 카
|
|
 |
coder, Isolation Forest)을 적용하여, 기존의 지도학습 모델보다 적은 이상 데이터로도 효과적인 탐지가 가능하도록 개선하였습니다.
3. 모델의 성능을 정량적으로 평가하기 위해 Precision-Recall Curve 및 ROC Curve를 활용하여 모델의 이상 탐지 성능을
|
|
 |
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
|
|
 |
행해보는 데서 멈추지 않고, Kaggle 대회의 간단한 데이터셋을 직접 활용하여 모델을 학습시켜본 경험이 있습니다. 이 과정에서 모델이 잘 작동하지 않는 이유를 찾아내고, 하이퍼파라미터를 조정하거나 다른 알고리즘을 적용해보는 과정이 단
|
|
메뉴펼치기
