 |
학습을 적용할 때 가장 주의해야 할 점은 '유저 경험을 해치지 않는 것'이라고 생각합니다. 강화학습 모델이 최적화된 결과를 도출해도, 그것이 플레이어에게 불합리하거나 불쾌한 경험을 주면 오히려 게임 전체의 재미를 훼손할 수 있습니다
|
|
 |
디지털 학습 도구와 혼합형 학습 모델을 도입하여 직원들이 보다 쉽게 학습할 수 있도록 했습니다. 이를 위해 외부 전문가와 협력하고, 전문적인 교육 콘텐츠를 수집하여 직원들이 업무에 바로 적용할 수 있는 실질적인 내용을 제공하려 했습
|
|
 |
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
|
|
 |
모델을 학습·평가하는 일련의 과정을 실제로 경험해 볼 수 있었습니다.
또한 졸업 이후에는 AI 관련 스타트업 인턴으로 참여하며 고객 데이터 기반 추천 시스템 개발 보조 역할을 수행한 바 있으며, 팀 내에서 데이터 클렌징과 전처리를 맡아
|
|
 |
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
|
|
 |
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
|
|
 |
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
|
|
 |
이 프로젝트에서는 기계 학습 모델을 구현하는 데 필요한 수학적 기초와 프로그래밍 능력을 함께 익히는 기회를 가졌습니다. 저는 파이썬과 TensorFlow를 활용하여 데이터 분석 및 예측 모델을 개발하는 역할을 맡았습니다. 프로젝트 중간에 예
|
|
 |
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
|
|
메뉴펼치기
