 |
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
|
|
 |
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
|
|
 |
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
|
|
 |
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
|
|
 |
모델을 설계했고, 그 결과 그립 안정성이 크게 향상되었습니다.
5) 실패 경험을 말씀해 주세요.
처음에는 강화학습 모델의 학습 속도가 너무 느려 실제 적용이 어려웠습니다. 저는 보상 함수를 재설계하고 데이터 증강 기법을 적용하여 학습
|
|
 |
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
|
|
 |
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
|
|
메뉴펼치기
