서강대 인공지능 딥러닝 과제 및 시험 문제 정리

문서 내 토픽

1. AI, 머신러닝, 딥러닝의 관계

AI는 인간의 지능을 모방하는 광범위한 분야입니다. 머신러닝은 AI의 하위 분야로 데이터로부터 학습하여 성능을 개선하는 알고리즘을 다룹니다. 딥러닝은 머신러닝의 한 종류로 여러 층의 인공 신경망을 사용하여 복잡한 패턴을 학습합니다. 이들은 포함 관계에 있으며 딥러닝은 머신러닝의 일부이고 머신러닝은 AI의 일부입니다.
2. RNN 기반 시계열 예측 모델

LSTM, GRU, BLSTM, Multi-Layer RNN 등 RNN 계열 모델을 테슬라 주가 데이터에 적용하여 성능을 비교합니다. 2021년 1월부터 2024년 11월까지의 데이터를 70% 훈련, 15% 검증, 15% 테스트로 분리하여 모델을 평가합니다. Multi-Layer RNN이 모든 성능 지표에서 가장 우수한 성능을 보였으며 R² 값이 0.9318로 높은 설명력을 나타냅니다.
3. 감정분석을 반영한 주가 예측

investing.com에서 크롤링한 테슬라 관련 뉴스 971건에 대해 TextBlob 라이브러리를 사용하여 감정분석을 수행합니다. 감정 점수를 -1에서 1까지로 계산하여 주가 예측 모델에 포함시킵니다. 감정분석을 반영한 GRU 모델이 가장 좋은 성능을 보이며 R² 값이 0.9277로 나타납니다.
4. 당뇨병 예측 신경망 모델

8개의 건강 관련 특성을 사용하여 당뇨병 여부를 예측하는 이진 분류 모델을 개발합니다. KNN 임퓨터를 사용하여 결측값을 처리하고 MinMaxScaler로 정규화합니다. 최종 모델은 16개와 8개 뉴런의 은닉층, L2 정규화, 30% 드롭아웃을 적용하여 80.70%의 테스트 정확도를 달성합니다.

Easy AI와 토픽 톺아보기

1. AI, 머신러닝, 딥러닝의 관계

AI, 머신러닝, 딥러닝은 포함 관계를 가진 계층적 개념입니다. AI는 인간의 지능을 모방하는 광범위한 분야이며, 머신러닝은 AI를 구현하는 핵심 기술로 데이터로부터 패턴을 학습합니다. 딥러닝은 머신러닝의 한 분야로 인공신경망을 활용하여 복잡한 비선형 관계를 학습합니다. 현대 AI의 발전은 주로 딥러닝의 성공에 기인하며, 이미지 인식, 자연어 처리 등 다양한 분야에서 뛰어난 성능을 보여줍니다. 이 세 개념을 명확히 이해하는 것은 AI 기술을 올바르게 적용하고 발전시키는 데 필수적입니다.
2. RNN 기반 시계열 예측 모델

RNN은 시계열 데이터의 시간적 의존성을 효과적으로 포착하는 강력한 모델입니다. 순환 구조를 통해 이전 정보를 기억하고 현재 예측에 반영할 수 있습니다. LSTM과 GRU 같은 개선된 변형들은 장기 의존성 문제를 해결하여 더욱 정확한 예측을 가능하게 합니다. 다만 계산 복잡도가 높고 긴 시퀀스에서 학습이 어려울 수 있습니다. 최근 Transformer 기반 모델들이 등장하면서 RNN의 한계를 보완하고 있지만, RNN은 여전히 시계열 예측에서 중요한 역할을 하며 특정 상황에서는 더 효율적일 수 있습니다.
3. 감정분석을 반영한 주가 예측

감정분석을 주가 예측에 통합하는 것은 시장의 심리적 요인을 정량화하는 혁신적인 접근입니다. 뉴스, SNS, 리포트 등에서 추출한 감정 정보는 투자자의 심리 상태를 반영하며 주가 변동에 영향을 미칩니다. 그러나 감정분석의 정확도, 시간차 문제, 그리고 감정과 실제 주가의 인과관계 규명이 과제입니다. 또한 시장 효율성 가설에 따르면 모든 공개 정보가 이미 주가에 반영되어 있을 수 있습니다. 감정분석은 보조적 지표로 활용할 가치가 있지만, 기술적·기본적 분석과 함께 종합적으로 고려해야 신뢰할 수 있는 예측 모델을 구축할 수 있습니다.
4. 당뇨병 예측 신경망 모델

신경망을 이용한 당뇨병 예측은 의료 진단의 정확성과 효율성을 크게 향상시킬 수 있는 유망한 기술입니다. 다양한 임상 지표들 간의 복잡한 비선형 관계를 학습하여 조기 진단과 예방에 도움을 줄 수 있습니다. 그러나 의료 데이터의 개인정보 보호, 모델의 해석 가능성 부족, 그리고 임상적 검증의 필요성이 중요한 고려사항입니다. 또한 데이터 불균형, 과적합 위험, 그리고 다양한 인구집단에 대한 일반화 성능도 확보해야 합니다. 신경망 모델은 의료 전문가의 판단을 보조하는 도구로 활용될 때 가장 효과적이며, 규제 승인과 임상 검증을 거쳐야 실제 의료 현장에 적용될 수 있습니다.