AICE Associate 딥러닝 실전 교본

시험 형식·범위·시간 배분 파악

• AICE Associate 실기 시험의 문항 흐름과 채점 단위를 설명할 수 있다
• 시험 범위에 포함되는 딥러닝 주제와 범위 밖 주제를 구분할 수 있다
• 90분을 단계별로 배분하는 자기 기준을 세울 수 있다

도해 4개 · 확인 문제 4문항

딥러닝 이전 단계를 1개 챕터로 압축

• 결측치·이상치·인코딩·스케일링을 상황에 맞는 함수로 처리할 수 있다
• 데이터 누수 없이 학습/평가(테스트) 데이터를 분리하는 순서를 지킬 수 있다
• 머신러닝의 3줄 패턴과 딥러닝의 4단계 패턴의 차이를 설명할 수 있다

도해 7개 · 확인 문제 6문항

뉴런·층·활성화·순전파/역전파 직관

• 뉴런 하나의 계산(가중합 + 편향 → 활성화)을 그림과 수식 한 줄로 설명할 수 있다
• relu·sigmoid·softmax의 출력 범위와 사용 위치를 구분할 수 있다
• 순전파와 역전파가 한 epoch 안에서 반복되는 흐름을 설명할 수 있다

도해 6개 · 확인 문제 5문항

Sequential/Dense/출력층 설계

• Sequential과 Dense로 은닉층 2개 이상의 모델을 작성할 수 있다
• 입력 shape와 출력층(units·activation)을 문제 유형에 맞게 정할 수 있다
• Dropout·BatchNormalization을 올바른 위치에 넣고 summary()로 확인할 수 있다

도해 6개 · 확인 문제 6문항

optimizer·loss 선택, fit, history

• 문제 유형과 라벨 형태에 맞는 손실 함수를 선택할 수 있다
• fit의 epochs·batch_size·validation 인자를 의도에 맞게 설정할 수 있다
• history로 학습 곡선을 그리고 학습 진행 상태를 읽을 수 있다

도해 6개 · 확인 문제 6문항

학습 곡선, Dropout, 콜백

• 학습 곡선을 보고 과적합·과소적합·정상 학습을 판별할 수 있다
• Dropout이 학습과 추론에서 다르게 동작한다는 점을 설명할 수 있다
• EarlyStopping·ModelCheckpoint를 시험 표준 인자로 적용할 수 있다

도해 6개 · 확인 문제 5문항

evaluate/predict, 분류·회귀 지표

• evaluate와 predict의 반환값 차이를 알고 목적에 맞게 쓸 수 있다
• 확률 예측값을 임계값·argmax로 클래스 라벨로 변환할 수 있다
• 혼동 행렬과 classification_report, 회귀 지표를 해석할 수 있다

도해 6개 · 확인 문제 5문항

3종 end-to-end 템플릿 + 오류 대응

• 이진분류·다중분류·회귀 각각의 end-to-end 코드를 처음부터 끝까지 작성할 수 있다
• 세 유형에서 달라지는 지점(출력층·loss·평가지표)만 정확히 교체할 수 있다
• 시험장에서 만나는 대표 오류를 메시지만 보고 원인과 조치를 판단할 수 있다

도해 5개 · 확인 문제 5문항