AICE Associate 딥러닝 실전 교본목차

부록 B

시험장 직전 10분 치트시트

시험 시작 전 마지막 10분에 위에서 아래로 한 번 훑고, 시험 중에는 막힐 때마다 이 페이지로 돌아오십시오. 유형별 출력층·loss, 빈출 에러 5가지의 10초 해결 코드, 1~14번 표준 변수명과 첫 셀 임포트 블록, 신규 샘플 예측 4줄 공식, 90분 시간 배분과 제출 전 점검만 한 장에 모았습니다. 인쇄(A4)하면 그대로 한 장짜리 시트가 됩니다.

① 문제 유형별 한눈에 보기

유형라벨 형태출력층 Dense(units, activation)lossmetricspredict 후처리주요 평가 함수
이진분류0/1 정수 (N,)Dense(1, activation='sigmoid')'binary_crossentropy'['accuracy'](pred > 0.5).astype(int).flatten()accuracy_score, classification_report, confusion_matrix
다중분류
(원-핫 라벨)
원-핫 (N, K)
to_categorical(y, K)
Dense(n_classes, activation='softmax')'categorical_crossentropy'['accuracy']np.argmax(pred, axis=1)classification_report, confusion_matrix (정답도 np.argmax(y_test, axis=1)로 환원)
다중분류
(정수 라벨)
0~K-1 정수 (N,)Dense(n_classes, activation='softmax')'sparse_categorical_crossentropy'['accuracy']np.argmax(pred, axis=1)classification_report, confusion_matrix
회귀연속값 (N,)Dense(1) (활성화 없음)'mse'['mae']pred.flatten()r2_score, mean_absolute_error

세 줄만 바뀐다. 유형이 바뀌어도 전처리, 은닉층, 콜백, fit은 그대로입니다. 바꿀 곳은 마지막 Dense, loss, metrics 세 줄이고, 예측 후처리 한 줄이 따라옵니다. 다중분류(정수 라벨) 출력층 units는 len(np.unique(y_train))로 계산합니다(이진분류는 1, 회귀는 1).

Sequential API

model = Sequential()
model.add(Input(shape=(X_train_scaled.shape[1],)))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

Functional API (같은 모델)

inputs = Input(shape=(X_train_scaled.shape[1],))
x = Dense(64, activation='relu')(inputs)
x = Dropout(0.3)(x)
x = Dense(32, activation='relu')(x)
outputs = Dense(1, activation='sigmoid')(x)
model = Model(inputs=inputs, outputs=outputs)
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

② 시험장 빈출 에러 메시지 5선

메시지는 TensorFlow 2.21 / Keras 3.15 / pandas 3 / scikit-learn 1.9 에서 실제로 재현한 원문입니다(길면 …로 줄임). 구버전 환경은 문구가 조금 다를 수 있으나 원인과 해결은 같습니다.

1Shape mismatch

ValueError: Input 0 with name 'None' of layer 'dense' is incompatible with the layer: expected axis -1 of input shape to have value 12, but received input with shape (None, 13)

ValueError: Arguments `target` and `output` must have the same rank (ndim). Received: target.shape=(None,), output.shape=(None, 3)

ValueError: Per-column arrays must each be 1-dimensional

원인 위부터 순서대로: Input(shape) 숫자와 실제 열 수가 다름 / 정수 라벨(N,)에 categorical_crossentropy (원-핫이면 반대로 sparse 오류) / predict 결과 (N,1)을 그대로 표에 넣음.

10초 해결 코드

model.add(Input(shape=(X_train_scaled.shape[1],)))
loss='sparse_categorical_crossentropy'   # 정수 라벨
pd.DataFrame({'actual': y_test, 'pred': pred.flatten()})

2Unrecognized keyword

ValueError: Unrecognized keyword arguments passed to Dense: {'activaton': 'relu'}

ValueError: Argument(s) not recognized: {'lr': 0.001}

TypeError: Trainer.compile() got an unexpected keyword argument 'metric'. Did you mean 'metrics'?

원인 인자 이름 오타, 또는 Keras 3에서 사라진 옛 이름(lr 대신 learning_rate). 메시지의 중괄호 안에 틀린 이름이 그대로 적혀 있습니다.

10초 해결 코드

Dense(8, activation='relu')
Adam(learning_rate=0.001)
model.compile(optimizer='adam', loss='mse', metrics=['mae'])

3DataFrame에 문자열이 남음 (object dtype)

ValueError: Invalid dtype: str (DataFrame을 fit에 직접 넣을 때)

ValueError: Invalid dtype: object (df.values를 넣을 때)

ValueError: could not convert string to float: 'Yes' (스케일러에 넣을 때. DataFrame을 fit에 넣을 때도 컬럼 순서에 따라 이 메시지로 표시될 수 있음)

원인 범주형 열을 인코딩하지 않았습니다. 숫자 배열이어야 하는 자리에 문자열 열이 남아 있습니다.

10초 해결 코드

print(df.select_dtypes(exclude='number').columns)
X = pd.get_dummies(X, dtype=int)
X = X.astype('float32')

4NaN loss

4/4 - 1s - 126ms/step - accuracy: 0.6100 - loss: nan

원인 오류 없이 학습만 망가집니다. y 또는 X에 결측치(NaN)나 inf가 남았거나, 스케일링 없이 값이 매우 커서 발산한 경우입니다. 한 번 nan이 되면 이후 epoch에서도 회복되지 않습니다. 입력 X의 NaN은 relu에 가려 겉으로 안 드러나기도 하니 y까지 함께 확인하십시오.

10초 해결 코드

print(df.isnull().sum())
df = df.dropna()   # 또는 fillna(중앙값)
print(np.isfinite(X_train_scaled).all())

5metric 이름 오류

KeyError: 'val_acc' (history.history['val_acc'])

ValueError: EarlyStopping callback received monitor=val_acc, but Keras isn't able to automatically determine whether that metric should be maximized or minimized. …

UserWarning: Early stopping conditioned on metric `val_acc` which is not available. Available metrics are: accuracy,loss,val_accuracy,val_loss

원인 metrics=['accuracy']로 컴파일하면 기록 이름은 accuracy/val_accuracy입니다(acc 아님). val_로 시작하는 값은 validation_split(또는 validation_data)이 있어야 생깁니다.

10초 해결 코드

print(history.history.keys())
EarlyStopping(monitor='val_accuracy', mode='max', patience=5)
model.fit(..., validation_split=0.2)

③ 1~14번 문항별 표준 변수명

14문항은 앞 문항의 변수를 이어받는 하나의 파이프라인입니다. 지시문에 변수명이 있으면 그대로, 없으면 아래 이름을 끝까지 유지하십시오. 모델에 넣는 것은 언제나 _scaled 쪽입니다.

문항파트하는 일만들 변수명필수 import / 핵심 호출
1탐색·전처리임포트, CSV 로드, shape/info 확인df첫 셀 임포트 블록, pd.read_csv, df.shape, df.info()
2타깃 분포·결측 확인, 시각화 ①dfvalue_counts(), isnull().sum(), sns.countplot / sns.histplot
3시각화 ② (분포 비교·상관)dfsns.boxplot, sns.heatmap(df.corr(numeric_only=True), annot=True), plt.show()
4결측치 처리dfdf[col] = df[col].fillna(df[col].median()) / df = df.dropna()
5이상치 제거(IQR 등), 불필요 컬럼 제거dfquantile(0.25), quantile(0.75), 조건 필터, df.drop(columns=[...])
6범주형 인코딩dfpd.get_dummies(df, columns=[...], dtype=int) / LabelEncoder
7X·y 분리, 학습/테스트 분리, 스케일링X, y, X_train, X_test, y_train, y_test, scaler, X_train_scaled, X_test_scaledtrain_test_split(X, y, test_size=0.3, random_state=42, stratify=y) (stratify는 분류일 때만), scaler.fit_transform(X_train), scaler.transform(X_test)
8머신러닝DecisionTree 학습·평가dt_model, y_predDecisionTreeClassifier(random_state=42), fit, predict, accuracy_score
9RandomForest 학습·평가rf_model, y_predRandomForestClassifier(random_state=42), fit, predict
10XGBoost 또는 LightGBM 학습·평가, 세 모델 비교xgb_model (또는 lgbm_model)XGBClassifier(random_state=42) / LGBMClassifier, 정확도 세 개 나란히 print
11딥러닝 모델링모델 설계 + compilemodelSequential 또는 Model, Input(shape=(n,)), Dense, Dropout
12콜백 적용 학습es, mc, historyEarlyStopping, ModelCheckpoint('best_model.keras', ...), model.fit
13학습 곡선 시각화(history 사용)history.history['loss'], ['val_loss'], ['accuracy'], plt.plot, plt.legend()
14딥러닝 추론테스트 평가, 신규 샘플 예측pred, y_pred, new_data, new_scaled, new_predmodel.evaluate(X_test_scaled, y_test), model.predict, 아래 4줄 공식

첫 셀에 그대로 쓰는 임포트 블록

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, MinMaxScaler, LabelEncoder
from sklearn.metrics import (accuracy_score, classification_report,
                             confusion_matrix, mean_absolute_error, r2_score)
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Input, Dense, Dropout, BatchNormalization
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint
from tensorflow.keras.utils import to_categorical

8~10번 문항에서 추가: from sklearn.tree import DecisionTreeClassifier, from sklearn.ensemble import RandomForestClassifier, from xgboost import XGBClassifier (회귀 문제면 ...Regressor).

④ 콜백 · 신규 샘플 예측

콜백 한 쌍과 fit 한 줄

es = EarlyStopping(monitor='val_loss', patience=5,
                   restore_best_weights=True)
mc = ModelCheckpoint('best_model.keras',
                     monitor='val_loss', save_best_only=True)
history = model.fit(X_train_scaled, y_train,
                    validation_split=0.2, epochs=50,
                    batch_size=32, callbacks=[es, mc])

저장 형식은 .keras. 먼저 epochs=20으로 끝까지 한 번 완주시키고, 시간이 남으면 늘립니다.

신규 샘플 예측(유형 14) 4줄 공식

new_df = pd.get_dummies(pd.DataFrame([new_data]))
new_df = new_df.reindex(columns=X.columns, fill_value=0)
new_scaled = scaler.transform(new_df)
new_pred = model.predict(new_scaled)

이진은 (new_pred > 0.5).astype(int), 다중은 np.argmax(new_pred, axis=1), 회귀는 new_pred.flatten().

신규 데이터에는 절대 fit하지 않는다. scaler.fit_transform(new_df)는 샘플 한 건으로 평균·표준편차를 새로 계산하므로 값이 전부 0이 됩니다. 학습 때 만든 scaler로 transform만 하십시오. reindex(columns=X.columns, fill_value=0)는 학습 때와 같은 열 순서·개수를 맞추는 핵심 줄입니다.

⑤ 90분 시간 배분

  1. 40분탐색·전처리1~7번
  2. 15분머신러닝8~10번
  3. 18분DL 모델링11~13번
  4. 7분DL 추론14번
  5. 10분검토새 코드 금지

막히면 최소 형태로라도 다음 문항으로 넘어가십시오. 뒤 문항의 배점이 더 큽니다. 문항 수와 배점은 시험 회차에 따라 바뀔 수 있으니 반드시 KT AICE 공식 공지로 최신 정보를 확인하십시오.

⑥ 제출 전 6가지 점검

  1. 위에서부터 재실행 커널 재시작 후 전체 실행해도 끝까지 도는가
  2. 지시된 변수명 문제지의 이름과 코드의 이름을 눈으로 대조
  3. random_state 분리와 모델 인자가 지시한 값인가
  4. print() "출력하시오"에 화면 결과가 남아 있는가
  5. 저장 파일명 best_model.keras 확장자가 맞는가
  6. 남은 시간 배점 큰 미완성 문항부터, 구조 변경은 금지