๐ADsP. ์ 38 ํ ๊ธฐ์ถ ๋ฌธ์
๋ฌธ์ 1. ๋ฐ์ดํฐ๋ฒ ์ด์ค์ ๊ตฌ์ฑ์์์ ๋ํ ์ค๋ช ์ด๋ค. ๊ฐ๊ฐ ๋ฌด์์ ๋ํ ์ค๋ช ์ธ๊ฐ? ์ ๋ตํ์ธ
๊ฐ. ๋ฐ์ดํฐ๋ฅผ ์ค๋ช
ํด์ฃผ๋ ๋ฐ์ดํฐ๋ก ๋ฐ์ดํฐ์ ํน์ฑ, ๊ตฌ์กฐ, ์ ์ ๋ฐ ๊ด๋ฆฌ ์ ๋ณด๋ฅผ ์ค๋ช
ํ๋ ๋ฐ์ดํฐ
๋. ๋ฐ์ดํฐ๋ฅผ ๋น ๋ฅด๊ณ ์ฝ๊ฒ ์ฐพ์ ์ ์๊ฒ ํด์ฃผ๋ ์๋ฃ๊ตฌ์กฐ
1) ๊ฐ: ํ
์ด๋ธ, ๋: ์ธ๋ฑ์ค 2) ๊ฐ: ๋ฉํ๋ฐ์ดํฐ, ๋: ์ธ๋ฑ์ค 3) ๊ฐ: ๋ฉํ๋ฐ์ดํฐ, ๋: ์์ฑ 4) ๊ฐ: ํ ์ด๋ธ, ๋: ์์ฑ |
๋ฌธ์ 2. ๋ค์ ์ค ์์ฉDB๊ฐ ์๋ ๊ฒ์ ๋ฌด์์ธ๊ฐ? ์ ๋ตํ์ธ
1) DB2 2) Tableau 3) SQL Server 4) Oracle |
๋ฌธ์ 3. ๋ฐ์ดํฐ ํฌ๊ธฐ๋ฅผ ์์ ๊ฒ๋ถํฐ ํฐ ๊ฒ ์์๋ก ์ฌ๋ฐ๋ฅด๊ฒ ๋์ดํ ๊ฒ์? ์ ๋ตํ์ธ
1) PB < EB < ZB < YB 2) PB < YB < EB < ZB 3) YB < ZB < EB < PB 4) PB < ZB < EB < YB |
๋ฌธ์ 4. ๋ค์ ๋ฐ์ดํฐ๋ฒ ์ด์ค์ ํน์ง์ ๋ํ ์ค๋ช
์ค ์ณ์ง ์์ ๊ฒ์ ๋ฌด์์ธ๊ฐ? ์ ๋ตํ์ธ
1) ํตํฉ๋ ๋ฐ์ดํฐ๋ก ๋์ผํ ๋ด์ฉ์ ๋ฐ์ดํฐ๊ฐ ์ค๋ณต๋์ด ์ ์ฅ๋๋ค. 2) ์ ์ฅ๋ ๋ฐ์ดํฐ๋ก ์ปดํจํฐ๊ฐ ์ ๊ทผํ ์ ์๋ ์ ์ฅ๋งค์ฒด์ ์ ์ฅ๋๋ค. 3) ๊ณต์ฉ ๋ฐ์ดํฐ๋ก ์ฌ๋ฌ ์ฌ์ฉ์์๊ฒ ์๋ก ๋ค๋ฅธ ๋ชฉ์ ์ผ๋ก ๋ฐ์ดํฐ๊ฐ ๊ณต๋ ์ด์ฉ๋๋ค. 4) ๋ณํ๋๋ ๋ฐ์ดํฐ๋ก ํญ์ ๋ณํํ๋ฉด์๋ ํญ์ ํ์ฌ์ ์ ํํ ๋ฐ์ดํฐ๋ฅผ ์ ์งํด์ผ ํ๋ค. |
๋ฌธ์ 5. ๋ค์ ์ค ๋น ๋ฐ์ดํฐ ํ์ฉ์ ์ํ 3์์์ ๋ํ ๋ด์ฉ์ผ๋ก ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
1) ๋ฐ์ดํฐ : ๋ชจ๋ ๊ฒ์ ๋ฐ์ดํฐํ 2) ๊ธฐ์ : ์งํํ๋ ์๊ณ ๋ฆฌ์ฆ, ์ธ๊ณต์ง๋ฅ 3) ์ธ๋ ฅ : ๋ฐ์ดํฐ ์ฌ์ด์ธํฐ์คํธ, ์๊ณ ๋ฆฌ์ฆ๋ฏธ์คํธ 4) ํ๋ก์ธ์ค : ์ด์ ๊ณผ๋ ๋ค๋ฅธ ๋ฐ์ดํฐ ๊ด๋ฆฌ๋ฅผ ์ํ ์์ ์ ์ฐจ |
๋ฌธ์ 6. ๋ค์ ์ค ๋น ๋ฐ์ดํฐ๋ก ์ธํ ๋ณธ์ง์ ์ธ ๋ณํ๋ก ์ณ์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
๊ฐ. ์ด๋ฏธ ๊ฐ์น๊ฐ ์์ ๊ฒ์ด๋ผ๊ณ ์ ํด์ง ํน์ ํ ์ ๋ณด๋ง ๋ชจ์์ ์ฒ๋ฆฌํ๋ ๊ฒ์์ ๊ฐ๋ฅํ ๋ง์ ๋ฐ์ดํฐ๋ฅผ ๋ชจ์ผ๊ณ ๋ค์ํ ๋ฐฉ์์ผ๋ก ์กฐํฉํด ์จ์ ์ ๋ณด๋ฅผ ์ฐพ์๋ธ๋ค.
๋. ์ผ๋ถ ๋ฐ์ดํฐ์ ์ํ๋ง์ ํตํ ํ๋ณธ์กฐ์ฌ๋ฅผ ์ํํ๋ ํ๊ฒฝ์ผ๋ก ๋ณํ๋์๋ค.
๋ค. ์ง๋ณด๋ค ์์ ๊ด์ ์ ๊ฐ๋๋ค.
๋ผ. ์ธ๊ณผ๊ด๊ณ์ ์ํ ๋ฏธ๋ ์์ธก์ด ๋ฐ์ดํฐ ๊ธฐ๋ฐ์ ์๊ด๊ด๊ณ ๋ถ์์ ์ ์ ๋ ์๋ํ๋ ์ถ์ธ์ด๋ค.
1) ๊ฐ, ๋ 2) ๋, ๋ผ 3) ๊ฐ, ๋ค 4) ๋ค, ๋ผ |
๋ฌธ์ 7. ๋น ๋ฐ์ดํฐ์ ์๊ธฐ์์ธ์ด ์๋ ๊ฒ์? ์ ๋ตํ์ธ
1) ์ต๋ช
ํ 2) ์ฌ์ํ ์นจํด 3) ๋ฐ์ดํฐ ์ค์ฉ 4) ์ฑ ์์์น์ ํผ์ |
๋ฌธ์ 8. ๋ฐ์ดํฐ ์ฌ์ด์ธํฐ์คํธ๊ฐ ๊ฐ์ ธ์ผ ํ ์ญ๋ ์ค ์ข ๋ฅ๊ฐ ๋ค๋ฅธ ํ๋๋? ์ ๋ตํ์ธ
1) ๋ค๋ถ์ผ๊ฐ ํ๋ ฅ 2) ํต์ฐฐ๋ ฅ ์๋ ๋ถ์ 3) ์ค๋๋ ฅ ์๋ ์ ๋ฌ 4) ๋น ๋ฐ์ดํฐ์ ๋ํ ์ด๋ก ์ ์ง์ |
๋ฌธ์ 9. ๊ธฐ์ ์ด ์ธ๋ถ ๊ณต๊ธ์ ์ฒด ๋๋ ์ ํด์ ์ฒด์ ํตํฉ๋ ์ ๋ณด์์คํ ์ผ๋ก ์ฐ๊ณํ์ฌ ์๊ฐ๊ณผ ๋น์ฉ์ ์ต์ ํ ์ํค๊ธฐ ์ํ ์๋ฃจ์ ์ ๋ฌด์์ธ๊ฐ?
โ๏ธ
์ ๋ตํ์ธ
๋ฌธ์ 10. ๋ฐ์ดํฐ, ์ ๋ณด, ์ง์์ ํตํด ์ต์ข ์ ์ผ๋ก ์งํ๋ฅผ ์ป์ด๋ด๋ ๊ณผ์ ์ ๊ณ์ธต๊ตฌ์กฐ๋ก ์ค๋ช ํ๋ ๊ฒ์ ๋ฌด์์ธ๊ฐ?
โ๏ธ
์ ๋ตํ์ธ
๋ฌธ์ 11. ๋ฐ์ดํฐ ๋ถ์ ์์ค ์ง๋จ ๊ฒฐ๊ณผ์์ ๋ถ์ ์ค๋น๋์ ๋ถ์ ์ฑ์๋ ๋ ๋ค ๋ฎ์ ๊ฒฝ์ฐ์ ํด๋นํ๋ ๊ฒ์? ์ ๋ตํ์ธ
1) ์ ์ฐฉํ
2) ํ์ดํ
3) ์ค๋นํ
4) ๋์ ํ
๋ฌธ์ 12. ๋ค์ ์ค ๋น์ฆ๋์ค ๋ชจ๋ธ ์บ๋ฒ์ค๋ฅผ ํ์ฉํ ๊ณผ์ ๋ฐ๊ตด์ ์์ญ์ผ๋ก ํ๋ฆฐ๊ฒ์? ์ ๋ตํ์ธ
1) ํ์ 2) ์ ๋ฌด 3) ๊ณ ๊ฐ 4) ์ ํ |
๋ฌธ์ 13. ๋ค์ ๋ถ์๊ณผ์ ์ ์ฐ์ ์์ ์ ์ ๊ด๋ จ ์ค๋ช ์ค ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
1) ์ฐ์ ์์๋ฅผ ์๊ธ์ฑ์ ๋๋ค๋ฉด โ
ข - โ
ฃ - โ
ก ์์๋ก ์งํํ๋ค. 2) ์ฐ์ ์์๋ฅผ ๋์ด๋์ ๋๋ค๋ฉด โ ข - โ - โ ก ์์๋ก ์งํํ๋ค. 3) ์๊ธ์ฑ๊ณผ ๋์ด๋ ๋ ๋ค ๋์ ๊ฒ์ด ์ฐ์ ์์๊ฐ ๊ฐ์ฅ ๋๋ค. 4) ์๊ธ์ฑ์ ํ๋จ๊ธฐ์ค์ ์ ๋ต์ ์ค์๋๊ฐ ํต์ฌ์ด๋ค. |
๋ฌธ์ 14. ๋ค์ ๋ถ์ ์ฑ์๋ ๊ด๋ จ ๋ด์ฉ์ผ๋ก ์ณ์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
1) ์ ์ฌ ์
์ข
, ๊ฒฝ์์
์ฒด์์ ๋น๊ต ๋ถ์์ ํฌํจํ๋ค. 2) ์ฑ์๋ ์์ค์ ๋ฐ๋ผ ๋์ , ํ์ฉ, ํ์ฐ, ์ต์ ํ ๋จ๊ณ๋ก ๊ตฌ๋ถํด ์ดํด ๋ณผ ์ ์๋ค. 3) ์์คํ ๊ฐ๋ฐ ์ ๋ฌด๋ฅ๋ ฅ๊ณผ ์กฐ์ง์ ์ฑ์๋ ํ์ ์ ์ํด CMMI ๋ชจ๋ธ์ ํ์ฉํ์ฌ ๋ถ์ ์ฑ์๋๋ฅผ ํ๊ฐํ๋ค. 4) ๋ฐ์ดํฐ ๋ถ์ ์์ค ์ง๋จ์ ๋ถ์ ์ค๋น๋์ ๋ถ์ ์ฑ์๋๋ฅผ ํจ๊ป ํ๊ฐํจ์ผ๋ก์จ ์ํ๋ ์ ์๋ค. |
๋ฌธ์ 15. ๋ถ์ ๋ง์คํฐํ๋ ์๋ฆฝ ์ ์ ์ฉ ๋ฒ์/๋ฐฉ์์ ๊ณ ๋ ค์์๊ฐ ์๋ ๊ฒ์? ์ ๋ตํ์ธ
1) ์
๋ฌด ๋ด์ฌํ ์ ์ฉ ์์ค 2) ๋ถ์ ๋ฐ์ดํฐ ์ ์ฉ ์์ค 3) ๊ธฐ์ ์ ์ฉ ์์ค 4) ์คํ ์ฉ์ด์ฑ |
๋ฌธ์ 16. ๋ฐ์ดํฐ ๋ถ์์ ์ํ ๋ถ์ ์ ๋ฌด ์กฐ์ง ๊ตฌ์กฐ์ ๋ํ ์ค๋ช ์ผ๋ก ์ณ์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
1) ์ง์คํ ์กฐ์ง ๊ตฌ์กฐ๋ ์ผ๋ถ ํ์
๋ถ์์ ๋ถ์ ์
๋ฌด๊ฐ ์ค๋ณต ๋๋ ์ด์ํ๋ ๊ฐ๋ฅ์ฑ์ด ์๋ค. 2) ๊ธฐ๋ฅ ์ค์ฌ ์กฐ์ง ๊ตฌ์กฐ๋ ์ ์ฌ์ ๊ด์ ์์ ํต์ฌ ๋ถ์์ด ์ด๋ ต๋ค. 3) ๋ถ์ฐ ์กฐ์ง ๊ตฌ์กฐ๋ ๋ถ์ ๊ฒฐ๊ณผ ์ค๋ฌด ์ ์ฉ์ ๋ํ ๋์์ด ๋๋ฆฌ๋ค. 4) ๋ถ์ ์กฐ์ง์ ์ธ๋ ฅ๋ค์ด ํ์ ๋ถ์์ ๋ฐฐ์น๋์ด ์ ๋ฌด๋ฅผ ์ํํ๋ ๊ฒ์ ๋ถ์ฐ ์กฐ์ง ๊ตฌ์กฐ์ด๋ค. |
๋ฌธ์ 17. ๋ถ์ ํ์ฉ ์๋๋ฆฌ์ค์ ๋ํ ์ค๋ช ์ผ๋ก ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
1) ๋ฐ์ดํฐ ํ๋ณด๊ฐ ๊ฐ์ฅ ์ค์ํ๋ค. 2) ๋ฐ์ดํฐ ๋ถ์์ ํน์ ๋ชฉ์ ์ ๋ง๊ฒ ํ์ฉํ๋ ๋ฐฉ๋ฒ ๋๋ ๊ณํ์ ์๋ฏธํ๋ค. 3) ๋ถ์ ๋ชฉํ์ ๋ถ์ ๋ฐฉ๋ฒ์ ์ค๋ช ํ๊ณ ์์ ๊ฒฐ๊ณผ๋ฅผ ์ ์ํ๋ ๋ฌธ์์ด๋ค. 4) ํ๋ก์ ํธ ์งํ ์ค์๋ ๋ณ๊ฒฝ๋ ์ ์๋ค. |
๋ฌธ์ 18. ๋ถ์ ๊ธฐํ ์ ๊ณ ๋ คํด์ผ ํ ๊ฒ์ผ๋ก ์ ์ ํ์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
1) ๋ฐ์ดํฐ ํ๋ณด๊ฐ ๋ ์ ์๋์ง, ๋ฐ์ดํฐ ์ ํ์ ๋ํ ๋ถ์์ด ํ์ํ๋ค. 2) ๋น์ฉ๋ณด๋ค ๋ถ์๋ ฅ์ ์ต์ฐ์ ํด์ผ ํ๋ค. 3) ๊ธฐ์กด์ ์ ๊ตฌํ๋์ด ํ์ฉ๋๊ณ ์๋ ์ ์ฌ ์๋๋ฆฌ์ค ๋ฐ ์๋ฃจ์ ์ ์ต๋ํ ํ์ฉํ๋ค. 4) ์ฅ์ ์์์ ๋ํ ์ฌ์ ๊ณํ ์๋ฆฝ์ด ๊ณ ๋ ค ๋์ด์ผ ํ๋ค. |
๋ฌธ์ 19. ์๋ ์ค๋ช ์ ๋ต์ ์์ฑํ์์ค. ์ ๋ตํ์ธ
[์ค๋ช
]
๋ฐ์ดํฐ ๋ถ์ ์ค๋น๋ ํ๋ ์์ํฌ ์์ ์ด์ ์์คํ
๋ฐ์ดํฐ ํตํฉ, EAI,
ETL ๋ฑ ๋ฐ์ดํฐ ์ ํต์ฒด๊ณ, ๋ถ์ ์ ์ฉ ์๋ฒ ๋ฐ ์คํ ๋ฆฌ์ง, ๋น
๋ฐ์ดํฐ ๋ถ์ ํ๊ฒฝ,
๋น์ฃผ์ผ ๋ถ์ ํ๊ฒฝ ๋ฑ๊ณผ ๊ด๋ จ๋ ํญ๋ชฉ์ ๋ฌด์์ธ๊ฐ?
โ๏ธ
๋ฌธ์ 20. ์๋ ์ค๋ช ์ ์ฝ๊ณ ๋น์นธ ( ? ) ์ ์์ฑํ์์ค. ์ ๋ตํ์ธ
[์ค๋ช
]
๋ค์์ ๋น์นธ์ ์๋ง์ ์ฉ์ด๋ ๋ฌด์์ธ๊ฐ?
๊ธฐ์กด์ ๋
ผ๋ฆฌ์ ์ธ ๋จ๊ณ๋ณ ์ ๊ทผ๋ฒ์ ๊ธฐ๋ฐํ ๋ฌธ์ ํด๊ฒฐ ๋ฐฉ์์ ์ต๊ทผ ๋ณต์กํ๊ณ
๋ค์ํ ํ๊ฒฝ์์ ๋ฐ์ํ๋ ๋ฌธ์ ์ ์ ํฉํ์ง ์์ ์ ์๋ค.
์ด๋ฅผ ํด๊ฒฐํ๊ธฐ ์ํด ( ? )์ ๊ทผ๋ฒ์ ํตํด ์ ํต์ ์ธ ๋ถ์์ ์ฌ๊ณ ๋ฅผ ๊ทน๋ณตํ๋ ค๊ณ ํ๋ค.
์ด ์ ๊ทผ๋ฒ์ ์ํฅ์ ๋ฐฉ์์ ๋ฐ์ฐ๋จ๊ณ์ ๋์ถ๋ ์ต์
์ ๋ถ์ํ๊ณ ๊ฒ์ฆํ๋
ํํฅ์ ์ ๊ทผ ๋ฐฉ์์ ์๋ ด๋จ๊ณ๋ฅผ ๋ฐ๋ณตํ์ฌ ๊ณผ์ ๋ฅผ ๋ฐ๊ตดํ๋ค.
โ๏ธ
๋ฌธ์ 21. ์๋ฉด์ ๋์ ๋ฐ์ดํฐ๋ฅผ ํตํ t-test ๊ฒฐ๊ณผ์ด๋ค. ๋ค์ ์ค ๊ฒฐ๊ณผ ํด์์ด ์ ์ ํ์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
> t.test(extra~group, data=sleep, var.equal=TRUE)
Two Sample t-test
data: extra by group
t = -1.8608, df = 18, p-value = 0.07919
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-3.363874 0.203874
sample estimates:
mean in group 1 mean in group 2
0.75 2.33
1) ์๋ฉด์ ๋์ 2๊ฐ ์๋ฉด์ ๋์ 1๋ณด๋ค ํจ๊ณผ์ ์ด๋ค. 2) ์ ์์์ค 0.05์ดํ์์ ๋ ์ง๋จ์ ํ๊ท ์ด ๋์ผํ๋ค๋ ๊ท๋ฌด๊ฐ์ค์ ์ฑํํ ์ ์๋ค. 3) ๋ ๊ฐ์ ํ๋ณธ์ง๋จ์ด ํฌ๊ธฐ๊ฐ ํด ๊ฒฝ์ฐ(N>30) ์ง๋จ์ ์ ๊ท์ฑ ๊ฒ์ ์์ด ์ด ํ๋ณธ t๊ฒ์ ์ ์ฌ์ฉํ ์ ์๋ค. 4) ๋ ๋ฆฝํ๋ณธ t ๊ฒ์ ๋ถ์ ์ ์ ๋ฑ๋ถ์ฐ ๊ฒ์ ์ ์ค์ํ๋ค. |
๋ฌธ์ 22. ๋ค์ ์ค ๋ถ๋ฅ ๋ชจํ ํ๊ฐ์ ์ฌ์ฉ๋๋ ๋๊ตฌ๊ฐ ์๋ ๊ฒ์? ์ ๋ตํ์ธ
1) ROC ๊ทธ๋ํ 2) ๋ด๋๋ก๊ทธ๋จ 3) ํฅ์๋ ๊ณก์ 4) ์ด์ต๋ํ |
๋ฌธ์ 23. ์ฆ๊ฑฐ๊ฐ ํ์คํ ๋ ๊ฐ์ค๊ฒ์ ์ผ๋ก ์ฆ๋ช ํ๊ณ ์ ํ๋ ๊ฒ์? ์ ๋ตํ์ธ
1) ๊ท๋ฌด๊ฐ์ค 2) ์๊ฐ์ค 3) ๋๋ฆฝ๊ฐ์ค 4) ๊ธฐ๊ฐ๊ฐ์ค |
๋ฌธ์ 24. ๋ค์ ์ค ์ฑ๊ฒฉ์ด ๋ค๋ฅธ ํ๊ฐ์ง๋ ๋ฌด์์ธ๊ฐ? ์ ๋ตํ์ธ
1) K-means 2) Single Linkage Method n 3) DBSCAN 4) ์ฃผ์ฑ๋ถ ๋ถ์ |
๋ฌธ์ 25. ๋ค์ ์ค ์คํผ์ด๋ง ์๊ด๊ณ์ ๊ด๋ จ ์ค๋ช ์ผ๋ก ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
1) ์คํผ์ด๋ง ์๊ด๊ณ์๋ ๋น์ ํ์ ์ธ ๊ด๊ณ๋ฅผ ๋ํ๋ผ ์ ์๋ค. 2) ๋์์๋ฃ๋ ์์ด์ฒ๋๋ฅผ ์ฌ์ฉํ๋ค. 3) ์์ ๋ฐ์ดํฐ๊ฐ ์๋๋ผ ๊ฐ ๋ณ์์ ๋ํด ์์๋ ๋งค๊ธด ๊ฐ์ ๊ธฐ๋ฐ์ผ๋ก ํ๋ค. 4) ์ฐ์ํ ์ธ์ ์ด์ฐํ ๋ฐ์ดํฐ๋ ์ฌ์ฉ ๊ฐ๋ฅํ๋ค. |
๋ฌธ์ 26. ๋น์ง๋ ์ ๊ฒฝ๋ง์ผ๋ก ๊ณ ์ฐจ์์ ๋ฐ์ดํฐ๋ฅผ ์ดํดํ๊ธฐ ์ฌ์ด ์ ์ฐจ์์ ๋ด๋ฐ์ผ๋ก ์ ๋ ฌํ์ฌ ์ง๋์ ํํ๋ก ํ์ํ ํ๋ ์๊ณ ๋ฆฌ์ฆ์ ๋ฌด์์ด๋ผ๊ณ ํ๋๊ฐ? ์ ๋ตํ์ธ
1) SOM 2) DBSCAN 3) PCA 4) EM-์๊ณ ๋ฆฌ์ฆ |
๋ฌธ์ 27. ์๋์ ์ค๋ช ์ ํด๋นํ๋๊ฒ์ ๊ณ ๋ฅด์์ค. ์ ๋ตํ์ธ
[์ค๋ช
]
๊ณต๋ถ์ฐํ๋ ฌ ๋๋ ์๊ด๊ณ์ ํ๋ ฌ์ ์ฌ์ฉํด ๋ชจ๋ ๋ณ์๋ค์ ๊ฐ์ฅ ์ ์ค๋ช
ํ๋ ๋ณ์๋ฅผ ์ฐพ๋ ๋ฐฉ๋ฒ์ผ๋ก,
์๊ด๊ด๊ณ๊ฐ ์๋ ๋ณ์๋ค์ ์ ํ ๊ฒฐํฉ์ ์ํด ์๊ด๊ด๊ณ๊ฐ ์๋ ์๋ก์ด ๋ณ์๋ฅผ ๋ง๋ค๊ณ
๋ถ์ฐ์ ๊ทน๋ํํ๋ ๋ณ์๋ก ์ถ์ฝํ๋ ๋ฐฉ๋ฒ์ผ๋ก ์๋ก์ด ๋ณ์๋ค์ ๋ณ์๋ค์ ์ ํ๊ฒฐํฉ์ผ๋ก ์ด๋ฃจ์ด์ ธ ์๋ค.
1) ์์ธ ๋ถ์ |
2) ํ๊ท ๋ถ์ |
3) ์ฃผ์ฑ๋ถ ๋ถ์ |
4) ๋ค์ฐจ์ ์ฒ๋ |
๋ฌธ์ 28. ๋ค์ ์ค ํ๋ฅ ๋ฐ ํ๋ฅ ๋ถํฌ์ ๊ดํ ์ค๋ช ์ผ๋ก ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
1) (์ฌ๊ฑด A๊ฐ ์ผ์ด๋๋ ๊ฒฝ์ฐ์ ์) / (์ผ์ด๋ ์ ์๋ ๋ชจ๋ ๊ฒฝ์ฐ์ ์)๋ฅผ P(A)๋ผ ํ ๋ ์ด๋ฅผ A์ ์ํ์ ํ๋ฅ ์ด๋ผ ํ๋ค. 2) ํ ์ฌ๊ฑด A๊ฐ ์ผ์ด๋ ํ๋ฅ ์ P(A)๋ผ ํ ๋ N๋ฒ์ ๋ฐ๋ณต์ํ์์ ์ฌ๊ฑด A๊ฐ ์ผ์ด๋ ํ์๋ฅผ R์ด๋ผ ํ๋ฉด, ์๋๋์ R/N์ N์ด ์ปค์ง์ ๋ฐ๋ผ ํ๋ฅ P(A)์ ๊ฐ๊น์์ง์ ์ ์ ์๋ค. P(A)๋ฅผ ์ฌ๊ฑด A์ ํต๊ณ์ ํ๋ฅ ์ด๋ผ ํ๋ค. 3) ๋ ์ฌ๊ฑด A,B๊ฐ ๋ ๋ฆฝ์ผ ๋ ์ฌ๊ฑด B์ ํ๋ฅ ์ A๊ฐ ์ผ์ด๋ฌ๋ค๋ ๊ฐ์ ํ์์์ B์ ์กฐ๊ฑด๋ถ ํ๋ฅ ๊ณผ๋ ๋ค๋ฅด๋ค. 4) ํ๋ณธ๊ณต๊ฐ์์ ์์์ ์ฌ๊ฑด A๊ฐ ์ผ์ด๋ ํ๋ฅ P(A)๋ ํญ์ 0๊ณผ 1์ฌ์ด์ ์๋ค. |
๋ฌธ์ 29. ๋ค์์ TV๊ด๊ณ ์์ ๋ฐ๋ฅธ Sales์ ๋ํ ์ฐ์ ๋ ์ด๋ค. ์ด์ ๋ํ ์ค๋ช ์ผ๋ก ์๋ง์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
1) TV ๊ด๊ณ ๊ฐ ์ฆ๊ฐํ ์๋ก Sales๋ ์ฆ๊ฐํ๋ ๊ฒฝํฅ์ด ์๋ค. 2) TV ๊ด๊ณ ์ Sales๋ ์์ ์๊ด๊ด๊ณ๋ฅผ ๊ฐ์ง๋ค. 3) TV ๊ด๊ณ ์ ์ฆ๊ฐํ ์๋ก Sales์ ๋ถ์ฐ์ ๋์ผํ๋ค. 4) Sales๋ฅผ ์ค๋ช ํ๊ธฐ ์ํด TV๊ด๊ณ ๋ฅผ ๋ ๋ฆฝ๋ณ์๋ก ํ๋ ๋จ์์ ํํ๊ท๋ชจ๋ธ์ ์ ์ ํ๋ค. |
๋ฌธ์ 30. Hitters dataset์ ์ผ๋ถ์ด๋ค. ๋ค์ ์ค๋ช ์ค ์ ์ ํ์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
> summary(Hitters)
AtBat Hits HmRun NewLeague Salary
Min. : 16.0 Min. : 1 Min. : 0.00 A:176 Min. : 67.5
1st Qu.:255.2 1st Qu.: 64 1st Qu.: 4.00 N:146 1st Qu.: 190.0
Median :379.5 Median : 96 Median : 8.00 Median : 425.0
Mean :380.9 Mean :101 Mean :10.77 Mean : 535.9
3rd Qu.:512.0 3rd Qu.:137 3rd Qu.:16.00 3rd Qu.: 750.0
Max. :687.0 Max. :238 Max. :40.00 Max. :2460.0
NA's :59
1) Salary ๋ณ์ ๋ถํฌ๋ ์ผ์ชฝ๊ผฌ๋ฆฌ๊ฐ ๊ธด ๋ถํฌ๋ฅผ ๊ฐ์ง๋ค. 2) NewLeague ๋ณ์๋ ๋ฒ์ฃผํ ์๋ฃ์ด๋ค. 3) Hits ๋ณ์์๋ ๊ฒฐ์ธก๊ฐ์ด ์์์ ์ ์ ์๋ค. 4) HmRun ๋ณ์์ ์ต๋๊ฐ์ 40์ด๋ค. |
๋ฌธ์ 31. ๋ชจ์ง๋จ์ ํฌ๊ธฐ๊ฐ ๋น๊ต์ ์์ ๋ ์ฃผ๋ก ์ฌ์ฉ๋๋ฉฐ ํ๋ฒ ์ถ์ถ๋ ํ๋ณธ์ ์ฌ์ถ์ถ๋ ์ ์๋ ํ๋ณธ ์ถ์ถ ๋ฐฉ๋ฒ์ ๋ฌด์์ธ๊ฐ? ์ ๋ตํ์ธ
1) ๋ณต์์ถ์ถ๋ฒ 2) ์ธตํ์ถ์ถ๋ฒ 3) ๊ตฐ์ง์ถ์ถ๋ฒ 4) ๊ณ์ธต์ถ์ถ๋ฒ |
๋ฌธ์ 32. ๋ค์ ๋ญ ์ฌ๋ฃ์ ์ข ๋ฅ(feed)์ ๋ญ์ ์ฑ์ฅ์ ๋ํ boxplot๊ฒฐ๊ณผ ์ด๋ค. ์ณ์ง ์์ ๊ฒ์? ์ ๋ตํ์ธ
1) ์ด์์น๊ฐ ์กด์ฌํ์ง ์๋ ๊ฒ์ ์ ์ ์๋ค.
2) casein์ ๊ฒฝ์ฐ horsebean ๋ณด๋ค ์ค์์๊ฐ ํฌ๋ค. 3) soybean์ ๊ฒฝ์ฐ meatmeal ๋ณด๋ค ์ต์๊ฐ์ ํฌ๊ณ , ์ต๋๊ฐ์ด ์๋ค. 4) horsebean ์ฌ๋ฃ๋ฅผ ๋จน์ ๋ญ์ ๋ฌด๊ฒ๊ฐ ๊ฐ์ฅ ์์ ์ชฝ์ ๋ถํฌํด ์๋ค. |
๋ฌธ์ 33. ์๋ฃ์ ์ฒ๋์ ๋ํ ์ค๋ช ์ผ๋ก ๋ถ์ ์ ํ ๊ฒ์? ์ ๋ตํ์ธ
1) ๋ช
๋ชฉ์ฒ๋ : ๋จ์ํ ์ธก์ ๋์์ ํน์ฑ์ ๋ถ๋ฅํ๊ฑฐ๋ ํ์ธํ๊ธฐ ์ํ ๋ชฉ์ ์ผ๋ก ์ฌ์ฉ๋๋ค. 2) ์์ด์ฒ๋ : ๋์ ๋๋ ๋๊ณ ๋ฎ์ ๋ฑ์ ์์๋ง ์ ๊ณตํ ๋ฟ ์์ ์ธ ๋น๊ต๋ ํ ์ ์๋ค. 3) ๋ฑ๊ฐ์ฒ๋ : ์ฌ์น์ฐ์ฐ์ด ๊ฐ๋ฅํ๋ค. 4) ๋น์จ์ฒ๋ : ์ ๋ 0์ ์ด ์กด์ฌํ์ฌ ์ธก์ ๊ฐ ์ฌ์ด์ ๋น์จ ๊ณ์ฐ์ด ๊ฐ๋ฅํ ์ฒ๋์ด๋ค. |
๋ฌธ์ 34. ๋ค์ ์ฐ๊ด ๋ถ์์ ๋ํ ์ค๋ช ์ค ์๋ชป๋ ๊ฒ์? ์ ๋ตํ์ธ
1) ๋น๋ชฉ์ ์ฑ ๋ถ์ ๊ธฐ๋ฒ์ผ๋ก ๊ณ์ฐ์ด ๊ฐํธํ๋ค. 2) ๋ํ์ ์ธ ์๊ณ ๋ฆฌ์ฆ์ผ๋ก Aprior๊ฐ ์๋ค. 3) ์กฐ๊ฑด ๋ฐ์์ผ๋ก ํํ๋๋ ์ฐ๊ด๋ถ์์ ๊ฒฐ๊ณผ๋ฅผ ์ดํดํ๊ธฐ ์ฝ๋ค. 4) ํ๋ชฉ ์๊ฐ ์ฆ๊ฐํด๋ ๋ถ์์ ํ์ํ ๊ณ์ฐ์ด ๋์ด๋์ง ์๋๋ค. |
๋ฌธ์ 35. ๋ฐ์ดํฐ ๋ถํ ์ ๋ํ ์ค๋ช ์ค ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
1) ๋ฐ์ดํฐ๋ง์ด๋ ์ ์ฉ ํ ๊ฒฐ๊ณผ์ ์ ๋น์ฑ ๊ฒ์ฆ์ ์ํด ๋ฐ์ดํฐ๋ฅผ ํ์ต, ๊ฒ์ฆ, ํ
์คํธ ๋ฐ์ดํฐ๋ก ๋๋์ด ์ฌ์ฉํ๋ค. 2) ๊ฒ์ฆ์ฉ ๋ฐ์ดํฐ๋ ๋ชจ๋ธ ์ฑ๋ฅ ํ๊ฐ์ ์ฌ์ฉํ๋ค. 3) ํ ์คํธ์ฉ ๋ฐ์ดํฐ์ ํ์ต ๋ฐ์ดํฐ๋ ์์ฌ์๋ ์๋๋ค. 4) ๊ฒ์ฆ์ฉ ๋ฐ์ดํฐ๋ ํ์ต ๋จ๊ณ์์ ์ฌ์ฉ๋๋ค. |
๋ฌธ์ 36. ๋ค์ ํ์ค์ค์ฐจ์ ๋ํ ์ค๋ช ์ค ํ๋ฆฐ ๊ฒ์?
1) ํ๋ณธํ๊ท ์ด ๋ชจํ๊ท ๊ณผ ์ผ๋ง๋ ๋จ์ด์ ธ ์๋๊ฐ๋ฅผ ๋ํ๋ธ๋ค. 2) ํ์ค์ค์ฐจ๋ σ/√๐ ๋ก ๊ตฌํ๋ค. 3) ํ์ค์ค์ฐจ 95%๋ ์ ๋ขฐ๊ตฌ๊ฐ์ ๋ชจ์์ ์ฐธ๊ฐ์ด ํฌํจ๋์ด ์์์ ๋ํ๋ธ๋ค. 4) ๋ ์์ ํ์ค ์ค์ฐจ๋ ์ถ์ ์น๊ฐ ๋ชจ์ง๋จ ํ๋ผ๋ฏธํฐ๋ฅผ ๋ ์ ํํ๊ฒ ๋ฐ์ํ๋ค๋ ๊ฒ์ ๋ํ๋ธ๋ค. |
๋ฌธ์ 37. ์๋์ ๋ถ์๋ ์ธก์ ๊ฒฐ๊ณผ๋ฅผ ์ฌ์ฉํด์ ๊ตฌํ ์ง๋ ์ง์๋ ์ผ๋ง์ธ๊ฐ? ์ ๋ตํ์ธ
โ โ โ โ โ
2) 0.32
3) 0.48
4) 0.38
๋ฌธ์ 38. ์ด๋ค ์ํผ๋ง์ผ ๊ณ ๊ฐ 6๋ช ์ ์ฅ๋ฐ๊ตฌ๋๋ณ ๊ตฌ์ ํ๋ชฉ์ด ๋ค์๊ณผ ๊ฐ์๋, ์ฐ๊ด ๊ท์น(์ฝ๋ผ -> ๋งฅ์ฃผ)์ ์ง์ง๋๋? ์ ๋ตํ์ธ
๊ฑฐ๋๋ฒํธ ํ๋งค์ํ
---------------------
1 ์์ฃผ, ์ฝ๋ผ, ๋งฅ์ฃผ
2 ์์ฃผ, ์ฝ๋ผ, ์์ธ
3 ์์ฃผ, ์ฃผ์ค
4 ์ฝ๋ผ, ๋งฅ์ฃผ
5 ์์ฃผ, ์ฝ๋ผ, ๋งฅ์ฃผ, ์์ธ
6 ์ฃผ์ค
1) 0.6 2) 0.4 3) 0.5 4) 0.3 |
๋ฌธ์ 39. ๋ค์์ ํ๋ชฉ/๊ฑฐ๋๋ ํ๋ฅผ ์ฌ์ฉํ์ฌ ์ฐ๊ด ๊ท์น(๋ธ๊ธฐ->์ฌ๊ณผ)์ ํฅ์๋๋ ๋ฌด์์ธ๊ฐ? ์ ๋ตํ์ธ
ํ๋ชฉ ๊ฑฐ๋๋
------------------------
๋ธ๊ธฐ, ์ฌ๊ณผ, ํฌ๋ 100
๋ธ๊ธฐ, ํฌ๋ 400
์ฌ๊ณผ, ํฌ๋, ๋ฐ๋๋ 150
์ฌ๊ณผ, ๋ธ๊ธฐ, ๋ฐ๋๋ 200
ํฌ๋, ๋ฐ๋๋ 150
1) 0.3 2) 0.3/(0.7*0.45) 3) 0.3/0.7 4) 0.3/(0.7 + 0.45) |
๋ฌธ์ 40. ๋ค์ ์ค๋ช ์ ํด๋น๋๋ ์์๋ธ ๊ธฐ๋ฒ์? ์ ๋ตํ์ธ
[์ค๋ช
]
์ฌ๋ฌ ๊ฐ์ ๋ถ์คํธ๋ฉ ์๋ฃ๋ฅผ ์์ฑํ๊ณ ๊ฐ ๋ถ์คํธ๋ฉ ์๋ฃ์ ์์ธก ๋ชจํ์ ๋ง๋ ํ
๊ฒฐํฉํ์ฌ ์ต์ข
์์ธก ๋ชจํ์ ๋ง๋๋ ๋ฐฉ๋ฒ
1) Bagging 2) Voting 3) Boosting 4) Stacking |
๋ฌธ์ 41. ๊ตฐ์ง๋ถ์ ๊ด๋ จ ์ค๋ช ์ผ๋ก ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
1) ๊ณ์ธต์ ๊ตฐ์ง๋ถ์์ ์ฌ์ ์ ๊ตฐ์ง ์ k๋ฅผ ์ค์ ํ ํ์๊ฐ ์๋ ํ์์ ๋ชจํ์ด๋ค. 2) ์ง๋จ๊ฐ ์ด์งํ, ์ง๋จ๋ด ๋์งํ ๋ชจ๋ ๋ฎ์ ๊ฒ์ ๊ตฐ์ง์ผ๋ก ์ ํํ๋ค. 3) K-means ๊ตฐ์ง์ ์ก์์ด๋ ์ด์๊ฐ์ ์ํฅ์ ๋ฐ๊ธฐ ์ฝ๋ค. 4) ๊ตฐ์ง๋ถ์์ ๋น์ง๋ํ์ต์ด๋ค. |
๋ฌธ์ 42. ์ ๊ฒฝ๋ง ๋ ธ๋ ์ค ๋ฌด์์๋ก ๋ ธ๋๋ฅผ ์ ์ ํ์ฌ ๋ค์์ ๋ชจํ์ ๊ตฌ์ฑํ๊ณ ํ์ตํ ๋ค ๊ฐ ๋ชจํ์ ๊ฒฐ๊ณผ๋ฅผ ๊ฒฐํฉํด ๋ถ๋ฅ ๋ฐ ์์ธกํ๋ ๊ธฐ๋ฒ์ ๋ฌด์์ด๋ผ๊ณ ํ๋๊ฐ? ์ ๋ตํ์ธ
1) Mini-Batch 2) Bagging 3) Drop-out 4) AdaBoost |
๋ฌธ์ 43. ๋ค์ ํ๊ท๋ถ์์ ๊ฒฐ๊ณผ ํด์์ผ๋ก ํ๋ฆฐ ๊ฒ์? ์ ๋ตํ์ธ
> library(MASS)
> data(ChickWeight)
> Chick = ChickWeight[ChickWeight$Diet==1 & ChickWeight$Chick==1,]
> model = lm(weight ~ Time, Chick)
> summary(model)
Call:
lm(formula = weight ~ Time, data = Chick)
Residuals:
Min 1Q Median 3Q Max
-14.3202 -11.3081 -0.3444 11.1162 17.5346
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 24.4654 6.7279 3.636 0.00456 **
Time 7.9879 0.5236 15.255 2.97e-08 ***
---
Signif. codes: 0 '***' 0.001 '***' 0.01 '*' 0.05 ',' 0.1 ' ' 1
Residual standard error: 12.29 on 10 degrees of freedom
Multiple R-squared: 0.9588, Adjusted R-squared: 0.9547
F-statistic: 232.7 on 1 and 10 DF, p-value: 2.974e-08
1) ๊ฒฐ์ ๊ณ์๋ 0.9588์ด๋ค. 2) 5% ์ ์์์ค์์ ๋ชจํ์ ํต๊ณ์ ์ผ๋ก ์ ์๋ฏธ ํ๋ค. 3) Time์ด 1๋จ์ ์ฆ๊ฐํ๋ฉด Weight๊ฐ ํ๊ท ์ ์ผ๋ก 8.8 ์ฆ๊ฐํ๋ค. 4) ์ถ์ ๋ ํ๊ท์์ weight = 24.4654 + 7.9879 * Time ์ด๋ค. |
๋ฌธ์ 44. ์๋ ์ค๋ช ์ ํด๋นํ๋ ์ ๋ต์ ๊ณ ๋ฅด์์ค. ์ ๋ตํ์ธ
[์ค๋ช
]
๋
๋ฆฝ๋ณ์๊ฐ ์๊ด๊ด๊ณ๊ฐ ๋์ ๋ง์ ๋ฌธ์ ์ ์ ๋ฐ์ํ๋ ํ์์ผ๋ก ํ๊ท๊ณ์์ ๋ถ์ฐ์ ์ฆ๊ฐ์์ผ
๋ถ์์ ํ๊ณ ํด์ํ๊ธฐ ์ด๋ ต๊ฒ ๋ง๋ค๊ฒ ๋๋ ๊ฒ์ ๋ค์ค๊ณต์ ์ฑ์ด๋ผ๊ณ ํ๋ค.
์ด๊ฒ์ ํด๊ฒฐ ๋ฐฉ๋ฒ์ผ๋ก ์ฌ์ฉํ ์ ์๋ ๊ฒ์ ๋ฌด์์ธ๊ฐ?
1) ์ฃผ์ฑ๋ถ ๋ถ์ 2) ๊ต์ฐจ ๋ถ์ 3) ์ค์ฐจ ๋ถ์ 4) ์ฐ๊ด ๋ถ์ |
๋ฌธ์ 45. ์๋ ์ค๋ช ์ ๋ต์ ์์ฑํ์์ค.
[์ค๋ช
]
์๊ณ์ด๋ถ์์์ ์๊ณ์ด์ ์์ค๊ณผ ๋ถ์ฐ์ ์ฒด๊ณ์ ์ธ ๋ณํ๊ฐ ์๊ณ , ์ฃผ๊ธฐ์ ๋ณ๋์ด ์๋ค๋ ๊ฒ์ผ๋ก
๋ฏธ๋๋ ํ๋ฅ ์ ์ผ๋ก ๊ณผ๊ฑฐ์ ๋์ผํ๋ค๋ ๊ฒ์ ์๋ฏธํ๋ ์ฉ์ด๋?
โ๏ธ์ ๋ตํ์ธ
๋ฌธ์ 46. ๋ค์ ์ค๋ถ๋ฅํ๋ฅผ ์ฌ์ฉํ์ฌ F1 Score๋ฅผ ๊ตฌํ์์ค. (๋ถ์๋ก ํ๊ธฐํ ๊ฒ)
์ค๋ถ๋ฅํ | ์์ธก๊ฐ | ||
TRUE | FALSE | ||
์ค์ ๊ฐ | TRUE | 15 | 60 |
FALSE | 60 | 30 |
โ๏ธ์ ๋ตํ์ธ
๋ฌธ์ 47. ๋ค์ ๋น์นธ์ ์๋ง์ ๋จ์ด๋ฅผ ์์ฑํ์์ค.
์์ ์ฐ๊ฒฐ๋ฒ์ด๋ผ๊ณ ๋ ํ๋ฉฐ, ๋ ๊ตฐ์ง ์ฌ์ด์ ๊ฑฐ๋ฆฌ๋ฅผ ๊ตฐ์ง์์ ํ๋์ฉ
๊ด์ธก ๊ฐ์ ๋ฝ์์ ๋ ๋ํ๋ ์ ์๋ ๊ฑฐ๋ฆฌ์ ( )์ ์ธก์ ํ๋ค.
โ๏ธ์ ๋ตํ์ธ
๋ฌธ์ 48. ๋ค์ ์ฃผ์ฑ๋ถ ๋ถ์ ๊ฒฐ๊ณผ์์ ์ฃผ์ฑ๋ถ 1๊ฐ๋ฅผ ์ฌ์ฉํ์ ๋ ๋ถ์ฐ์ ๊ตฌํ์์ค. (์์์ ๋์งธ ์๋ฆฌ์์ ๋ฐ์ฌ๋ฆผ)
> summary(fit)
Importance of components:
PC1 PC2 PC3 PC4 PC5 PC6
Standard deviation 1.8118 1.0042 0.9057 0.7771 0.52403 2.525e-16
Proportion of Variance 0.5746 0.1423 0.1367 0.1007 0.04577 0.000e+00
Cumulative Proportion 0.5746 0.7169 0.8536 0.9542 1.00000 1.000e+00
โ๏ธ์ ๋ตํ์ธ
๋ฌธ์ 49. ์๋ ์ค๋ช ์ ๋ต์ ์์ฑํ์์ค.
[์ค๋ช
]
์๋ฌผํ์ ์งํ ๊ณผ์ ์ ๋ชจ๋ฐฉํ์ฌ ์ต์ ํ ๋ฐ ๊ฒ์ ๋ฌธ์ ๋ฅผ ํด๊ฒฐํ๋๋ฐ ์ฌ์ฉ๋๋ ๊ณ์ฐ ์๊ณ ๋ฆฌ์ฆ์ผ๋ก
๋ค์ํ ํด๋ฅผ ํ์ํ๊ณ ์ ํ, ๊ต์ฐจ, ๋ณ์ด์ ๊ฐ์ ์ ์ ์ฐ์ฐ์ ํตํด ์ต์ ์ ํด๋ฅผ ์ฐพ์๋ด๋๋ฐ ํจ๊ณผ์ ์ธ ์๊ณ ๋ฆฌ์ฆ์?
โ๏ธ์ ๋ตํ์ธ
๋ฌธ์ 50. ์๋ ์ค๋ช ์ ๋ต์ ์์ฑํ์์ค.
[์ค๋ช
]
๋ชจ์ง๋จ์ ๋จผ์ ์๋ก ๊ฒน์น์ง ์๋ ์ฌ๋ฌ ๊ฐ์ ์ธต์ผ๋ก ๋ถํ ํ ํ,
๊ฐ ์ธต์์ ๋จ์ ์์ ์ถ์ถ๋ฒ์ ๋ฐ๋ผ ๋ฐฐ์ ๋ ํ๋ณธ์ ์ถ์ถํ๋ ๋ฐฉ๋ฒ์?
โ๏ธ์ ๋ตํ์ธ
๐ADsP. ์ 38 ํ ๊ธฐ์ถ ๋ฌธ์ (์ด 50) - ์ ๋ต / ํด์ค
1. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
๊ตฌ๋ถ | ์ค๋ช |
๋ฉํ๋ฐ์ดํฐ(Metadata) | - ๋ฐ์ดํฐ์ ๋ํ ๋ฐ์ดํฐ๋ก ๋ฐ์ดํฐ์ ํน์ฑ, ๊ตฌ์กฐ, ์ ์ ๋ฐ ๊ด๋ฆฌ ์ ๋ณด๋ฅผ ์ค๋ช
ํ๋ ๋ฐ์ดํฐ - ๋ฐ์ดํฐ์ ๊ตฌ์กฐ์ ์๋ฏธ๋ฅผ ์ดํดํ๊ณ ๋ฐ์ดํฐ๋ฅผ ๊ด๋ฆฌ, ๊ฒ์ ๋ฐ ๋ถ์ํ๋๋ฐ ํ์์ |
์ธ๋ฑ์ค (Index) | - ๋ฐ์ดํฐ๋ฒ ์ด์ค์์ ๋ฐ์ดํฐ ๊ฒ์ ๋ฐ ์กฐํ์ ์ฑ๋ฅ์ ํฅ์์ํค๊ธฐ ์ํด ์ฌ์ฉ๋๋ ์๋ฃ๊ตฌ์กฐ - ํค๋ ๊ฒ์์ ๋น ๋ฅด๊ฒ ์ํํ๊ธฐ ์ํ ์ ๋ ฌ ๋ฐ ๊ฒ์ ๊ตฌ์กฐ๋ฅผ ์ ๊ณตํจ |
ํ ์ด๋ธ (Table) | - ํ ํ์์ ํ๊ณผ ์ด๋ก ๊ตฌ์ฑ๋ ๋ฐ์ดํฐ |
์์ฑ (Attribute) | - ํ ์ด๋ธ์์ ํ๋์ ์ด(Column) ์ ํด๋นํ๋ ๋ฐ์ดํฐ |
2. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
- Tableau ๋ ๋ฐ์ดํฐ ์๊ฐํ ๋ฐ BI ๋๊ตฌ๋ก, ๋ฐ์ดํฐ๋ฅผ ์๊ฐ์ ์ผ๋ก ํ์ํ๊ณ ์ดํดํ๋ฉฐ ์ธ์ฌ์ดํธ๋ฅผ ๋ฐ๊ฒฌํ๋ ๋ฐ ์ฌ์ฉ๋๋ ๊ฐ๋ ฅํ ์ํํธ์จ์ด ๋ก ๋ฐ์ดํฐ ์๊ฐํ, ๋์๋ณด๋ ๋ฐ ๋ฆฌํฌํธ ์์ฑ, ๋ฐ์ดํฐ ์ฐ๊ฒฐ ๋ฐ ์ค๋น, ๋ฐ์ดํฐ ๋ถ์, ๋๊ท๋ชจ ๋ฐ์ดํฐ ์งํฉ ๊ด๋ฆฌ ๋ฑ ๋ค์ํ ๋ฐ์ดํฐ ๊ด๋ จ ์์ ์ ์ง์ํจ.
์์ฉDB ์ข ๋ฅ |
- Oracle Database
- Microsoft SQL Server
- IBM Db2
- SAP HANA
- PostgresSQL
- MySQL(๋ฌด๋ฃ / ์ ๋ฃ)
- Amazon RDS (Amazon Relational Database Service)
- MariaDB
- Teradata
- Sybase ASE (Adaptive Server Enterprise)
|
3. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ฐ์ดํฐ ํฌ๊ธฐ
KB < MB < GB < TB < PB < EB < ZB < YB (Peta < Exa < Zetta < Yotta)
4. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๊ตฌ๋ถ | ํน์ง |
ํตํฉ ๋ฐ์ดํฐ | ๋ฐ์ดํฐ๋ฒ ์ด์ค์ ๊ฐ์ ๋ด์ฉ์ ๋ฐ์ดํฐ๊ฐ ์ค๋ณต๋์ด ์์ง ์๋ค๋ ๊ฒ์ ์๋ฏธ |
์ ์ฅ ๋ฐ์ดํฐ | ์๊ธฐ๋์คํฌ๋ ์๊ธฐํ ์ดํ ๋ฑ๊ณผ ๊ฐ์ด ์ปดํจํฐ๊ฐ ์ ๊ทผํ ์ ์๋ ์ ์ฅ๋งค์ฒด์ ์ ์ฅ๋๋ ๊ฒ์ ์๋ฏธ |
๊ณต์ฉ ๋ฐ์ดํฐ | ์ฌ๋ฌ ์ฌ์ฉ์์๊ฒ ์๋ก ๋ค๋ฅธ ๋ชฉ์ ์ผ๋ก ๋ฐ์ดํฐ๋ฒ ์ด์ค์ ๋ฐ์ดํฐ๋ฅผ ๊ณต๋์ผ๋ก ์ด์ฉ๋๋ ๊ฒ์ ์๋ฏธ |
๋ณํ๋๋ ๋ฐ์ดํฐ | ์๋ก์ด ๋ฐ์ดํฐ์ ์ถ๊ฐ, ๊ธฐ์กด ๋ฐ์ดํฐ์ ์ญ์ , ๊ฐฑ์ ์ผ๋ก ํญ์ ๋ณํํ๋ฉด์๋ ํญ์ ํ์ฌ์ ์ ํํ ๋ฐ์ดํฐ๋ฅผ ์ ์งํด์ผ ํ๋ค๋ ๊ฒ์ ์๋ฏธ |
5. ์ ๋ต : 4
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋น ๋ฐ์ดํฐ ํ์ฉ์ ์ํ 3์์
- ๋ฐ์ดํฐ(์์), ๊ธฐ์ , ์ธ๋ ฅ
๋ฐ์ดํฐ | ๋ชจ๋ ๊ฒ์ ๋ฐ์ดํฐํ(Datafication) |
๊ธฐ์ | ์งํํ๋ ์๊ณ ๋ฆฌ์ฆ, ์ธ๊ณต์ง๋ฅ |
์ธ๋ ฅ | ๋ฐ์ดํฐ ์ฌ์ด์ธํฐ์คํธ, ์๊ณ ๋ฆฌ์ฆ๋ฏธ์คํธ |
๋ฐ์ดํฐ ๊ฑฐ๋ฒ๋์ค ๊ตฌ์ฑ ์์
- ์์น, ์กฐ์ง, ํ๋ก์ธ์ค
์์น | ๋ฐ์ดํฐ๋ฅผ ์ ์ง ๊ด๋ฆฌํ๊ธฐ ์ํ ์ง์นจ๊ณผ ๊ฐ์ด๋ ๋ฐ ๋ณด์, ํ์ง ๊ธฐ์ค, ๋ณ๊ฒฝ ๊ด๋ฆฌ |
์กฐ์ง | ๋ฐ์ดํฐ๋ฅผ ๊ด๋ฆฌํ ์กฐ์ง์ ์ญํ ๊ณผ ์ฑ ์ ๋ฐ ๋ฐ์ดํฐ ๊ด๋ฆฌ์, ๋ฐ์ดํฐ ์ํคํ ํธ |
ํ๋ก์ธ์ค | ๋ฐ์ดํฐ ๊ด๋ฆฌ๋ฅผ ์ํ ํ๋๊ณผ ์ฒด๊ณ ๋ฐ ์์ ์ ์ฐจ, ๋ชจ๋ํฐ๋ง ํ๋ |
6. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋น ๋ฐ์ดํฐ์ ๋ณธ์ง์ ๋ณํ์ฌ์ ์ฒ๋ฆฌ -> ์ฌํ์ฒ๋ฆฌํ๋ณธ์กฐ์ฌ -> ์ ์์กฐ์ฌ์ง(Quality) -> ์(Quantity)์ธ๊ณผ๊ด๊ณ -> ์๊ด๊ด๊ณ
7. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋น ๋ฐ์ดํฐ์ ์๊ธฐ์์ธ&ํด๊ฒฐ๋ฐฉ์
๊ฐ. ์ฌ์ํ ์นจํด -> ๋์์ ๋ฅผ ์ฑ ์์ ๋ก ์ ํ
๋. ์ฑ ์์์น์ ํผ์ -> ๊ธฐ์กด์ ์ฑ ์์์น์ ๊ฐํ
๋ค. ๋ฐ์ดํฐ์ ์ค์ฉ -> ๋ฐ์ดํฐ ์๊ณ ๋ฆฌ์ฆ์ ๋ํ ์ ๊ทผ๊ถ ํ์ฉ ๋ฐ ๊ฐ๊ด์ ์ธ์ฆ๋ฐฉ์์ ๋์ ํ์์ฑ ์ ๊ธฐ
8. ์ ๋ต : 4
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ฐ์ดํฐ ์ฌ์ด์ธํฐ์คํธ์ ์ญ๋
- ๋ฐ์ดํฐ ์ฌ์ด์ธํฐ์คํธ๋ค์ ํ๋ ์คํฌ๊ณผ ์ํํธ ์คํฌ ๋ฅ๋ ฅ์ ๋์์ ๊ฐ์ถ๊ณ ์์ด์ผ ํ๋ค.
ํ๋ ์คํฌ | Machine Learning, Modeling, Data Technical Skill |
์ํํธ ์คํฌ | ํต์ฐฐ๋ ฅ ์๋ ๋ถ์, ์ค๋๋ ฅ ์๋ ์ ๋ฌ, ๋ค๋ถ์ผ๊ฐ ํ๋ ฅ |
9. ์ ๋ต : SCM
๐๋ฌธ์ ํ์ธ
ํด์ค :
10. ์ ๋ต : DIKW
๐๋ฌธ์ ํ์ธ
ํด์ค :
๊ตฌ๋ถ | ์ค๋ช |
๋ฐ์ดํฐ(Data) | ํ ๋ฐ์ดํฐ์์ ์๊ด๊ด๊ณ๊ฐ ์๋ ๊ฐ๊ณตํ๊ธฐ ์ ์ ์์ํ ์์น๋ ๊ธฐํธ |
์ ๋ณด(Information) | ๋ฐ์ดํฐ์ ๊ฐ๊ณต ๋ฐ ์๊ด/์ฐ๊ด ๊ด๊ณ ์์์ ์๋ฏธ๊ฐ ๋์ถ๋ ๊ฒ |
์ง์(Knowledge) | ์ํธ ์ฐ๊ฒฐ๋ ์ ๋ณด ํจํด์ ์ดํดํ์ฌ ์ด๋ฅผ ํ ๋๋ก ์์ธกํ ๊ฒฐ๊ณผ๋ฌผ |
์งํ(Wisdom) | ๊ทผ๋ณธ ์๋ฆฌ์ ๋ํ ๊น์ ์ดํด๋ฅผ ๋ฐํ์ผ๋ก ๋์ถ๋๋ ์์ด๋์ด |
11. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
๊ตฌ๋ถ | ์ค๋ช |
์ค๋นํ (์ค๋น๋ ๋ฎ์, ์ฑ์๋ ๋ฎ์) |
๊ธฐ์ ์ ํ์ํ ๋ฐ์ดํฐ, ์ธ๋ ฅ, ์กฐ์ง, ๋ถ์ ์ ๋ฌด ๋ฑ์ด ์ ์ฉ๋์ด ์์ง ์์ ์ฌ์ ์ค๋น๊ฐ ํ์ํ ๊ธฐ์ |
๋์
ํ (์ค๋น๋ ๋์, ์ฑ์๋ ๋ฎ์) |
๊ธฐ์ ์์ ํ์ฉํ๋ ๋ถ์ ์ ๋ฌด, ๊ธฐ๋ฒ ๋ฑ์ ๋ถ์กฑํ์ง๋ง ์ ์ฉ ์กฐ์ง ๋ฑ ์ค๋น๋๊ฐ ๋์ ๋ฐ๋ก ๋์ ํ ์ ์๋ ๊ธฐ์ |
์ ์ฐฉํ (์ค๋น๋ ๋ฎ์, ์ฑ์๋ ๋์) |
์ค๋น๋๋ ๋ฎ์ผ๋ ๊ธฐ์ ๋ด๋ถ์์ ์ ํ์ ์ผ๋ก ์ฌ์ฉํ๊ณ ์์ด 1์ฐจ์ ์ผ๋ก ์ ์ฐฉ์ด ํ์ํ ๊ธฐ์ |
ํ์ฐํ (์ค๋น๋ ๋์, ์ฑ์๋ ๋์) |
๊ธฐ์ ์ ํ์ํ 6๊ฐ์ง ๋ถ์ ๊ตฌ์ฑ์์๋ฅผ ๊ฐ์ถ๊ณ ์๊ณ , ๋ถ๋ถ์ ์ผ๋ก๋ ๋์ ๋์ด ์ง์์ ํ์ฐ์ด ํ์ํ ๊ธฐ์ |
12. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋น์ฆ๋์ค ๋ชจ๋ธ ์บ๋ฒ์ค 5๊ฐ์ง ์์ญ: ์ ๋ฌด, ์ ํ, ๊ณ ๊ฐ, ์ง์ ์ธํ๋ผ, ๊ท์ ์ ๊ฐ์ฌ
13. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ถ์ ๊ณผ์ ์ฐ์ ์์ ์ ์ ๊ธฐ๋ฒ
- 3์ฌ๋ถ๋ฉด : ๋์ด๋ ์ฌ์, ์๊ธ์ฑ ํ์ฌ์ ํด๋นํ๋ ๊ฒ์ผ๋ก ์ผ๋ฐ์ ์ผ๋ก ๊ฐ์ฅ ๋จผ์ ํ๋ ๊ฒ
- ์ฐ์ ์์๋ฅผ '์๊ธ์ฑ'์ ๋๋ค๋ฉด โ ข - โ ฃ - โ ก์์ ์งํ
- ์ฐ์ ์์๋ฅผ '๋์ด๋'์ ๋๋ค๋ฉด โ ข - โ - โ ก์์ ์งํ
- ์๊ธ์ฑ์ด ๋๊ณ (ํ์ฌ) ๋์ด๋๊ฐ ๋์(Difficult) ์์ญ(1์ฌ๋ถ๋ฉด)์ ๊ฒฝ์์ง ๋๋ ์ค๋ฌด ๋ด๋น์์ ์์ฌ๊ฒฐ์ ์ ๋ฐ๋ผ ์ ์ฉ ์ฐ์ ์์๋ฅผ ์กฐ์ ํ ์ ์์
14. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ถ์ ์ฑ์๋
- ๋ถ์ ์ฑ์๋ ์์ค ์ง๋จ์ ์ฃผ๋ก ๊ธฐ์ ๋ด๋ถ์ ๋ฐ์ดํฐ ๋ถ์ ๋ฅ๋ ฅ๊ณผ ํ๋ก์ธ์ค์ ๋ํ ํ๊ฐ๋ฅผ ๋ค๋ฃฌ๋ค.
- ์์คํ ๊ฐ๋ฐ ์ ๋ฌด๋ฅ๋ ฅ๊ณผ ์กฐ์ง์ ์ฑ์๋ ํ์ ์ ์ํด CMMI ๋ชจ๋ธ์ ํ์ฉํ์ฌ ๋ถ์ ์ฑ์๋๋ฅผ ํ๊ฐํ๋ค.
- ๋น์ฆ๋์ค ๋ถ๋ฌธ, ์กฐ์ง/์ญ๋ ๋ถ๋ฌธ, IT๋ถ๋ฌธ์ ๋์์ผ๋ก ์ฑ์๋ ์์ค์ ๋ฐ๋ผ ๋์ , ํ์ฉ, ํ์ฐ, ์ต์ ํ ๋จ๊ณ๋ก ๊ตฌ๋ถํด ์ดํด ๋ณผ ์ ์๋ค.
- ๋ฐ์ดํฐ ๋ถ์ ์์ค ์ง๋จ์ ๋ถ์ ์ค๋น๋์ ๋ถ์ ์ฑ์๋๋ฅผ ํจ๊ป ํ๊ฐํจ์ผ๋ก์จ ์ํ๋ ์ ์๋ค.
15. ์ ๋ต : 4
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ฐ์ ์์ ๊ณ ๋ ค์์
- ์ ๋ต์ ์ค์๋, ROI(ํฌ์์๋ณธ ์์ต๋ฅ ), ์คํ ์ฉ์ด์ฑ
์ ์ฉ ๋ฒ์/๋ฐฉ์ ๊ณ ๋ ค์์
- ์ ๋ฌด ๋ด์ฌํ ์ ์ฉ ์์ค, ๋ถ์ ๋ฐ์ดํฐ ์ ์ฉ ์์ค, ๊ธฐ์ ์ ์ฉ ์์ค
16. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ถ์ฐ ์กฐ์ง ๊ตฌ์กฐ
- ๋ถ์ ์กฐ์ง์ ์ธ๋ ฅ๋ค์ด ํ์ ๋ถ์์ ๋ฐฐ์น ๋์ด ์ ๋ฌด๋ฅผ ์ํํจ
- ์ ์ฌ ์ฐจ์์์ ๋ถ์ ๊ณผ์ ์ ์ฐ์ ์์๋ฅผ ์ ์ ํด ์ํ, ๋ถ์ ๊ฒฐ๊ณผ๋ฅผ ์ ์ํ๊ฒ ์ค๋ฌด ์ ์ฉ ๊ฐ๋ฅ
- ๋ถ์ ๋ถ์ ์ ๋ฌด์ ์ญํ ๋ถ๋ด์ ๋ช ํํ ํด์ผ ํจ
17. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ถ์ ํ์ฉ ์๋๋ฆฌ์ค
- ๋ถ์ ํ์ฉ ์๋๋ฆฌ์ค์์ ๊ฐ์ฅ ์ค์ํ ๊ฒ์ ๋ฐ์ดํฐ ํ๋ณด๋ณด๋ค ๋ชฉํ์ ๋ชฉ์ ์ด๋ค.
- ๋ชฉํ์ ๋ชฉ์ ์ ๋ช ํํ๊ฒ ์ดํดํ๊ณ ์ ์ํ๋ ๊ฒ์ ๋ถ์ ํ๋ก์ ํธ์ ํต์ฌ ์์ ์ค ํ๋์ด๋ค.
- ๋ชฉํ์ ๋ชฉ์ ์ ์ ์ํ์ง ์์ผ๋ฉด ๋ฐ์ดํฐ ํ๋ณด , ๋ถ์ , ๋ฐ ๊ฒฐ๊ณผ์ ๋ํ ๊ณํ์ ์๋ฆฝํ๊ธฐ ์ด๋ ค์ธ ์ ์๋ค.
- ๋ฐ์ดํฐ๋ ๋ชฉํ๋ฅผ ๋ฌ์ฑํ๊ณ ๋ชฉ์ ์ ์คํํ๊ธฐ ์ํ ๋๊ตฌ๋ก ์ฌ์ฉ๋๋ค.
18. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ถ์ ๊ธฐํ ์ ๊ณ ๋ ค ์ฌํญ
- ๊ฐ์ฉํ ๋ฐ์ดํฐ : ๋ฐ์ดํฐ์ ์ ํ ๋ถ์์ด ์ ํ์ ์ผ๋ก ์ด๋ฃจ์ด์ ธ์ผ ํจ
- ์ ์ ํ ์ ์ฆ์ผ์ด์ค ํ์ : ์ ์ฌ๋ถ์ ์๋๋ฆฌ์ค ์๋ฃจ์ ์ด ์๋ค๋ฉด ์ด๊ฒ์ ์ต๋ํ ํ์ฉ
- ์ฅ์ ์์๋ค์ ๋ํ ์ฌ์ ๊ณํ ์๋ฆฝ ํ์
*์ผ๋ฐ์ ์ผ๋ก ๋น์ฉ๊ณผ ๋ถ์๋ ฅ์ ์ํธ ๋ณด์์ ์ธ ์์๋ก ๊ณ ๋ ค๋๋ฉฐ, ์ ์ ํ ๊ท ํ์ ์ ์งํด์ผ ํจ.
19. ์ ๋ต : ๋ถ์ ์ธํ๋ผ
๐๋ฌธ์ ํ์ธ
ํด์ค :
20. ์ ๋ต : ๋์์ธ ์ฌ๊ณ
๐๋ฌธ์ ํ์ธ
ํด์ค :
21. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ ์ง๋จ ํ๊ท ์ด ๋์ผํ๋ค๋ผ๋ ๊ท๋ฌด๊ฐ์ค์ ์ฑํํ ์ ์์ผ๋ฏ๋ก , ์๋ฉด์ ๋์ ๊ฐ 2๊ฐ ๋ ํจ๊ณผ์ ์ด๋ผ ํ ์ ์๋ค.
22. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
- ํ๊ท๋ชจํ ํ๊ฐ๋๊ตฌ : MAE, MAPE, MSE, RMSE, MLSE, RMSLE, ๊ฒฐ์ ๊ณ์ ๋ฑ
- ๋ถ๋ฅ๋ชจํ ํ๊ฐ๋๊ตฌ : ์ค๋ถ๋ฅํ (ํผ๋ํ๋ ฌ ), ROC ๊ทธ๋ํ , ํฅ์๋ ๊ณก์ , ์ด์ต๋ํ , Kappa ๋ฑ
- ๊ตฐ์ง๋ชจํ ํ๊ฐ๋๊ตฌ : ์ค๋ฃจ์ฃ ๊ณ์ (Silhouette Coefficient), Dunn Index ๋ฑ
23. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
- ๊ท๋ฌด๊ฐ์ค : ๊ฐ์ค๊ฒ์ ์ ๋์์ด ๋๋ ๊ฐ์ค, ์ฐ๊ตฌ์๊ฐ ๋ถ์ ํ๊ณ ์ ํ๋ ๊ฐ์ค, ์๊ณ ์๋ ๊ฒ๊ณผ ๊ฐ์, ๋ณํ, ์ํฅ๋ ฅ, ์ฐ๊ด์ฑ, ํจ๊ณผ ์์์ ๋ํ ๊ฐ์ค
- ๋๋ฆฝ๊ฐ์ค : ์ฐ๊ตฌ์๊ฐ ์ฐ๊ตฌ๋ฅผ ํตํด ์ ์ฆ /์ฆ๋ช ๋๊ธฐ๋ฅผ ๊ธฐ๋ํ๋ ์์์ด๋ ์ฃผ์ฅ , ๊ท๋ฌด๊ฐ์ค์ด ๊ธฐ๊ฐ๋๋ฉด ์ฑํ๋๋ ๊ฐ์ค
24. ์ ๋ต : 4
๐๋ฌธ์ ํ์ธ
ํด์ค :
๊ตฐ์ง ๋ถ์
- ๊ณ์ธต์ ๊ตฐ์ง ๋ถ์ : ์ต์์ฐ๊ฒฐ๋ฒ , ์ต์ฅ์ฐ๊ฒฐ๋ฒ , ์ค์ฌ์ฐ๊ฒฐ๋ฒ , ํ๊ท ์ฐ๊ฒฐ๋ฒ , ์๋์ฐ๊ฒฐ๋ฒ
- ๋น๊ณ์ธต์ ๊ตฐ์ง ๋ถ์ : K-means, DBSCAN
- ๋น์ง๋ ์ ๊ฒฝ๋ง : SOM
์ฐจ์ ์ถ์ : ์ฃผ์ฑ๋ถ ๋ถ์ , ๋ค์ฐจ์ ์ฒ๋๋ฒ , ์์ธ ๋ถ์ ๋ฑ์ด ์์
25. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
์คํผ์ด๋ง ์๊ด๊ณ์
- ๋์์๋ฃ๋ ์์ด์ฒ๋ ์ฌ์ฉ , ๋ ๋ณ์ ๊ฐ์ ๋น์ ํ์ ์ธ ๊ด๊ณ๋ฅผ ๋ํ๋ผ ์ ์์
- ์ฐ์ํ ์ธ์ ์ด์ฐํ๋ ๊ฐ๋ฅํจ
- ์คํผ์ด๋ง ์๊ด ๊ณ์๋ ์์ ๋ฐ์ดํฐ๊ฐ ์๋๋ผ ๊ฐ ๋ณ์์ ๋ํด ์์๋ฅผ ๋งค๊ธด ๊ฐ์ ๊ธฐ๋ฐ์ผ๋ก ํจ
26. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
SOM(Self-Organizing Maps)
- ์ธ๊ณต์ ๊ฒฝ๋ง์ ํ ์ข ๋ฅ๋ก , ์ฐจ์์ถ์์ ๊ตฐ์งํ๋ฅผ ๋์์ ์ํํ๋ ๊ธฐ๋ฒ
- ๋น์ง๋ ํ์ต (Unsupervised Learning)์ ํ ๊ฐ์ง ๋ฐฉ๋ฒ
- ๊ณ ์ฐจ์์ผ๋ก ํํ๋ ๋ฐ์ดํฐ๋ฅผ ์ ์ฐจ์์ผ๋ก ๋ณํํด์ ๋ณด๋๋ฐ ์ ์ฉํจ
- ์ ๋ ฅ์ธต๊ณผ 2์ฐจ์์ ๊ฒฉ์ ํํ์ ๊ฒฝ์์ธต (=์ถ๋ ฅ์ธต ) ์ผ๋ก ์ด๋ฃจ์ด์ ธ ์์ (2๊ฐ์ ์ธต์ผ๋ก ๊ตฌ์ฑ )
27. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ฃผ์ฑ๋ถ๋ถ์ (PCA, Principal Component Analysis)
- ๊ณต๋ถ์ฐํ๋ ฌ ๋๋ ์๊ด๊ณ์ ํ๋ ฌ์ ์ฌ์ฉํด ๋ชจ๋ ๋ณ์๋ค์ ๊ฐ์ฅ ์ ์ค๋ช ํ๋ ์ฃผ์ฑ๋ถ์ ์ฐพ๋ ๋ฐฉ๋ฒ
- ์๊ด๊ด๊ณ๊ฐ ์๋ ๋ณ์๋ค์ ์ ํ ๊ฒฐํฉ์ ์ํด ์๊ด๊ด๊ณ๊ฐ ์๋ ์๋ก์ด ๋ณ์ (์ฃผ์ฑ๋ถ )๋ฅผ ๋ง๋ค๊ณ ๋ถ์ฐ์ ๊ทน๋ํํ๋ ๋ณ์๋ก ์ถ์ฝํจ
- ์ฃผ์ฑ๋ถ์ ๋ณ์๋ค์ ์ ํ๊ฒฐํฉ์ผ๋ก ์ด๋ฃจ์ด์ ธ ์์
- ๋ ๋ฆฝ๋ณ์๋ค๊ณผ ์ฃผ์ฑ๋ถ๊ณผ์ ๊ฑฐ๋ฆฌ์ธ '์ ๋ณด์์ค๋'์ ์ต์ํํ๊ฑฐ๋ ๋ถ์ฐ์ ์ต๋ํ ํจ
28. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ ๋ฆฝ์ฌ๊ฑด : A์ ๋ฐ์์ด B๊ฐ ๋ฐ์ํ ํ๋ฅ ์ ๋ฐ๊พธ์ง ์๋ ์ฌ๊ฑด
๋ ์ฌ๊ฑด A, B๊ฐ ๋ ๋ฆฝ์ด๋ฉด P(B|A)=P(B)์ด๋ค.
์กฐ๊ฑด๋ถํ๋ฅ : ์ฌ๊ฑด B๊ฐ ๋ฐ์ํ๋ค๋ ์กฐ๊ฑด ์๋์ ์ฌ๊ฑด A๊ฐ ๋ฐ์ํ ์กฐ๊ฑด๋ถ ํ๋ฅ ์ด๋ค.
์กฐ๊ฑด๋ถํ๋ฅ ์์ P(A|B) = P(A∩B) / P(B), ๋จ P(B) > 0
29. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
TV๊ด๊ณ ๊ฐ ์ฆ๊ฐํจ์ ๋ฐ๋ผ ๋ถ์ฐ (ํผ์ง ์ ๋ )๋ ์ฆ๊ฐ๋๋ ๊ฒ์ ๋ณผ ์ ์๋ค.
30. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
Salary์ ๊ฒฝ์ฐ Median < Mean ์ด๋ฏ๋ก ์ค๋ฅธ์ชฝ์ผ๋ก ๊ผฌ๋ฆฌ๊ฐ ๊ธด ๋ถํฌ์ด๋ค.
31. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ณต์์ถ์ถ๋ฒ
- ์ถ์ถ๋์๋ ๋ฐ์ดํฐ๋ฅผ ๋ค์ ํ๋ณธ์ง๋จ์ ํฌํจ์์ผ ๋ค์ ์ถ์ถ๋ ์ ์๋ ๋ฐฉ๋ฒ์ ์ถ์ถ๋ฒ์ผ๋ก
Bootstrap ์ด ๋ํ์ ์ธ ๋ณต์์ถ์ถ๋ฒ์ด๋ค.
<์์๋๊ธฐ> ๋ถ์คํธ๋ฉํ (Bootstrapping) ์ํ ์ถ์ถ
- ์ํ์ด ๋ฝํ ํ๋ฅ : ๐/๐
- ์ํ์ด ๋ฝํ์ง ์์ ํ๋ฅ : ๐−๐/๐
์ํ์ด ๋ฝํ์ง ์์ ํ๋ฅ ์ d๋ฒ ๊ณฑํด์ ๊ตฌํ๋ฉด ๋ค์๊ณผ ๊ฐ์ด ๊ตฌํ ์ ์์
P(ํ ๋ฒ๋ ๋ฝํ์ง์์ ) = (๐−๐/๐
)^๐
32. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
sunflower์ ๊ฒฝ์ฐ ์ด์์น๊ฐ ์กด์ฌํ๋ค
33. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ฒ๋์ ์ข ๋ฅ
- ๋น์จ์ฒ๋ (Ratio scale) ์ ๋ 0์ ์ด ์กด์ฌํ์ฌ ์ธก์ ๊ฐ ์ฌ์ด์ ๋น์จ ๊ณ์ฐ์ด ๊ฐ๋ฅํ ์ฒ๋๋ก ์ฌ์น์ฐ์ฐ์ด ๊ฐ๋ฅํ๋ค.
- ๋ฑ๊ฐ์ฒ๋ (๊ตฌ๊ฐ์ฒ๋ ) : ์์๋ฅผ ๋ถ์ฌํ๋ ์์ ์ฌ์ด์ ๊ฐ๊ฒฉ์ด ๋์ผํ์ฌ ์์ ์ธ ๋น๊ต๊ฐ ๊ฐ๋ฅ(๋ง์ , ๋บ์ ๊ฐ๋ฅ ), ์ ๋ 0์ ์กด์ฌํ์ง ์์ (์จ๋๊ณ ์์น, ๋ฌผ๊ฐ์ง์ )
34. ์ ๋ต : 4
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ฐ๊ด ๋ถ์์ ๋จ์
- ๋ถ์ ํ๋ชฉ ์๊ฐ ์ฆ๊ฐํ๋ฉด ๋ถ์ ๊ณ์ฐ์ด ๊ธฐํ๊ธ์์ ์ผ๋ก ์ฆ๊ฐํจ
- ๋๋ฌด ์ธ๋ถํ๋ ํ๋ชฉ์ ๊ฐ์ง๊ณ ์ฐ๊ด๊ท์น์ ์ฐพ์ผ๋ ค๋ฉด ์๋ฏธ ์๋ ๋ถ์ ๊ฒฐ๊ณผ๊ฐ ๋์ถ๋จ
- ์๋์ ๊ฑฐ๋๋์ด ์ ์ผ๋ฉด ๊ท์น ๋ฐ๊ฒฌ ์ ์ ์ธ๋๊ธฐ ์ฌ์
์ฐ๊ด ๋ถ์์ ์ฅ์
- ์กฐ๊ฑด๋ฐ์ (if-then)์ผ๋ก ํํ๋๋ ์ฐ๊ด ๋ถ์์ ๊ฒฐ๊ณผ๋ฅผ ์ดํดํ๊ธฐ ์ฌ์
- ๊ฐ๋ ฅํ ๋น๋ชฉ์ ์ฑ ๋ถ์ ๊ธฐ๋ฒ์ด๋ฉฐ , ๋ถ์ ๊ณ์ฐ์ด ๊ฐํธํจ
35. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
ํ๋์์ (Hold Out)
- Training Data : ํ์ต์ฉ ๋ฐ์ดํฐ
- Test Data : ํ์ต ์ข ๋ฃ ํ ์ฑ๋ฅ ํ์ธ (๋ชจ๋ธ ํ๊ฐ )์ฉ ๋ฐ์ดํฐ
- Validation Data : ํ์ต๋จ๊ณ์์ ์ฌ์ฉ๋๋ฉฐ , ํ์ต ์ค ์ฑ๋ฅ ํ์ธ์ฉ ๋ฐ์ดํฐ (Overfitting ์ฌ๋ถ ํ์ธ , Early Stopping ๋ฑ์ ์ํด ์ฌ์ฉ )
36. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
ํ์ค์ค์ฐจ
- ํ๋ณธ ์ง๋จ์ ํ๊ท ๊ฐ์ด ์ค์ ๋ชจ์ง๋จ์ ํ๊ท ๊ฐ๊ณผ ์ผ๋ง๋ ์ฐจ์ด๊ฐ ์๋์ง ๋ํ๋
- ๋ชจ์ง๋จ์์ ์ํ์ ๋ฌดํ ๋ฒ ๋ฝ์์ ๊ฐ ์ํ๋ง๋ค ํ๊ท ์ ๊ตฌํ์ ๋ , ๊ทธ ํ๊ท ๋ค์ ํ์คํธ์ฐจ๋ฅผ ๋งํจ
- ํ๋ณธํ๊ท ์ด ๋ชจํ๊ท ๊ณผ ์ผ๋ง๋ ๋จ์ด์ ธ ์๋๊ฐ๋ฅผ ๋ํ๋ , ๐์ด ํด์๋ก ์์ ๊ฐ
- SE(Standard error) = (์์๋ฐ์ดํฐ์ ํ์คํธ์ฐจ)/√(ํ๊ท ๊ฐ ๊ณ์ฐ์ ์ฌ์ฉํ ๋ฐ์ดํฐ ์) = σ/√๐ ≈ ๐/√๐
* ์ ๋ขฐ์์ค 95%๋ ์ํ์ ๋๋คํ๊ฒ 100๋ฒ ์ถ์ถํด์ ์ด์ค์ 95๋ฒ์ด ์ ๋ขฐ๊ตฌ๊ฐ์ ๋ชจ์์ ์ฐธ ๊ฐ์ด ํฌํจ๋์ด ์์์ ๋ํ๋ธ๋ค.
37. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ง๋์ง์ ์ :
1 - ∑(๊ฐ ๋ฒ์ฃผ๋ณ์/์ ์ฒด์ )^2
= 1 – ((1/5)^2 + (4/5)^ 2 )
= 1 - (1/25 + 16/25) = 8/25 = 0.32
38. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ง์ง๋ = A์ B๊ฐ ๋์์ ํฌํจ๋ ๊ฑฐ๋ ์ / ์ ์ฒด ๊ฑฐ๋ ์
์ง์ง๋ = 3 / 6 = 0.5
39. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
- ํฅ์๋ : A๊ฐ ์ฃผ์ด์ง์ง ์์์ ๋ B์ ํ๋ฅ ๋๋น A๊ฐ ์ฃผ์ด์ก์ ๋ B์ ํ๋ฅ ์ฆ๊ฐ ๋น์จ
- ํ๋ชฉ B๋ฅผ ๊ตฌ๋งคํ ๊ณ ๊ฐ ๋๋น ํ๋ชฉ A๋ฅผ ๊ตฌ๋งคํ ํ ํ๋ชฉ B๋ฅผ ๊ตฌ๋งคํ๋ ๊ณ ๊ฐ์ ๋ํ ํ๋ฅ
- ํฅ์๋ =P(B|A)/P(B) = P(A∩B) / (P(A)*P(B))
- A = ๋ธ๊ธฐ , B = ์ฌ๊ณผ
ํฅ์๋ = (0.3) / (0.7* 0.45)
40. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
์์๋ธ (Ensemble) ๋ชจํ
– ๋ณดํ (voting) : ์๋ก ๋ค๋ฅธ ์ฌ๋ฌ ๊ฐ์ ๋ชจํ์ ์์ฑํ๊ณ ๊ฒฐ๊ณผ๋ฅผ ์ง๊ณํ์ฌ ๋ง์ ํ๋ฅผ ๋ฐ์ ๊ฒ์ ๋ต์ผ๋ก ํ๋ ๋ฐฉ์
- ๋ถ์คํ (boosting) : ์์ฐจ์ ์ธ ํ์ต , ๋ถ์คํธ๋ฉ ํ๋ณธ์ ๊ตฌ์ฑํ๋ ์ฌํ๋ณธ ๊ณผ์ ์์ ๋ถ๋ฅ๊ฐ ์๋ชป๋ ๋ฐ์ดํฐ์ ๋ ํฐ ๊ฐ์ค์น๋ฅผ ์ฃผ์ด ํ๋ณธ์ ์ถ์ถํ๋ ๊ธฐ๋ฒ
- ์คํํน (stacking) : ๋ ๋จ๊ณ์ ํ์ต์ ์ฌ์ฉํ๋ ๋ฐฉ์์ผ๋ก ์๋ก ๋ค๋ฅธ ์ฌ๋ฌ ๋ชจํ์ ์์ธก ๊ฒฐ๊ณผ๋ฅผ ๋ค์ ํ์ต๋ฐ์ดํฐ๋ก ํ๋ ๋ชจํ์ ์ฌ์ฉํจ
41. ์ ๋ต : 2
๐๋ฌธ์ ํ์ธ
ํด์ค :
๊ตฐ์ง๋ถ์
- ์ง๋จ๊ฐ ์ด์งํ , ์ง๋จ๋ด ๋์งํ๊ฐ ๋ชจ๋ ๋์ ๊ฒ์ ๊ตฐ์ง์ผ๋ก ์ ํํ๋ค.
42. ์ ๋ต : 4
๐๋ฌธ์ ํ์ธ
ํด์ค :
Drop-out : ๋ฅ๋ฌ๋์์ ๊ณผ๋์ ํฉ ๋ฐฉ์ง๋ฅผ ์ํด ๋ ธ๋์ ์ผ๋ถ๋ฅผ ๋๋คํ๊ฒ ํ์ตํ์ง ๋ชปํ๊ฒ ํ๋ ๊ธฐ๋ฒ
Mini-Batch : ๋จ์ ๋ณ๋ก ์ชผ๊ฐ์ ํ์ตํ๋ ๊ฒ์ผ๋ก ๋ฐ์ดํฐ๋ฅผ ์ผ์ ํ ํฌ๊ธฐ๋ก ๋๋์ด ๋ชจํ์ ๊ตฌ์ฑํจ
Bagging : ๋ฌด์์ ๋ ธ๋ ์ ์ ์ด ์๋ Bootstrap ๋ฐฉ์์ผ๋ก ๋ ธ๋๋ฅผ ์ ์ ํ๋ ๋ฐฉ๋ฒ์ ์ฌ์ฉ
AdaBoost : ๊ฐํ ๋ถ๋ฅ๊ธฐ๋ฅผ ์ฝํ ๋ถ๋ฅ๊ธฐ๋ก ํ์ต์ํค๋ ์์๋ธ ๋ฐฉ๋ฒ์ผ๋ก, ๊ฐ ๋ชจ๋ธ์ ์ด์ ๋ชจ๋ธ์ ์๋ฌ๋ฅผ ๋ณด์ํ๋๋ก ๊ฐ์ค์น๋ฅผ ์กฐ์ ํ๋ฉด์ ์์ฐจ์ ์ผ๋ก ํ์ต๋๋ค. ์ด๋ ๊ฐ ๋ชจ๋ธ์ ์ด์ ๋ชจ๋ธ์ด ์๋ชป ๋ถ๋ฅํ ์ํ์ ์ง์คํ์ฌ ํ์ต
43. ์ ๋ต : 3
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ถ์ ๋ ํ๊ท์์ weight = 24.4654 + 7.9879 * Time ์ด๋ฏ๋ก Time์ด 1 ๋จ์ ์ฆ๊ฐํ๋ฉด weight๊ฐ ํ๊ท ์ ์ผ๋ก 7.9879 ์ฆ๊ฐํ๋ค.
44. ์ ๋ต : 1
๐๋ฌธ์ ํ์ธ
ํด์ค :
๋ค์ค ๊ณต์ ์ฑ
- ๋ชจํ์ ์ผ๋ถ ์ค๋ช ๋ณ์ (=์์ธก๋ณ์ )๊ฐ ๋ค๋ฅธ ์ค๋ช ๋ณ์์ ์๊ด๋์ด ์์ ๋ ๋ฐ์ํ๋ ์กฐ๊ฑด
- ์ค๋ํ ๋ค์ค๊ณต์ ์ฑ์ ํ๊ท๊ณ์์ ๋ถ์ฐ์ ์ฆ๊ฐ์์ผ ๋ถ์์ ํ๊ณ ํด์ํ๊ธฐ ์ด๋ ต๊ฒ ๋ง๋ค๊ธฐ ๋๋ฌธ์ ๋ฌธ์ ๊ฐ ๋จ
์ฃผ์ฑ๋ถ ๋ถ์
- ์ฃผ์ฑ๋ถ๋ถ์์ ๋น์ง๋ํ์ต์ผ๋ก ํ๊ท๋ถ์์ ๋ค์ค๊ณต์ ์ฑ ๋ฌธ์ ํด๊ฒฐ์ ์ํด ์ฌ์ฉํ๋ค.
- ์ฐจ์ ์ถ์ , ์ด์์น ํ์ง , ์๋ฃ์ ๊ทธ๋ฃนํ์ ์ฌ์ฉํ ์ ์๋ค.
- ์ฃผ์ฑ๋ถ๋ถ์์ ๋ชฉํ๋ณ์๋ฅผ ๊ณ ๋ คํด ๋ชฉํ๋ณ์๋ฅผ ์ ์์ธก /๋ถ๋ฅํ ์ ์๋ ์ ํ๊ฒฐํฉ์ผ๋ก ์ด๋ฃจ์ด์ง ๋ช ๊ฐ์ ์ฃผ์ฑ๋ถ์ ์ฐพ์๋ด๊ธฐ ์ํ ๊ฒ์ด๋ค.
45. ์ ๋ต : ์ ์์ฑ
๐๋ฌธ์ ํ์ธ
ํด์ค :
[์ฐธ๊ณ ] ์ ์ ์๊ณ์ด์ ์กฐ๊ฑด
- ํ๊ท ์ ๋ชจ๋ ์์ (์๊ฐ t)์ ๋ํด ์ผ์ ํ๋ค ๐ฌ(๐_๐) =๐
- ๋ถ์ฐ์ ๋ชจ๋ ์์ (์๊ฐ t)์ ๋ํด ์ผ์ ํ๋ค ๐ฝ๐๐(๐_๐) =๐^๐
- ๊ณต๋ถ์ฐ์ ์์ (์๊ฐ t)์ ์์กดํ์ง ์๊ณ , ๋จ์ง ์์ฐจ์๋ง ์์กดํ๋ค ๐ช๐๐(๐_(๐+๐),๐_๐) =๐ธ_๐
46. ์ ๋ต : 1/5
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ค๋ถ๋ฅํ๋ฅผ ํ์ฉํ ํ๊ฐ ์งํ
F1 = 2 * (Precision * Recall) / (Precision + Recall)
Precision = TP / (TP + FP) = 15 / 75 = 1/5
Recall = TP / (TP + FN) = 15 / 75 = 1/5
= 2 * (1/5 * 1/5) / (1/5 + 1/5) = 2/25 / 2/5 = 10/50 = 1/5
Precision, Recall์ด ๊ฐ์ผ๋ฉด F1๋ ๊ฐ์ต๋๋ค.
47. ์ ๋ต : ์ต๋๊ฐ
๐๋ฌธ์ ํ์ธ
ํด์ค :
์ต๋จ ์ฐ๊ฒฐ๋ฒ – ๋จ์ผ์ฐ๊ฒฐ๋ฒ์ด๋ผ๋๋ก ํ๋ฉฐ , ๋ ๊ตฐ์ง ์ฌ์ด์ ๊ฑฐ๋ฆฌ๋ฅผ ๊ตฐ์ง์์ ํ๋์ฉ ๊ด์ธก ๊ฐ์ ๋ฝ์์ ๋ ๋ํ๋ ์ ์๋ ๊ฑฐ๋ฆฌ์ ์ต์๊ฐ์ ์ธก์ ํ๋ค.
์ต์ฅ ์ฐ๊ฒฐ๋ฒ (์์ ์ฐ๊ฒฐ๋ฒ ) – ๋ ๊ตฐ์ง ์ฌ์ด์ ๊ฑฐ๋ฆฌ๋ฅผ ๊ตฐ์ง์์ ํ๋์ฉ ๊ด์ธก ๊ฐ์ ๋ฝ์์ ๋ ๋ํ๋ ์ ์๋ ๊ฑฐ๋ฆฌ์ ์ต๋๊ฐ์ ์ธก์ ํ๋ค.
48. ์ ๋ต : 57.5%
๐๋ฌธ์ ํ์ธ
ํด์ค : ์ฃผ์ฑ๋ถ 1๊ฐ๋ฅผ ์ฌ์ฉํ์ ๋์ ๋ถ์ฐ์ PC1์ Proportion of Variance๋ฅผ ๋ณด๊ณ ํ๋จํ ์ ์๋ค.
49. ์ ๋ต : ์ ์ ์๊ณ ๋ฆฌ์ฆ (์ ์ ์ ์๊ณ ๋ฆฌ์ฆ)
๐๋ฌธ์ ํ์ธ
ํด์ค :
50. ์ ๋ต : ์ธตํ ์ถ์ถ๋ฒ
๐๋ฌธ์ ํ์ธ
ํด์ค :
- ๋จ์ ๋ฌด์์ ์ถ์ถ๋ฒ | ๋ชจ ์ง๋จ์ ๊ฐ ๊ฐ์ฒด๊ฐ ํ๋ณธ์ผ๋ก ์ ํ๋ ํ๋ฅ ์ด ๋์ผํ๊ฒ ์ถ์ถ๋๋ ๊ฒฝ์ฐ |
- ๊ตฐ์ง ์ถ์ถ๋ฒ | ๋ชจ์ง๋จ์ ์ฐจ์ด๊ฐ ์๋ ์ฌ๋ฌ ๊ฐ์ ์ง๋จ(cluster)๋ก ๋๋๊ณ , ์ด๋ค ์ง๋จ ์ค ๋ช ๊ฐ๋ฅผ ์ ํ ํ ํ, ์ ํ๋ ์ง๋จ ๋ด์์ ํ์ํ ๋งํผ์ ํ๋ณธ์ ์์๋ก ์ ํํจ |
- ๊ณํต ์ถ์ถ๋ฒ | ๋ชจ์ง๋จ ๊ฐ์ฒด์ 1, 2, ..., N ์ด๋ผ๋ ์ผ๋ จ๋ฒํธ๋ฅผ ๋ถ์ฌํ ํ, ์ฒซ ๋ฒ์งธ ํ๋ณธ์ ์์๋ก ์ ํํ๊ณ ์ผ์ ๊ฐ๊ฒฉ์ผ๋ก ๋ค์ ํ๋ณธ์ ์ ํํจ |
ADsP 38ํ ๊ธฐ์ถ๋ฌธ์ ๋ณต์ / ์ ๋ต ์ถ์ฒ : ์ ํ๋ธ EduAtoZ๐จ๐ป๐ป๐ฉ๐ป๐ป
'IT์๊ฒฉ์ฆ ๊ณต๋ถ > ADsP ๊ธฐ์ถ๋ฌธ์ ' ์นดํ ๊ณ ๋ฆฌ์ ๋ค๋ฅธ ๊ธ
[ADsP] 21 ~ 35ํ ๊ธฐ์ถ๋ฌธ์ ์ฃผ๊ด์ ๋ชจ์ (์ด 80๋ฌธ์ ) - Part 2 (5) | 2023.04.07 |
---|---|
[ADsP] 21 ~ 35ํ ๊ธฐ์ถ๋ฌธ์ ์ฃผ๊ด์ ๋ชจ์ (์ด 80๋ฌธ์ ) - Part 1 (5) | 2023.04.05 |