학습용 OX 퀴즈 60문항

데이터 전처리는 결측치 처리, 이상치 처리, 인코딩, 스케일링 등을 통해 모델이 학습하기 좋은 형태로 데이터를 정리하는 과정이다. 일반적으로 모델 학습 전에 수행한다.

특성 스케일링은 키, 몸무게, 소득처럼 단위와 범위가 다른 값을 비슷한 범위로 맞추는 과정이다. 거리 기반 모델이나 경사하강법 기반 모델에서 특히 중요하다.

모델이 학습으로 찾아내는 값은 파라미터이다. 하이퍼파라미터는 학습 전에 사람이 정하거나 탐색으로 조정하는 값이다. 예: k-NN의 k, 결정트리의 최대 깊이.

StandardScaler는 각 특성에서 평균을 빼고 표준편차로 나누어 평균 0, 표준편차 1에 가까운 분포로 변환한다.

MinMaxScaler는 보통 값을 0~1 범위로 압축하고, StandardScaler는 평균 0과 표준편차 1 기준으로 변환한다. 목적은 비슷하지만 방식은 다르다.

특성 공학은 기존 데이터를 조합하거나 변환하여 모델 성능에 도움이 되는 새로운 입력 변수를 만드는 과정이다. 예: 생년월일에서 나이 만들기.

학습 데이터로만 평가하면 모델이 외운 결과를 좋게 보일 수 있다. 객관적인 일반화 성능을 보려면 테스트 데이터나 검증 데이터를 사용해야 한다.

분류는 범주형 정답을 예측하고, 회귀는 연속적인 수치 값을 예측한다. 둘 다 입력 X와 정답 y를 사용하므로 지도 학습에 속할 수 있다.

scikit-learn에서 fit()은 데이터를 이용해 모델을 학습시키고, predict()는 학습된 모델로 새로운 데이터의 결과를 예측한다.

모델 성능을 평가하고, 하이퍼파라미터 조정이나 전처리 개선을 반복하면 모델을 더 좋게 만들 수 있다.

기계학습은 사람이 모든 규칙을 직접 작성하기보다, 데이터에서 패턴을 학습해 예측이나 판단을 수행하는 방식이다.

지도 학습은 입력 데이터 X와 정답 레이블 y를 함께 사용해 모델을 학습시킨다.

개/고양이처럼 범주를 예측하는 것은 분류이다. 회귀는 집값, 온도, 점수처럼 연속적인 수치를 예측하는 문제이다.

분류는 스팸/정상, 합격/불합격, 개/고양이처럼 미리 정해진 범주 중 하나를 예측한다.

모델이 처음 보는 데이터에도 잘 작동하는지 확인하기 위해 학습용과 테스트용 데이터를 분리한다.

fit()은 학습 단계, predict()는 예측 단계이다. 머신러닝 코드에서 매우 기본적인 사용 흐름이다.

과적합은 모델이 학습 데이터의 세부 특징이나 잡음까지 외운 상태이다. 그래서 학습 성능은 높지만 새로운 데이터에서는 성능이 떨어질 수 있다.

비지도 학습은 정답 y 없이 데이터의 군집, 패턴, 구조를 찾는다. 예: 군집화, 차원 축소.

scikit-learn은 파이썬 기본 내장 라이브러리가 아니다. 별도로 설치해야 사용할 수 있는 외부 라이브러리이다.

품질이 낮은 데이터를 넣으면 결과도 나빠진다는 뜻이다. 기계학습에서는 데이터 품질이 모델 성능에 큰 영향을 준다.

지능 에이전트는 센서 등을 통해 환경을 인식하고, 목표나 규칙에 따라 행동을 선택하는 개체이다.

PEAS에서 P는 Performance measure, 즉 성능 척도를 의미한다. E는 Environment, A는 Actuators, S는 Sensors이다.

S는 Sensors이다. 먼지 감지 센서, 충돌 감지 센서, 카메라 등은 환경을 인식하는 센서에 해당한다.

바퀴 모터는 행동을 수행하는 장치이므로 Actuator에 해당한다. 센서는 환경을 감지하는 장치이다.

단순 반사 에이전트는 현재 지각에 따라 if-then 형태의 조건-행동 규칙으로 행동한다.

모델 기반 에이전트는 현재 보이지 않는 환경 상태를 추정하기 위해 내부 상태나 기억을 활용할 수 있다.

목표 기반 에이전트는 특정 목표를 달성하기 위해 행동을 선택한다. 따라서 목표 달성 여부를 고려한다.

효용 기반 에이전트는 단순히 목표 달성 여부뿐 아니라 더 좋은 선택, 더 효율적인 선택을 비교할 수 있다.

파이썬 클래스는 속성으로 상태를, 메서드로 행동을 표현할 수 있어 에이전트 구현에 적합하다.

규칙 기반 에이전트처럼 머신러닝 없이도 동작하는 인공지능 에이전트가 있다.

정보 보안의 3대 목표는 CIA Triad로 불리며, Confidentiality, Integrity, Availability를 의미한다.

허가된 사용자만 접근하게 하는 것은 기밀성이다. 무결성은 정보가 임의로 변경되거나 훼손되지 않고 정확하게 유지되는 성질이다.

웜은 바이러스와 달리 다른 파일에 붙지 않고 네트워크를 통해 스스로 복제·전파될 수 있다.

SQL 인젝션은 사용자가 입력한 값이 SQL 명령의 일부로 해석되게 만들어 데이터베이스를 공격하는 방법이다.

랜섬웨어는 파일을 암호화하거나 시스템 사용을 제한한 뒤 복구 대가로 금전을 요구할 수 있다.

허락 없이 타인의 계정에 접근하는 것은 사생활 침해이며 법적·윤리적으로 문제가 된다.

비밀번호 해싱은 원본 비밀번호를 그대로 저장하지 않기 위한 방법이다. 로그인 시 입력값을 다시 해시하여 저장된 해시와 비교한다.

화이트 해커는 허가된 범위 안에서 취약점을 찾고 보안을 강화하는 데 기여한다.

입력값 검증, 이스케이프 처리, 매개변수화된 쿼리 사용 등은 SQL 인젝션과 XSS 예방에 중요하다.

기술을 다루는 사람은 그 영향과 피해 가능성을 고려해야 한다. 기술적 능력에는 윤리적 책임이 따른다.

디지털 전환은 제조, 의료, 교육, 농업, 행정 등 다양한 분야에서 일어나는 변화이다.

생물정보학은 유전체, 단백질, 생명 데이터 등을 정보과학 기법으로 분석하는 융합 분야이다.

T자형 인재는 한 분야의 깊은 전문성과 여러 분야에 대한 폭넓은 이해를 함께 갖춘 사람을 의미한다.

pandas는 DataFrame을 이용해 표 형태 데이터를 불러오고, 정리하고, 분석하는 데 널리 사용된다.

matplotlib은 그래프와 차트를 그리는 데 자주 사용되는 파이썬 시각화 라이브러리이다.

융합은 여러 분야의 지식과 기술이 결합되어 새로운 문제 해결 방법이나 가치를 만들어내는 과정이다.

프로그래밍은 다양한 전공과 결합할 수 있어 데이터 분석, 자동화, 인공지능 응용 등 새로운 진로를 만들 수 있다.

기술과 사회가 계속 변하기 때문에 졸업 후에도 배우고 적응하는 평생 학습이 중요하다.

진로 설계는 현재 인기뿐 아니라 자신의 흥미, 역량, 사회 변화, 장기 전망을 함께 고려해야 한다.

connecting the dots는 지금은 따로 보이는 경험들이 나중에 의미 있게 연결될 수 있다는 뜻으로 쓰인다.

오픈소스는 소스 코드가 공개되어 라이선스 조건에 따라 사용, 수정, 배포할 수 있는 소프트웨어 개발·공유 모델이다.

CCL은 저작권자가 일정 조건 아래 이용을 허락하는 라이선스이다. 출처 표시, 비영리, 변경 금지, 동일 조건 변경 허락 등의 조건을 확인해야 한다.

이름, 전화번호, 주소는 개인을 식별하거나 다른 정보와 결합해 식별할 수 있으므로 개인정보에 해당한다.

비식별화는 개인을 알아볼 수 없도록 처리하는 것이다. 데이터를 모두 삭제하는 것과는 다르며, 분석 목적에 맞게 익명화·가명처리·마스킹 등을 사용한다.

마스킹은 개인정보 일부를 가려 식별 가능성을 낮추는 방법이다. 홍길동을 홍*동으로 바꾸는 것은 마스킹 예시이다.

웹에 공개되어 있어도 저작권이 있을 수 있다. 사용 전 저작권, 이용 약관, 라이선스를 확인해야 한다.

비밀번호를 원문으로 저장하지 않고 해시값으로 저장하면 유출 시 피해를 줄일 수 있다.

파이썬 문자열은 불변 객체이다. replace()는 원본을 직접 바꾸지 않고 변경된 새 문자열을 반환한다.

robots.txt는 검색 엔진이나 크롤러에게 어떤 경로의 수집을 허용하거나 제한할지 알려주는 규칙 파일이다.

데이터 활용 시 저작권·라이선스 조건과 개인정보 보호 원칙을 함께 확인해야 안전하고 윤리적으로 사용할 수 있다.