단원 마무리 — 2단원 인공지능과 학습

🧠

핵심 정리 — 개념 지도

가지를 클릭하면 핵심 요약이 나타나요!

🧭 단원의 큰 그림 — 기계학습은 정해진 순서가 있는 과정이다. ① 문제를 정의하고 데이터를 모으고 → ② 데이터를 다듬고 → ③ 학습 유형·알고리즘을 고르고 → ④ 학습시켜 평가하고 → ⑤ 더 강력한 딥러닝으로 확장한다. 1단원의 인공지능이 '사람이 규칙을 적는' 것이었다면, 이 단원은 '데이터로 스스로 배우는' AI의 전 과정이었다.

🎯 문제 정의와 데이터 수집 [12인기02-01]
· ML에 맞는 문제 = 패턴 있음 + 데이터 충분 + 규칙으로 적기 어려움
· 데이터는 AI의 교과서 — "쓰레기를 넣으면 쓰레기가 나온다"
· 데이터 편향: 치우친 데이터 → 불공정한 AI(채용 AI 사례). 다양성을 고르게 담아야 공정

🧹 전처리와 속성 추출 [12인기02-02]
· 결측치(빈 값)는 평균·중앙값으로 채우기, 이상치(튀는 값)는 바로잡기
· 정규화: 단위가 다른 값을 0~1로 맞춰 공평하게
· 특성(feature) 선택: 목표와 관련 깊은 것만 — 많다고 좋은 게 아님

🍳 유형과 알고리즘 선정 [12인기02-03]
· 지도학습(정답표 O): 분류(범주)·회귀(숫자)
· 비지도학습(정답표 X): 군집·연관
· 강화학습: 상·벌로 시행착오(알파고 제로!) / "만능 알고리즘은 없다"

🎓 학습과 평가 [12인기02-04]
· 훈련/테스트 분리: 시험 문제(테스트)는 학습에 쓰지 않기
· 과적합: 훈련은 잘하나 새 데이터에 약함(외움) ↔ 과소적합(덜 배움)
· 지표: 정확도만으론 부족 → 정밀도·재현율(줄다리기 관계), 혼동 행렬

🧠 인공신경망과 딥러닝 [12인기02-05·06]
· 퍼셉트론: 입력×가중치 합 → 임계값 → 출력 (학습 = 가중치 조정)
· 인공신경망: 입력층–은닉층–출력층 / 딥러닝: 은닉층을 깊게, 특징을 스스로 학습
· 발전 배경: 빅데이터 + GPU + 알고리즘 / 활용: 컴퓨터 비전·음성·자연어·생성형

🏆

단원평가

11문항 · 모두 풀고 [채점하기]를 누르세요. 해설과 함께 결과가 나와요!

🏆

2단원 종합 평가

객관식 9 + OX 2 · 일괄 채점

1다음 중 기계학습이 가장 적합한 문제는?

2치우친 데이터로 학습해 AI의 판단이 불공정해지는 현상은?

3단위·크기가 다른 특성들을 같은 범위로 맞추는 전처리 작업은?

4정답표 없이 비슷한 고객끼리 자동으로 묶는 것은 어떤 학습 유형일까?

5'내일의 기온(℃)'을 예측하는 것은 지도학습 중 무엇일까?

6훈련 정확도 98%, 테스트 정확도 62%인 모델의 상태는?

7희귀병 진단처럼 환자가 드문 경우, 정확도만 봐서는 안 되고 꼭 함께 봐야 할 지표는?

8인공 뉴런(퍼셉트론)의 '학습'에서 조정되는 것은?

9[OX] 딥러닝은 예측에 중요한 특징을 데이터로부터 스스로 찾아낼 수 있다.

10[OX] 딥러닝 모델은 항상 '왜 그런 판단을 했는지' 명확하게 설명할 수 있다.

11딥러닝으로 문제를 해결한 뒤 성능을 평가하는 방법으로 가장 적절한 것은?

0 / 11

✍️

서·논술형 자기 점검

먼저 스스로 써 본 뒤 예시 답안과 비교해 보세요.

1. 우리 생활 속 문제 하나를 골라 기계학습으로 해결하는 과정을 ① 문제 정의 ② 필요한 데이터 ③ 학습 유형(지도/비지도/강화와 분류/회귀/군집) ④ 평가 방법의 순서로 설계하시오. 12인기02-01 12인기02-03 12인기02-04

📖 예시 답안 (급식 잔반량 예측) ① 문제 정의: 내일 급식의 잔반량(kg)을 예측해 식자재 낭비를 줄인다. ② 데이터: 과거 날짜·요일·메뉴·날씨·행사 여부와 그날의 실제 잔반량(저울 기록). ③ 학습 유형: 정답(과거 잔반량)이 있고 답이 '숫자'이므로 지도학습 · 회귀. ④ 평가: 데이터를 훈련/테스트로 나눠, 테스트에서 예측값과 실제값의 오차를 측정하고 과적합을 점검한다. — 네 단계가 문제와 구체적으로 연결되고, 유형 선택의 근거(정답 유무·숫자/범주)가 들어가면 만점!

2. 어떤 얼굴 인식 AI가 특정 집단에서 유독 오류가 많았다. 그 원인을 '데이터'의 관점에서 설명하고, 공정한 AI를 만들기 위한 해결 방안을 한 가지 제시하시오. 12인기02-01 12인기02-02

📖 예시 답안 원인: 학습 데이터에 그 집단의 사진이 적게 포함되어(데이터 편향), 모델이 그 집단의 특징을 충분히 배우지 못했기 때문이다. AI는 본 만큼만 알아보므로, 적게 학습한 집단의 인식률이 낮아진다. 해결 방안: 데이터 수집 단계에서 다양한 집단(인종·연령·성별 등)의 데이터를 고르게 포함하도록 균형을 맞추고, 집단별 성능(재현율 등)을 따로 평가해 편향이 없는지 점검한다. — 원인을 '데이터 편향'으로 정확히 짚고, 해결책이 '데이터의 균형·다양성 확보'를 향하면 성취기준 완성!

🪞

성취기준 자가평가

스스로 솔직하게 점검해 보세요. 선택은 자동 저장됩니다.

12인기02-01 기계학습 문제를 정의하고 데이터를 선정·수집할 수 있다.

12인기02-02 데이터를 전처리하고 핵심 속성을 추출할 수 있다.

12인기02-03 문제에 맞는 기계학습 유형과 알고리즘을 선정할 수 있다.

12인기02-04 훈련/테스트로 학습·평가하고 과적합을 이해할 수 있다.

12인기02-05 인공신경망과 딥러닝의 특성을 이해하고 활용 분야를 안다.

12인기02-06 딥러닝으로 문제 해결을 설계하고 성능 평가를 이해할 수 있다.

💡 다시 보면 좋은 곳

편향이 헷갈리면 데이터 편향 실험을, 전처리는 전처리 실습실을 다시 해 보세요. 과적합은 과적합 실험실의 두 곡선으로, 신경망은 퍼셉트론·신경망 시각화로 — 만져 본 만큼 남습니다!

🧭

진로 연계 — 이 단원이 통하는 직업들

🤖

기계학습 엔지니어

데이터로 모델을 학습시키고 서비스에 탑재해요.

📊

데이터 과학자

데이터를 모으고 다듬어 통찰과 예측을 만들어요. (진로 과목 「데이터 과학」 직결!)

🏷️

데이터 엔지니어·라벨러

학습용 데이터를 수집·가공·검수하는 AI의 토대를 만들어요.

🧠

딥러닝 연구원

새로운 신경망 구조와 학습 방법을 연구해요.

⚖️

AI 공정성·품질 전문가

편향을 점검하고 모델의 성능·공정성을 평가해요.

👀 다음 단원 예고 — 3단원 「인공지능의 사회적 영향」

이제 인공지능을 이해하고(1단원) 직접 길러 봤어요(2단원). 그렇다면 이 강력한 기술은 우리 사회를 어떻게 바꿀까요? 다음 단원에서는 AI가 바꾸는 직업과 삶, 윤리적 딜레마, 그리고 인간과 AI의 공존을 깊이 고민합니다. 기술을 '만드는 사람'을 넘어 '책임 있게 쓰는 사람'으로 한 걸음 더 나아가요!