선형 자료구조 개념​

스택 입출력 원리, 활용 예시​

스택 입출력 원리​

• 개념도

구분		내용
입출력 원리		LIFO 원칙으로 가장 마지막에 삽입된 데이터가 가장 먼저 나오는 자료구조
구성	PUSH	스택의 맨 위에 데이터 추가
	POP	스택의 맨 위에 잇는 데이터 제거하고 반환
	TOP	스택에서 삽입, 삭제가 일어나는 리스트의 끝

스택 활용 예시​

• 괄호의 짝 검사
• 함수 호출, 복귀 순서 관리
• 웹 브라우저 히스토리
• 실행취소

큐 입출력 원리, 활용 예시​

큐 입출력 원리​

• 개념도

구분		내용
입출력 원리		선형리스트 한 쪽에서는 삽입이 일어나고, 다른 한 쪽에서는 삭제만 이뤄지도록하여 먼저 들어온 데이터가 먼저 나가는 자료구조
구성	Front	리스트 맨 앞 출력부
	Rear	리스트 맨 뒤 입력부
	Enqueue	Rear에 데이터를 삽입하는 작업
	Dequeue	Front에서 데이터를 삭제하는 작업

큐 활용 예시​

• 대기열에 사용: 서로 다른 쓰레드 사이, 프로세스 사이, 네트워크 데이터 전송
• 웹 서버 요청
• 너비 우선 탐색

리스트 입출력 원리, 활용 예시​

리스트 입출력 원리​

• 개념도

구분		내용
입출력 원리		순서를 가진 데이터의 집합으로, 배열 기반 또는 링크드 리스트 기반으로 데이터 저장하는 자료구조
구성	Insert	리스트의 특정 위치에 데이터 삽입
	Delete	리스트 특정 위치의 데이터 제거

리스트 활용 예씨​

• 트리, 그래프 등 계층 구조 구현
• 커널 모드 프로그래밍

추론통계 개념​

• 샘플데이터를 기반으로 모집단의 특성을 추론하거나 가설을 검증하는 통계방법
• 표본추출
  • 랜덤추출
  • 계통추출
  • 집락추출
  • 층화추출
• 기술통계
  • 평균
  • 분산
  • 표준편차
• 추론
  • 점추정
  • 구간추정
• 가설검정
  • 모수검정
  • 비모수검정

중심극한정리 개념 및 특징​

중심극한정리 개념도​

• 모집단으로부터 추출된 표본의 크기가 충분히 커지면 모집단 표본 분포와 상관없이 표본들의 평균분포가 표준정규분포를 따른다는 법칙
• 이미지출처

중심극한정리 특징​

구분	특징	내용
통계적 추론	정규분포 근사화	표본 평균을 정규분포에 근사화하여 통계적 추론을 간편하게 만들어줌
-	추론 강화	적은 표본에도 모집단 추론 가능
표본과 모집단	표본 크기 영향	표본 크기 중에서 중심극한정리 적용 용이
-	모집단 분포 독립ㅈ거	모집단 데이터 분포에 상관없이 평균분포 근사값 제공

• 모집단의 분포가 정규분포가 아니여도 중심극한정리에 의해 정규분포로 가정 후 통계분석 가능

T검정, Z검정 비교​

T검정, Z검정 관계도​

T검정, Z검정 상세비교​

구분	T검정	Z검정
모집단 정보	표준편차 모를 때 사용	표준편차 알 때 사용
표본 크기	소규모	대규모
유연성	표본 크기가 작아도 정확한 추론	표본 크기 작으면 부정확
분포 사용	T분포	Z분포
예시	학생성적 비교, 소규모 실험 전/후 비교	공장 생산품질 비교, 대규모 설문조사 분석

다중공선성 개념​

• 다중회귀분석에서 일부 독립변수들 간 높은 상관관계가 존재해 데이터 분석시 부정적인 영향을 미치는 현상
• 독립 변수 간 상관관계, 예측 신뢰도 저하, 모델 해석의 어려움

다중공선성 개념도, 상세설명​

다중공선성 개념도​

• 독립변수 간 상관관계가 강하여 결정계수 값이 높아 과적합 발생

다중공선성 상세설명​

구분	항목	내용
판단기준	상관계수	독립변수 간 상관계수가 0.7 이상인 경우 의심
-	분산팽창요인	VIF 값이 10을 넘는 경우 다중공선성 존재 판단
-	결정계수	$R^2$는 높지만 p-value도 높은 경우 의심
해결방법	변수제거	상관 관계를 가진 변수를 제거하여 공선성 완화
-	변수변환	로그변환, 정규화 통한 변수 관계 조정
-	PCA	고차 데이터를 선형독립적인 주성분으로 변환하여 공선성 제거

점추정, 구간추정 개념 비교​

구분	점추정	구간추정
개념	모집단의 모수를 단일 값으로 추정하는 방법	모집단의 모수가 포함도리 것으로 예상되는 구간을 추정하는 방법
특징	추정 간편, 간단한 계산	추정값의 신뢰도를 포함한 정보 제공

점추정, 구간추정 개념도, 상세 비교​

점추정, 구간추정 개념도 비교​

• 점추정은 하나의 값, 구간추정은 신뢰 구간을 추정하는 방법

점추정, 구간추정 상세 비교​

구분	점추정	구간추정
추정값	단일수치값	하한값과 상한값 범위
불확실성표현	직접표현안함	신뢰구간을 통해 표현
성질	불편성, 효율성, 일치성, 충분성	신뢰성
방법	MSE, 적률법, 최대가능도	표준정규분포, t분포
사용용이성	계산 간단, 해석 용이	계산 복잡, 높은 신뢰도
정보량	단일 추정치, 제한된 정보	범위, 신뢰수준 등 추가 정보 제공

베이지안 최적화 개념​

• 가우시안 프로세스 등 확률적 모델을 통해 함수 분포를 추정하고, 획득함수를 통해 탐색 지점을 결정하는 블랙박스 함수의 최적화 기법
• 기존 Grid Search, Random Search 기법 비효율 개선, 목적함수 평가 비용 최소화, 사전 지식을 통합한 확률적 모델 필요성

베이지안 최적화 개념도, 구성요소, 절차​

베이지안 최적화 개념도​

• 이미지 출처

베이지안 최적화 구성요소​

구분	내용	비고
확률적 모델	데이터와 사전지식을 결합하여 함수 분포와 불확실성 모델링	가우시안 프로세스 등
목적함수	실제 최적값을 목표로 예측의 기준이 되는 함수	블랙박스 함수
획득함수	기존 입력값과 다음 최적값을 확률로 찾는 함수	탐색지점 결정

베이지안 최적화 절차​

절차	세부절차	내용
모델링	초기 데이터 수집	변수 공간에서 초기 표본 데이터 수집
-	가우시안 프로세스 모델링	함수 사전 분포 정의
예측	획득 함수 계산	현재 사후 분포 기반 계산
-	다음 탐색 지점 선정	획득 함수 최대화하여 우선순위 선정
평가	목적 함수 평가	선정지점에서 목적함수 평가 수행
-	확률적 모델 업데이트	모델 업데이트 및 반복

인공신경망의 개념, 구성요소​

인공신경망 개념​

• 인간의 뇌 신경 구조를 모방한 기계학습 모델로 뉴런 간 연결과 가중치를 통해 데이터를 학습하고 패턴을 인식

인공신경망 구성요소​

구분	설명	비고
입력층	학습을 위한 데이터 입력 계층	입력 데이터, 특징
은닉층	입출력층 사이에서 데이터 특징 추출	특징 추축, 학습, 가중치
출력층	최종 결과를 제공하는 층	결과 예측, 분류
가중치	뉴런 간 연결 강도를 나타내는 값	연결 강도, 학습 조정
활성화함수	뉴런의 출력값을 결정하는 함수	비선형성, 출력 결정

피드포워드 뉴럴네트워크 개념, 절차​

FNN 개념​

• 입력값이 출력까지 순방향으로 전달되는 구조를 가진 인공신경망

FNN 절차​

절차	세부절차	설명
초기화	모델 설계	인공신경망 구조 설계
-	가중치 초기화	가중치 및 편향 초기화
순방향 전파	데이터 전달	입력층에서 출력층까지 데이터 순방향 전달
-	예측값 계산	입력X가중치+편향 값에 활성화함수 적용
출력	출력값 계산	분류 및 회귀 출력 값 계산
-	검증	모델 성능 평가

---

역전파 개념, 절차​

역전파 개념​

• 역방향으로 오차를 전파시켜 각 층의 가중치를 업데이트하고 최적의 학습 결과를 찾아가는 방법

역전파 절차​

단계	설명	세부 내용
순전파	입력 데이터를 통해 출력값 계산	입력층 → 은닉층 → 출력층으로 데이터 전달
오차 계산	출력값과 실제값 비교	손실 함수를 사용해 오차 계산
가중치 업데이트	역전파를 통해 가중치 조정	경사하강법 등 최적화 알고리즘 사용

활성화함수 종류 및 역할​

활성화함수 종류​

구분	그래프	설명
Sigmoid		이진 분류 문제에 적합 경사 기울기 소실 문제
ReLU		음수는 0, 양수는 그대로 출력 DNN 가능, 계산 효율성 높음
Tanh		Sigmoid보다 수렴속도 빠름 경사 기울기 소실 문제
Leaky ReLU		ReLU 음수 기울기 문제 해결 x에 0.01 등 작은 값을 곱해줌
Swish		ReLU보다 부드러운 활성화 함수 딥러닝 모델에서 성능 개선 음수에서 미세한 값 유지, 양수에서 x와 유사한 출력

활성화함수 역할​

역할	설명	예시
비선형성 부여	xor 등 복잡한 패턴을 학습할 수 있게 도움	ReLU, Sigmoid
출력값 제한	출력 값을 틍정 범위로 제한, 안정적 학습	Sigmoid, Tanh
계산 효율성 향상	불필요 계산을 줄이고 학습속도 개선	ReLU 음수값 제거

자연어 모델 개요​

• 트랜스포머 구조 등장으로 자연어 처리능력이 비약적으로 상승, 생성형 AI시대 진입

PLM 개념 및 특성​

PLM 개념​

• 대규모 텍스트 코퍼르소부터 언어 패턴을 사전 학습한 자연어 처리 모델
• BERT, GPT 등이 주요한 Pre-trained Language Model로 활용

PLM 특성​

특성	설명	비고
사전학습	대규모 텍스트 데이터로 비지도학습 수행 언어의 통계적 특성 학습	BERT, GPT
범용성	다양한 NLP 작업에 적용 가능 전이학습으로 성능 개선 가능	텍스트생성, 감정분석
언어이해능력	중요 단어에 더 큰 가중치 부여하여 학습 문맥적 의미 반영한 표현 생성	어텐션 매커니즘

LLM 생성과정 및 특성​

LLM 생성과정​

• PLM에서 파라미터를 비약적으로 늘려 범용 성능을 가진 LLM 생성

LLM 특성​

특성	설명	기대효과
초대형 파라미터	수십억-수천억개 이상 파라미터 확장 다양한 문맥정보를 정교하게 표현	Few-shot, Zero-shot 응답
범용성 확대	파인튜닝, RLHF 등을 통해 응답 품질개선 다중언어, 다분야 처리능력향상	범용 AI
인간수준 자연어생성	최적화를 통한 완결성있는 문장 생성 대화의 맥락 추론 가능	태스크 자동화, 효율화

PLM과 LLM 비교​

구분	PLM	LLM
데이터규모	수억-수십억 토큰	수십억-수조 토큰
모델파라미터	수천만-수억 개	수십억-수천억 개
학습방식	사전학습, 파인튜닝	사전학습, 파인튜닝, 인스트럭션 튜닝
응용범위	특정 작업시 전이학습 필요	다양한 작업에 높은 성능
컴퓨팅 파워	상대적 낮음	고성능 GPU 필요

머신러닝 성능지표 개념​

• 실제 값과 모델에 의해 예측된 값을 비교하여 머신러닝 모델이 얼마나 잘 학습했는지 평가하기 위한 지표
• 지도학습, 비지도학습, 강화학습 별 다른 성능지표 활용

머신러닝 성능지표 상세​

지도학습 성능지표​

구분	성능지표	설명
회귀	MSE	오차를 제곱하여 평균, 값이 작을수록 우수
-	RMSE	MSE의 제곱근, 해석을 용이하게 변환
-	MAE	오차의 절대값의 평균, 이상치에 덜 민감
-	R^2	회귀모델의 설명력을 표현, 1에 가까울수록 우수
분류	정확도	올바르게 예측한 비율, 클래스 불균형에 민감
-	정밀도	Positive로 예측한 것 중 실제 Positive 비율
-	재현율	실제 Positive 중 Positive로 예측한 비율
-	F1 Score	정밀도와 재현율의 조화평균, 불균형 데이터셋에 우수
-	AUC	ROC Curve의 면적, 종합적 성능 평가, 1에 가까울수록 우수

• 분류모델 성능 평가시 혼동행렬 작성 선행 필요

비지도학습 성능지표​

구분	성능지표	설명
클러스터링	실루엣 지수	클러스터의 밀집 정도를 계산, 1에 가까우면 높은 성능
-	Dunn Index	군집 간 거리의 최소값, 군집 내 요소 간 거리 최대값의 비율
차원축소	재구성오차	축소 복원시 원본과의 오차를 평가
-	설명분산비율	축소된 차원에서 전체 데이터 분산 중 설명되는 비율
-	스트레스	저차원 공간에서 고차원 데이터 간 거리의 보존 정도를 평가

강화학습 성능지표​

• 환경과 상호작용하며 보상이 최대화되는지 평가

분산 데이터베이스 개념​

• 네트워크를 통해 물리적으로 분산되어 있는 여러 개의 데이터베이스 시슽메을 논리적으로 연관시킨 통합 데이터베이스
• 중복성, 지역독립성, 투명성

분산 데이터베이스 5가지 투명성​

분할 투명성​

• 하나의 논리적 릴레이션에 단편들로 분할된 데이터가 여러 사이트에 저장
• Bottleneck 방지, 설계 기술 필요

위치 투명성​

• 사용자나 프로그램이 데이터베이스의 물리적 위치를 알 필요 없이 데이터 접근 가능
• 분산 데이터 딕셔너리, 디렉토리 관리 필요

복제 투명성​

• 접근할 데이터가 물리적으로 여러 사이트에 복제되었는지 알 필요가 없는 특성
• 점진적 일관성 유지, 전파 갱신 처리 부하

장애 투명성​

• 지역 시스템, 통신에 장애가 있어도 데이터 무결성을 보존하는 성질
• 2 Phase Commit 활용, 장애 원인 규명 복잡

병행 투명성​

• 다수 트랜잭션 동시 수행시 결과에 이상이 발생하지 않는 성질
• 리소스 사용 극대화, 병행 제어 활용

CAP 이론과 분산 투명성의 관계​

구분	내용	관계
Consistency	데이터 일관성 보장	병행투명성, 복제투명성
-	-	네트워크 분할시 가용성 희생
Availability	요청에 항상 응답	분할투명성, 장애투명성
-	-	네트워크 분할시 일관성 희생
Partition Tolerance	네트워크 분할시 시스템 동작 유지	장애투명성
-	-	네트워크 분할시 C 또는 A 선택

데이터 모델링 개념​

• 현실 세계 업무 프로세스를 추상화하여 물리적으로 데이터베이스화하기 위한 과정으로, 실체와 관계 중심으로 데이터 모형을 표현하는 모델링
• 가시화, 명세화, 문서화, 추상화, 통합성, 이해성

데이터 모델링 단계, 식별/비식별 관계 비교​

데이터 모델링 단계​

단계	설명
개념 모델링	요구사항을 데이터 모델로 변환
-	엔티티와 속성 정의, 엔티티 간 식별/비식별 관게 설정
논리 모델링	개념스키마를 실제 DBMS 스키마로 변환
-	데이터 구조와 무결성 제약 설정
-	식별/비식별 관례를 기본키, 외래키로 추가
물리 모델링	저장구조, 저장방법 기술, 성능 기준 충족

식별/비식별 관계 개념 비교​

식별 관계​

• 하위 엔티티의 PK 구성이 상위 엔티티의 PK에 포함되는 관계

비식별 관계​

• 하위 엔티티의 일반 속성에 상위 엔티티의 PK가 포함되는 관계

식별/비식별 관계 상세 비교​

구분	식별 관계	비식별 관계
결합도	강한 연결관계	약한 연결관계
표기법	실선 표현	점선 표현
PK	하위 엔티티 PK 구성 포함	미포함
관계	자식 엔티티가 부모에 종속적	자식 엔티티가 부모에 독립적
데이터 무결성	부모 엔티티 삭제시 자식 엔티티 함께 삭제	부모 엔티티 삭제시 자식 엔티티 유지, 관계 해제
예시	Order 와 OrderItem	Customer 와 Order

데이터 모델링시 고려사항​

비지니스 측면​

• 비지니스 요구사항
• 엔티티 속성 정의
• 관계 설정: 엔티티 관계, 키 설정
• 무결성 제약조건: 개체, 참조, 속성 무결성

기술 측면​

• 성능: 정규화, 반정규화, 인덱싱, 연결함정, 파티셔닝
• 용량관리: 데이터 양, 저장소, 확장성