정보관리기술사 & 컴퓨터시스템응용기술사

PART 1. 인공지능(人工知能, Artificial Intelligence)의 개요 1. 인공지능(Artificial Intelligence)의 역사 2. 인공지능 3. 인공지능(AI)의 특이점(Singularity) 4. 아실로마(ASILOMA) AI(인공지능) 원칙 5. 규칙기반모델 6. 추천엔진(Recommendation Engine) 7. 전문가시스템(Expert System) 8. 정규표현식과 유한 오토마타 9. 유한 오토마타(Finite Automata) 10. 튜링테스트(Turing Test) 11. 에이전트(Agent) - 1교시형 답안 12. 에이전트(Agent) - 2교시형 답안 13. 킬 스위치(Kill Switch) 14. 트롤리 딜레마(Trolley Dilemma) 15. 인공지능(AI) 윤리의 개념, 주요 사례, 고려사항 및 추진방향 16. 이용자 중심의 지능정보사회를 위한 원칙 17. 약 인공지능(Weak AI), 강 인공지능(Strong AI), 초 인공지능(Super AI), AI 학습데이터 품질 PART 2. 인공지능 알고리즘(Algorithm) 18. 유전자 알고리즘(Genetic Algorithm) 19. 그리디 알고리즘(Greedy Algorithm) 20. 상관분석(Correlation Analysis) 21. Data분석에서 상관관계(Correlation)와 인과관계(Causation)의 비교설명 22. 회귀분석(Regression Analysis) 23. 로지스틱 회귀분석(Logistic Regression Analysis) 24. Cluster(클러스터) 분석 - 1교시형 답안 25. 군집분석(Cluster Analysis) - 2교시형 답안 26. 계층적 군집분석(Hierarchical Clustering) 27. 자카드(Jaccard)계수 28. 해밍거리(Hamming Distance) 29. 해밍코드(Hamming Code)의 오류검색과 수정방법, 그리고 활용사례에 대해서 설명하시오. (Data는 4Bit(1101)로 가정하고 짝수 패리티(Even Parity)를 사용한다) 30. 유클리디안 거리(Euclidean Distance) 31.유클리디안 거리(Euclidean Distance) 계산하시오. (A,B) (A,C) 간의 거리 32. 마할라노비스 거리(Mahalanobis Distance) 계산하시오. (A,B) (A,C) 간의 거리 33. 코사인 유사도(Cosine Similarity) 34. 협업 필터링(Collaborative Filtering) 35. 추천시스템(Recommender System) 36. Apriori(연관규칙) 알고리즘 37. 지지도(Support), 신뢰도(Confidence), 향상도(Lift) 38. 사례1(TV 구입 시 DVD 구입), 사례2(우유 구입 시 주스 구입)에 대해 연관규칙(지지도, 신뢰도, 향상도)을 제시하시오. 39. 앙상블학습(Ensemble Learning) 40. 머신러닝(Machine Learning)에 활용, 앙상블(Ensemble) 기법 41. Bagging과 Boosting 비교 42. 랜덤 포레스트(Random Forest) 43. 의사결정트리(Decision Tree) 44. K-NN(K-Nearest Neighbor) 45. 시계열 분석 46. 시계열 분석(ARIMA) 47. SVM(Support Vector Machine) - 1교시형 답안 48. SVM(Support Vector Machine) - 2교시형 답안 49. 베이즈(Bayes)정리 50. 크기와 모양이 같은 공이 상자 A에는 검은 공 2개와 흰 공 2개, 상자 B에는 검은 공 1개와 흰 공 2개가 들어 있다. 두 상자 A, B 중 임의로 선택한 하나의 상자에서 공을 1개 꺼냈더니 검은 공이 나왔을 때, 그 상자에 남은 공이 모두 흰공일 확률은? (베이즈(Bayes)정리를 활용하시오) 51. K-Means 52. DBSCAN(Density Based Spatial Clustering with Application Notes) 53. 차원축소(Dimensionality Reduction) 54. 오토인코더(Auto Encoder) 55. 군집분석 기법인 SOM(Self Organization Map)에 대하여 설명하시오. 가. SOM 정의 및 특징 나. SOM 구성요소 다. SOM과 신경망 분석기법 차이 56. 특징추출(Feature Extraction) 57. 주성분 분석, PCA(Principal Component Analysis) 58. 독립성분분석, ICA(Independent Component Analysis) 59. 마르코프 결정 프로세스(Markov Decision Process, MDP) 60. 은닉 마르코프 모델(HMM-Hidden Markov Model) 61. 몬테카를로 트리 탐색(MCTS) 62. 몬테카를로 방법(Monte Carlo Method) 63. Q-Learning 64. Tokenization(토근화), N-gram 65. Word2Vec 66. 워드 임베딩(Word Embedding) 67. Word2Vec학습모델, CBOW(Continuous Bag Of Words), Skip-gram 68. 인공신경망의 오류 역전파(Backpropagation) 알고리즘 69. 평균제곱오차(MSE, Mean Square Error) 70. 오차검증(Error Validation) 71. 텐서(Tensor) 72. 선택 편향(Selection Bios) 73. 공분산(Covariance) 74. 편상관분석(Partial Correlation Analysis) 75. 최소 제곱법(Ordinary Least Squares) 76. 부트스트랩(Bootstrap) 77. 모수검증과 비모수검증 PART 3. 심층 신경망 상세 78. 일반적인 프로그램 방식과Machine Learning(기계학습) 프로그래밍 방식 79. 귀납적(Inductive) / 연역적(Deductive) 사고 80. 귀납적사고(Inductive Reasoning)와 기계학습(Machine Learning) 81. 기계학습(Machine Learning) 모델링과 모델옵스(ModelOps)에 대해 설명하시오. 82. AI(Artificial Intelligence), ML(Machine Learning), DL(Deep Learning) 관계와 차이점 83. ML(Machine Learning)과 DL(Deep Learning) 차이 84. 기계학습(Machine Learning) 85. 지도학습(Supervised Learning) 86. 비지도(비감독)(Unsupervised Learning)학습 87. 강화학습(Reinforcement Learning) 88. 딥러닝(Deep Learning) 89. MCP(McCulloch-Pitts)뉴런(Neuron)과 Perceptron 이론 90. 뉴로모픽 칩(Neuromorphic Chip) 91. 헵 규칙(Hebb Rule) 92. 퍼셉트론(Perceptron) 93. 아달라인(Adaline- Adaptive Linear Neutron) 94. 활성화 함수(Activation Function) - 1 95. 활성화 함수(Activation Function) - 2 96. 신경망 학습- FFNN(Feed Forward Neural Network) 97. 딥러닝(Deep Learning)의 파라미터(Parameter)와 하이퍼파라미터 (Hyperparameter)를 비교하고 하이퍼파라미터의 튜닝방법을 설명하시오. 98. 역전파법(Back-Propagation) 99. 기울기 소실 문제(Vanishing Gradient Problem) 100. 경사하강법(Gradient Descent) 101. 과적합(Overfitting)과 부적합(Underfitting), 적합(Bestfitting) 102. 과적합(Overfitting)과 부적합(Underfitting) 해결방안 103. 과적합(Overfitting)의 발생이유와 해결방안 104. Overfitting과 Underfitting의 문제점과 대응방안 105.…

출처: 국립중앙도서관 서지정보