UNIST 인공지능 대학원 면접어느정도의 개념과 이해를 도울 수 있는 자료 및 만약 영어로 발표하려면 어떤 키워드를 담아야할지를 정리하도록 합니다. 우선은 개념을 이해하는 것을 중점으로 하고, Application이 어디에 적용될수 있을지를 생각합니다.순서는 연구실에 정리되어 있던 준비 자료를 따릅니다. 하지만, 추가 공부를 위해서 깃허브에 돌아다니는 자료도 같이 조사합니다.※실제 기술면접 질문1. 오늘 기분어때?2. 자기소개 및 학위생활동안의 목표 및 졸업 계획3. 머신러닝과 딥러닝의 차이점4. KNN / K-Means 알고리즘의 차이점과 카테고리 및 비지도 학습 및 지도학습과의 관련성5. 오버피팅과 언더피팅6. 오버피팅의 해결법 다양하게 설명 후 주로 Regularization에 대해서 질문 (Reguralization의 파라미터 역할)7. 중심 극한 정리란? 이를 통한 가우스 정리란?<중 략>※머신러닝관련 정리1. Cross Validation2. Metrics for regression & Classification3. Sort of Metrics4. Normalization & Regularization1. Cross Validation직관적으로 교차검증으로 해석할 수 있습니다.기본적으로는 Dataset을 Train, Test, Validation으로 나누어 Train을 통해 훈련을 완료한 모델을 Valid 데이터 셋을 통해 검증하고 모델 성능을 높이도록 Train을 튜닝하는 것을 말합니다. 이는 Overfitting을 방지하고, 모델의 일반화 성능을 검증하는데 도움을 줄 수 있습니다.그 예시로, K-Fold Cross Validation 방법이 있습니다. 해당 방법은 하나의 데이터 셋을 K개로 나누어서 하나는 검증에 사용하고, 나머지는 모두 훈련에 사용하는 방법입니다. 해당 동작을 K번 반복해서 평균 계산을 합니다.
