[강의] AI 직군 기술 면접에 필요한 핵심 개념 리스트

원티드 프리온보딩 6월 챌린지 AI 세션 2일차
발표자 : 김도현 대표님
날짜 : 2024-06-05
시간 : 19:00~21:00 (2h)

[목차]
- 확률통계 핵심개념 정리
- 선형대수 핵심개념 정리
- 컴퓨터공학 핵심개념 정리

확률 (Probability)
확률변수와 확률분포
- 표본공간
- 확률변수
- 확률분포
우도 (Likelihood) ⭐
확률과 우도의 차이 💡
최대우도 추정법 (Maximum Likelihood Estimation) ⭐
중심극한정리 (Central Limit Theorem)와 큰수의 법칙 (Law of Large Numbers)
평균, 분산, 표준편차 계산법
모분산, (...)
이산형 확률분포
연속형 확률분포, 확률밀도함수 (PDF)
정규분포
표준화 (Standardization) ⭐
표준정규분포 ⭐
가설 검정 ⭐
- 귀무가설 (Null Hypothesis, H0)
- 대립가설 (Alternative Hypothesis, H1) = 연구가설
- 양측검정, 단측검정
가설 검정의 절차
확증적 데이터 분석 (Confirmatory Data Analysis, CDA)
- 가설 설정 > 데이터 수집 > 통계 분석 > 가설 검증
- 데이터 정제가 잘 되어있고, 내가 원하는게 뭔지 알 때 사용하변 좋은 방법
양적 자료 (Quantitative Data) 와 질적 자료 (Qualitative Data)
일변량 양적 자료의 분석
- 표, 히스토그램, 상자 그림, 기술통계량, 분포의 모양
일변량 질적 자료의 분석
- 표, 백분율, 막대그래프, 원 그래프, 기타 다른 시각화 기법들
탐색적 데이터 분석 (Explanatory Data Analysis, EDA)
- 데이터 수집 > 시각화 탐색 > 패턴 도출 > 인사이트 발견
- 데이터를 뜯어보는 방법, 상관 관계, 인과 관계 등을 도출
기술통계량 (Descriptive statistics) - 어떻게 구하는지 알기

회귀 분석 (Regression Analysis) ⭐ ⭐
- 실무에서는 단순 선형 회귀를 제일 많이 함
- scikit learn 쓰지만 원리는 알고 있어야 함. 어떨 때 어떻게 돌아가는지, input, output이 뭔지는 알고 있어야 함
단순 선형회귀 (Simple Linear Regression)
최소제곱법 (OLS. Ordinary Least Squares)
- Cross Entroy Loss와 같은 의미
- 얼마나 잘 하는지에 대한 지표도 알아야 함
순서통계량
가설 검정 구체적 방법
- 모평균 추정, 모분선 추정, 신뢰 구간
베이지안 ⭐
사전 확률, 사후 확률의 차이

행렬 (Matrix) : 수 또는 다항식 등을 행과 열로 배열한 것
벡터 (Vector) : 크기와 방향을 함께 가지는 물리량. 시점과 끝점을 연결하는 화살표로 표시
- 덧셈, 뺄셈, 내적, 외적 등 벡터 간 연산 가능
  - -> 유사도 측정 가능
- cf. 스칼라 (Scalar) : 크기만 가지는 물리량

(AI Researcher 직무 필요 개념, 대학원 면접 질문)

생성(Span) 과 기저(Basis)
선형 독립 (Linearly Independent)
행렬식 (Determinant)
고유값과 고유벡터
계수 (Rank)
- matrix factorization?
차원의 저주 (The curse of dimensionality) : 데이터 학습을 위해 차원이 증가하면서 상대적으로 데이터가 Sparse해지고 모델의 성능이 떨어지는 현상
- 이 때문에 적절한 피쳐 개수를 유지해주는게 중요하다
차원 축소 (Dimensional Reduction)
- Feature Selection :
  - 통계적 방법으로 피쳐 중요도 순위 결정
  - 상관분석, 전/후진선택 등
- Feature Extraction
  - 저차원의 피쳐를 새로 생성
  - PCA, LDA
PCA (Principal Component Analysis, 주성분 분석)과 LDA (Linear Discriminant Analysis, 선형판별분석)

(Backend)

cod