← 보드딥러닝이 뭐예요 + 학습 과정 큰 그림 · 3/11
데이터는 어떻게 생겼나 — feature와 target
모델에 넣는 입력 x는 여러 개의 특징(feature)으로 이루어져 있고, 맞히고 싶은 정답은 target T 하나예요. 교수님 예시는 학생 정보로 기말고사 점수를 맞히는 문제예요.
| 기호 | 의미 | 설명 |
|---|---|---|
| f1 | 성별 | 남 / 여 |
| f2 | 안경 착용 여부 | 착용 / 미착용 |
| f3 | 중간고사 점수 | 0 ~ 100점 |
| f4 | 학년 | 1 ~ 3학년 |
| f5 | 공부 시간 | 하루 평균 공부 시간(시간) |
| T | 기말고사 점수 | 우리가 예측하고 싶은 값 |
feature가 5개이니 입력 한 명은 숫자 5개의 묶음이에요. 학생이 N명이면 표(행이 학생, 열이 feature)가 되어 모양이 (N, 5)예요. 이 모양 표기는 2장 Tensor의 shape과 같아요.
글자는 숫자로 바꿔야 해요. 모델은 곱하기와 더하기만 할 수 있어서 "남/여" 같은 글자(범주형, categorical 값)를 그대로 넣을 수 없어요. 그래서 학습 전에 숫자로 바꿔요. 이 단계를 전처리라고 해요.
- 순서가 없는 범주는 단순 매핑 — 남자 = 0, 여자 = 1, 안경 미착용 = 0, 착용 = 1
- 또는 one-hot 인코딩 — 범주마다 칸을 따로 만들어 해당 칸만 1로 표시해요. 예를 들어 빨강, 파랑, 초록 중 파랑이면 (0, 1, 0)이에요.
정답의 종류에 따라 문제도 둘로 나뉘어요.
시험엔 이렇게 써요 — 이렇게 고르세요
입력 x는 n개의 feature로, 정답 T는 하나의 target으로 이루어진다. 모델은 숫자만 계산할 수 있으므로 성별 같은 범주형 값은 0, 1로 매핑하거나 one-hot 인코딩으로 숫자로 바꾸어 넣는다. 점수 같은 연속값을 맞히면 회귀 문제이다.
잠깐 확인 — 왜 "남/여"를 그대로 모델에 넣지 못하나요?
모델은 숫자끼리 곱하고 더하는 계산만 하기 때문이에요. 그래서 0과 1 같은 숫자로 바꿔요.
다음 카드 → 모델과 weight 개수 세기 ★★
자료: 4주차 · 딥러닝 모델 Training 과정.pdf, Week04 Autograd_Loss_Optimizer.ipynb · 빅데이터04(4주차) 녹취, 빅데이터03·07 녹취 일부