[38회 기출 변형 문제]

 

[2과목]

01. 다음 중 분석 마스터플랜 수립에서 적용 범위 및 방식의 고려 요소가 아닌 것은?

1. 기술 적용 수준
2. 업무 내재화 적용 수준
3. 분석 데이터 적용 수준
4. 실행 용이성

해설

• 개념 개요
  • 분석 마스터플랜은 데이터 분석 과제를 체계적으로 수행하기 위한 로드맵을 수립하는 과정입니다. 이 과정에서는 여러 가지 요소를 고려하여 분석의 적용 범위와 방식을 결정합니다.
• 초등학생도 이해하기 쉬운 설명
  • 분석 마스터플랜은 마치 큰 프로젝트를 계획할 때 필요한 모든 것들을 정리하는 것과 같아요. 어떤 일을 먼저 해야 하고, 어떤 도구가 필요한지를 미리 생각해두는 거예요.
• 각 문제 항목 해설
  • 기술 적용 수준
    • 기술이 어떻게 적용될지를 평가하여 분석의 범위와 방식을 결정하는 요소입니다.
  • 업무 내재화 적용 수준
    • 분석 결과가 실제 업무에 얼마나 잘 통합될 수 있는지를 고려하는 요소입니다.
  • 분석 데이터 적용 수준
    • 사용되는 데이터가 분석에 얼마나 적합한지를 평가하는 요소입니다.
  • 실행 용이성
    • 이 요소는 분석의 적용 범위 및 방식보다는, 과제의 우선순위를 결정할 때 고려되는 요소입니다
• 오답 노트
  • 실행 용이성은 주로 분석 과제의 우선순위를 결정할 때 사용되며, 적용 범위 및 방식의 고려 요소로는 적절하지 않습니다.

02. 다음 중 분석 기획 시 고려해야 할 사항이 아닌 것은?

1. 가용 데이터의 고려
2. 새로운 비즈니스의 탐색
3. 적절한 활용 방안 및 유스케이스의 탐색
4. 장애요소에 대한 사전 계획 수립

해설

• 개념 개요
  • 분석 기획은 데이터 분석을 효과적으로 수행하기 위해 필요한 계획을 수립하는 과정입니다. 이는 주로 가용 데이터, 활용 방안, 장애 요소 등의 요소를 고려하여 이루어집니다.
• 초등학생도 이해하기 쉬운 설명
  • 분석 기획은 데이터를 잘 사용하기 위해 미리 계획을 세우는 거예요. 어떤 데이터를 사용할지, 어떻게 사용할지, 문제가 생기면 어떻게 해결할지를 미리 생각하는 거죠.
• 각 문제 항목 해설
  • 가용 데이터의 고려
    • 분석에 사용할 수 있는 데이터의 종류와 양을 평가하는 것은 필수적입니다.
  • 새로운 비즈니스의 탐색
    • 분석 기획의 주요 요소가 아닙니다. 이는 보통 전략 기획에서 다루어집니다.
  • 적절한 활용 방안 및 유스케이스의 탐색
    • 데이터를 어떻게 활용할지에 대한 계획을 세우는 것은 중요합니다.
  • 장애요소에 대한 사전 계획 수립
    • 분석 과정에서 발생할 수 있는 문제를 미리 대비하는 것은 필수적입니다.
• 오답 노트
  • 새로운 비즈니스의 탐색은 분석 기획보다는 전략적 비즈니스 개발과 관련이 있으며, 분석 기획의 직접적인 고려 사항은 아닙니다.

03. 다음 중 빅데이터 분석 방법론의 분석 기획 단계에서 프로젝트에 참여하는 관계자들의 이해를 일치시키고 프로젝트의 핵심 목표를 정의하는 문서는 무엇인가?

1. WBS
2. SOW
3. 프로젝트 수행 계획서
4. 시스템 운영 계획서

해설

• 개념 개요
  • SOW (Statement of Work)는 프로젝트의 범위, 목표, 그리고 주요 작업을 명확히 정의하는 문서입니다. 이는 프로젝트에 참여하는 모든 관계자들이 동일한 이해를 갖도록 하며, 프로젝트의 방향성을 설정합니다.
• 초등학생도 이해하기 쉬운 설명
  • SOW는 마치 팀이 함께 할 일을 정리한 계획표와 같아요. 이 계획표를 보면 팀원 모두가 어떤 일을 해야 하는지, 목표가 무엇인지 쉽게 알 수 있어요.
• 각 문제 항목 해설
  • WBS (Work Breakdown Structure)
    • 프로젝트를 작은 작업 단위로 나누어 관리하기 쉽게 만드는 구조입니다. 주로 작업 분류에 중점을 둡니다.
  • SOW (Statement of Work)
    • 프로젝트의 범위와 목표를 명확히 정의하여 관계자 간의 이해를 일치시키는 문서입니다.
  • 프로젝트 수행 계획서
    • 프로젝트의 전반적인 관리와 일정 조율을 위한 문서로, SOW보다 구체적인 실행 계획을 포함합니다.
  • 시스템 운영 계획서
    • 시스템 운영과 관련된 구체적인 계획을 다루는 문서로, 분석 기획 단계와는 관련이 적습니다.
• 오답 노트
  • WBS: 작업 분류에 중점을 두며, 프로젝트의 범위나 목표 정의보다는 세부 작업 관리에 사용됩니다.
  • 프로젝트 수행 계획서: 프로젝트 실행에 초점을 맞추며, 초기 기획 단계에서의 목표 정의와는 다릅니다.
  • 시스템 운영 계획서: 시스템 운영에 관한 내용으로, 분석 기획 단계에서의 범위 및 목표 정의와 직접 관련이 없습니다.

[3과목]

01. 다음 중 상관계수에 대한 설명으로 잘못된 것은?

1. -1과 1 사이의 값을 가지며 -1에 가까울수록 강한 음의 상관성, 1에 가까울수록 강한 양의 상관성을 갖는다고 할 수 있다.
2. 상관계수는 공분산을 두 변수의 표준편차의 곱으로 나눈 값이다.
3. 피어슨 상관계수는 연속형 변수의 상관성을 측정한다.
4. 스피어만 상관계수는 명목척도의 상관성을 측정한다.

해설

• 개념 개요
  • 상관계수는 두 변수 간의 관계를 정량적으로 나타내는 지표입니다. 일반적으로 -1과 1 사이의 값을 가지며, 이 값이 0에 가까울수록 상관성이 낮고, -1이나 1에 가까울수록 강한 상관성을 나타냅니다.
• 초등학생도 이해하기 쉬운 설명
  • 상관계수는 두 가지가 얼마나 같이 변하는지를 숫자로 나타내는 거예요. 만약 한 가지가 커질 때 다른 것도 커지면 양의 상관이라고 하고, 반대로 한 가지가 커질 때 다른 게 작아지면 음의 상관이라고 해요.
• 각 문제 항목 해설
  • -1과 1 사이의 값을 가지며 -1에 가까울수록 강한 음의 상관성, 1에 가까울수록 강한 양의 상관성을 갖는다고 할 수 있다.
    • 맞는 설명입니다. 상관계수의 범위와 해석을 정확히 설명하고 있습니다.
  • 상관계수는 공분산을 두 변수의 표준편차의 곱으로 나눈 값이다.
    • 맞는 설명입니다. 이는 피어슨 상관계수를 계산하는 방법입니다.
  • 피어슨 상관계수는 연속형 변수의 상관성을 측정한다.
    • 맞는 설명입니다. 피어슨 상관계수는 주로 연속형 데이터 간의 선형 관계를 측정합니다.
  • 스피어만 상관계수는 명목척도의 상관성을 측정한다.
    • 잘못된 설명입니다. 스피어만 상관계수는 서열척도(순위 데이터) 간의 관계를 측정하는 데 사용되며, 명목척도와는 관련이 없습니다.
• 오답 노트
  • 스피어만 상관계수: 이는 서열척도 데이터를 다루며, 순위 기반으로 두 변수 간의 관계를 평가합니다. 명목척도 데이터에는 적합하지 않습니다.

02. 다음 중 분석 기법의 특징이 나머지와 다른 것은?

1. 주성분 분석
2. 다차원 척도법
3. 회귀분석
4. 군집분석

해설

• 개념 개요
  • 각 분석 기법은 데이터 분석에서 특정한 목적과 방법을 가지고 사용됩니다. 주성분 분석, 다차원 척도법, 군집분석은 주로 데이터의 구조나 패턴을 탐색하거나 차원을 축소하는 데 사용되는 반면, 회귀분석은 변수 간의 관계를 모델링하고 예측하는 데 사용됩니다.
• 초등학생도 이해하기 쉬운 설명
  • 주성분 분석: 여러 가지 특성 중에서 가장 중요한 것들을 찾아내는 방법이에요. 마치 여러 색깔 중에서 가장 눈에 띄는 색을 찾는 것과 비슷해요.
  • 다차원 척도법: 복잡한 데이터를 그림으로 그려서 쉽게 이해할 수 있게 하는 방법이에요. 마치 지도를 그려서 길을 찾는 것과 같아요.
  • 군집분석: 비슷한 것들끼리 그룹으로 묶는 방법이에요. 마치 같은 종류의 과일을 한 바구니에 넣는 것처럼요.
  • 회귀분석: 하나의 변수가 다른 변수에 어떻게 영향을 미치는지를 알아보는 방법이에요. 예를 들어, 공부 시간이 성적에 어떤 영향을 미치는지를 알아보는 거죠.
• 각 문제 항목 해설
  • 주성분 분석
    • 차원 축소 기법으로, 데이터의 변동성을 최대한 보존하면서 데이터를 저차원으로 축소합니다
  • 다차원 척도법
    • 데이터 간의 유사성을 시각적으로 표현하여 저차원 공간에 배치하는 기법입니다
  • 회귀분석
    • 독립변수와 종속변수 간의 관계를 모델링하여 예측하는 통계적 방법입니다. 다른 기법들과 달리 주로 예측을 목적으로 합니다.
  • 군집분석
    • 유사한 특성을 가진 데이터들을 그룹으로 묶어 구조를 이해하는 탐색적 분석 방법입니다
• 오답 노트
  • 회귀분석은 다른 세 가지 기법과 달리 주로 예측 및 관계 모델링에 중점을 두고 있으며, 데이터의 구조나 패턴 탐색보다는 변수 간의 관계를 설명하는 데 사용됩니다.

03. 다음 중 앙상블 기법에 대한 특징으로 적절하지 않은 것은?

1. 앙상블 분석의 주 목적은 여러 개의 분류기를 제작하여 하나의 분류기에서 오는 낮은 신뢰성을 높이는 것이다.
2. 예측값의 분산을 높일수록 정확도가 높아진다. 예측값의 분산을 최대치로 올리기 위한 대표적인 기법으로는 랜덤 포레스트가 있다.
3. 여러 개의 분류기는 서로 상호 연관성이 낮을 때 최고의 결과를 도출한다.
4. 이상값에 민감하지 않다는 장점이 있다.

해설

• 개념 개요
  • 앙상블 기법은 여러 개의 모델을 결합하여 예측 성능을 향상시키는 방법입니다. 다양한 모델의 예측 결과를 결합함으로써 단일 모델보다 더 높은 신뢰성과 정확성을 제공할 수 있습니다.
• 초등학생도 이해하기 쉬운 설명
  • 앙상블 기법은 여러 친구들이 함께 문제를 풀어서 더 좋은 답을 찾는 방법이에요. 각 친구가 조금씩 다르게 생각할 수 있지만, 함께 모여서 최종 답을 정하면 더 정확한 답을 얻을 수 있어요.
• 각 문제 항목 해설
  • 앙상블 분석의 주 목적은 여러 개의 분류기를 제작하여 하나의 분류기에서 오는 낮은 신뢰성을 높이는 것이다.
    • 맞는 설명입니다. 앙상블 기법은 여러 모델의 결과를 결합하여 신뢰성을 높입니다.
  • 예측값의 분산을 높일수록 정확도가 높아진다. 예측값의 분산을 최대치로 올리기 위한 대표적인 기법으로는 랜덤 포레스트가 있다.
    • 잘못된 설명입니다. 앙상블 기법에서는 일반적으로 예측값의 분산을 줄여 안정적인 결과를 얻으려 합니다. 랜덤 포레스트는 예측값의 분산을 줄이는 데 효과적입니다.
  • 여러 개의 분류기는 서로 상호 연관성이 낮을 때 최고의 결과를 도출한다.
    • 맞는 설명입니다. 독립적인 모델들이 결합될 때 더 나은 성능을 보이는 경우가 많습니다.
  • 이상값에 민감하지 않다는 장점이 있다.
    • 맞는 설명입니다. 앙상블 기법은 이상값에 덜 민감하여 일반화 성능이 좋습니다.
• 오답 노트
  • 예측값의 분산: 앙상블 기법은 다양한 모델 결합으로 예측값의 분산을 줄여 안정적이고 신뢰성 있는 결과를 얻는 것이 목적입니다. 따라서 "분산을 높일수록 정확도가 높아진다"는 잘못된 설명입니다.

04. 다음 중 분류 모형을 평가하기 위해 사용되는 것이 아닌 것은?

1. 덴드로그램
2. 이익도표
3. ROC커브
4. 혼동행렬

해설

• 개념 개요
  • 덴드로그램은 주로 군집 분석에서 사용되는 도구로, 데이터의 계층적 구조를 시각화하는 데 사용됩니다. 반면, 이익도표, ROC 커브, 혼동행렬은 분류 모형의 성능을 평가하는 데 사용됩니다.
• 초등학생도 이해하기 쉬운 설명
  • 덴드로그램: 여러 가지를 그룹으로 나누는 그림이에요. 친구들을 키 순서대로 나열해서 그룹을 만드는 것과 비슷해요.
  • 이익도표: 모델이 얼마나 잘 분류했는지를 보여주는 그래프예요.
  • ROC 커브: 모델의 예측 성능을 시각적으로 보여주는 그래프예요.
  • 혼동행렬: 모델이 맞춘 것과 틀린 것을 표로 정리한 거예요.
• 각 문제 항목 해설
  • 덴드로그램
    • 군집 분석에서 데이터의 계층적 관계를 나타내는 도구입니다. 분류 모형 평가와는 직접 관련이 없습니다.
  • 이익도표
    • 분류 모형의 성능을 평가하기 위해 사용되는 그래프입니다.
  • ROC 커브
    • 분류 모형의 성능을 시각적으로 평가하는 도구로, 민감도와 특이도를 비교합니다.
  • 혼동행렬
    • 예측 결과와 실제 결과를 비교하여 모델의 성능을 평가하는 데 사용됩니다.
• 오답 노트
  • 덴드로그램은 군집 분석에 사용되며, 분류 모형 평가에 직접 사용되지 않습니다. 다른 세 가지는 모두 분류 모형의 성능을 평가하는 데 사용됩니다.

05. 다음 중 측정 대상의 속성과 그 특징을 잘못 설명하고 있는 것은?

1. 명목척도는 측정 대상이 어느 집단에 속하는지 나타내는 자료이다.
2. 순서척도는 선호도, 신용도, 학년 등을 예로 들 수 있다.
3. 등간척도는 속성의 양을 측정할 수 있으며 사칙연산이 가능하다.
4. 비율척도는 절대적 기준이 존재한다는 가장 큰 특징이 있다.

해설

• 개념 개요
  • 척도는 데이터를 측정하고 해석하는 방법으로, 명목척도, 서열척도, 등간척도, 비율척도가 있습니다. 각 척도는 데이터의 특성과 분석 방법에 따라 다르게 사용됩니다.
• 초등학생도 이해하기 쉬운 설명
  • 척도는 마치 물건을 분류하고 순서를 매기는 방법이에요. 예를 들어, 색깔로 분류하거나 키 순서대로 줄을 세우는 것처럼요. 어떤 척도는 더하기와 빼기가 가능하고, 어떤 척도는 그냥 순서만 매길 수 있어요.
• 각 문제 항목 해설
  • 명목척도는 측정 대상이 어느 집단에 속하는지 나타내는 자료이다.
    • 맞는 설명입니다. 명목척도는 단순히 구분을 위한 척도로, 순서나 양적 비교가 불가능합니다
  • 순서척도는 선호도, 신용도, 학년 등을 예로 들 수 있다.
    • 맞는 설명입니다. 순서척도는 순위를 나타내며, 순서 간의 간격은 일정하지 않습니다
  • 등간척도는 속성의 양을 측정할 수 있으며 사칙연산이 가능하다.
    • 잘못된 설명입니다. 등간척도에서는 더하기와 빼기는 가능하지만, 곱하기와 나누기는 불가능합니다
  • 비율척도는 절대적 기준이 존재한다는 가장 큰 특징이 있다.
    • 맞는 설명입니다. 비율척도는 절대 영점이 존재하며 모든 사칙연산이 가능합니다

06. 다음 중 시계열 분석에 대한 설명으로 잘못된 것은?

1. 시계열 데이터가 정상성 가정을 만족해야 수행 가능하다.
2. 정상성을 만족하지 못하는 경우 차분, 변환과 같은 작업을 통해 정상성 가정을 만족시킬 수 있다.
3. 백색잡음이란 시점에 영향을 받지 않아야 하므로 자기공분산이 0이다.
4. 특히 평균이 0, 분산이 1인 정규분포를 따를 경우 이를 가우시안 백색잡음이라 한다.

해설

• 가우시안 백색잡음은 평균이 0이고 분산이 일정한 정규분포를 따르는 경우를 말합니다. 분산이 반드시 1일 필요는 없습니다.

07. 다음에서 설명하는 분석 기법은 모형 기반 군집 분석으로 관측된 데이터들이 여러 개의 확률 분포로 구성되었다는 가정하에 같은 분포에서 추출된 데이터들을 군집화하는 분석 기법이다. 다음 중 Expectation Maximization 알고리즘을 활용하여 모수 및 가중치를 주정하는 군집분석은 무엇인가?

1. 격자 기반 군집분석
2. 밀도 기반 군집분석
3. 혼합 분포 군집분석
4. 비계층적 군집분석

해설

• 개념 개요
  • 혼합 분포 군집분석은 데이터가 여러 개의 확률 분포로 구성되어 있다고 가정하고, 같은 분포에서 추출된 데이터들을 군집화하는 방법입니다. 이 기법은 주로 Expectation Maximization (EM) 알고리즘을 사용하여 각 군집의 모수와 가중치를 추정합니다.
• 초등학생도 이해하기 쉬운 설명
  • 혼합 분포 군집분석은 여러 가지 색깔의 공이 섞여 있는 주머니에서 같은 색깔의 공들을 찾아내는 방법이에요. 이 방법을 사용하면 어떤 공들이 같은 색깔인지 더 쉽게 알 수 있어요.
• 각 문제 항목 해설
  • 격자 기반 군집분석
    • 데이터 공간을 격자로 나누어 군집을 형성하는 방법입니다. EM 알고리즘과는 관련이 없습니다.
  • 밀도 기반 군집분석
    • 데이터의 밀도에 따라 군집을 형성하는 방법으로, 밀도가 높은 지역을 중심으로 군집화합니다. EM 알고리즘과는 관련이 없습니다.
  • 혼합 분포 군집분석
    • 주어진 설명에 해당하는 기법으로, EM 알고리즘을 사용하여 데이터가 여러 확률 분포로 구성되었다고 가정하고 군집화합니다.
  • 비계층적 군집분석
    • 데이터 포인트를 사전에 정해진 수의 군집으로 나누는 방법입니다. K-means와 같은 알고리즘이 이에 해당하며, EM 알고리즘과는 직접적인 관련이 없습니다.
• 오답 노트
  • 혼합 분포 군집분석은 EM 알고리즘을 활용하여 모수와 가중치를 추정하는 데 적합한 기법입니다. 다른 옵션들은 EM 알고리즘과 직접적인 관련이 없거나 다른 유형의 군집 분석 기법입니다.

08. 인공신경망에는 은닉층의 수, 은닉 노드의 개수, 활성화 함수 등 다양한 하이퍼파라미터가 존재한다. 특히 활성화 함수는 목적에 따라 그 선택이 중요한데 목표변수가 범주형인 경우에 활용 가능한 활성화 함수는 무엇인가?

1. 시그모이드 함수
2. 소프트맥스 함수
3. 렐루 함수
4. 하이퍼볼릭 함수

해설

• 개념 개요
  • 소프트맥스 함수는 다중 클래스 분류 문제에서 사용되는 활성화 함수로, 입력값을 확률로 변환하여 각 클래스에 속할 확률을 출력합니다. 이는 각 클래스의 확률 합이 1이 되도록 정규화하여, 모델이 각 클래스에 속할 가능성을 평가할 수 있게 해줍니다.
• 초등학생도 이해하기 쉬운 설명
  • 소프트맥스 함수는 여러 선택지 중에서 어떤 것이 가장 맞는지 확률로 알려주는 방법이에요. 예를 들어, 세 가지 과일 중에서 어떤 과일을 가장 좋아하는지 물어볼 때, 각각의 과일을 좋아할 확률을 계산해주는 거예요.
• 각 문제 항목 해설
  • 시그모이드 함수
    • 주로 이진 분류 문제에서 사용되며, 출력값을 0과 1 사이로 변환합니다. 다중 클래스 분류에는 적합하지 않습니다
  • 소프트맥스 함수
    • 다중 클래스 분류 문제에서 사용되며, 입력값을 확률로 변환하여 각 클래스에 속할 확률을 출력합니다. 범주형 목표변수에 적합합니다
  • 렐루 함수
    • 주로 은닉층에서 사용되며, 비선형성을 도입하여 신경망의 학습 속도를 향상시킵니다. 분류 문제의 출력층에는 적합하지 않습니다
  • 하이퍼볼릭 함수
    • 출력값을 -1과 1 사이로 변환하며, 주로 은닉층에서 사용됩니다. 분류 문제의 출력층에는 적합하지 않습니다
• 오답 노트
  • 시그모이드 함수와 하이퍼볼릭 함수는 주로 은닉층이나 이진 분류 문제에 사용되며, 다중 클래스 분류에는 소프트맥스가 더 적합합니다.
  • 렐루 함수는 주로 은닉층에서 비선형성을 제공하기 위해 사용되며, 출력층에서는 사용되지 않습니다.

09. 다음 중 비모수적 검정 방법이 아닌 것은?

1. 부호 검정
2. 순위합 검정
3. 교차 검정
4. 연속성 검정

해설

• 개념 개요
  • 비모수적 검정은 데이터가 특정한 분포를 따르지 않는 경우에 사용되는 통계 기법입니다. 이는 주로 순위나 부호를 이용하여 데이터를 분석하며, 모수적 검정보다 데이터의 분포에 대한 가정이 적습니다.
• 초등학생도 이해하기 쉬운 설명
  • 비모수적 검정은 마치 친구들 사이에서 누가 더 잘하는지 순위를 매기는 것과 비슷해요. 숫자보다는 순서가 중요한 거죠. 반면에, 교차 검정은 데이터를 나누어 여러 번 테스트해서 결과를 확인하는 방법이에요.
• 각 문제 항목 해설
  • 부호 검정
    • 비모수적 방법으로, 두 표본의 분포가 동일한지를 부호의 방향을 통해 검정합니다.
  • 순위합 검정
    • 비모수적 방법으로, 두 독립된 그룹 간의 중앙값 차이를 비교할 때 사용됩니다.
  • 교차 검정
    • 비모수적 검정이 아닙니다. 이는 주로 모델의 성능을 평가하기 위해 데이터를 여러 번 나누어 테스트하는 방법입니다.
  • 연속성 검정
    • 비모수적 방법으로, 두 관련된 샘플 간의 중앙값 차이를 비교할 때 사용됩니다.
• 오답 노트
  • 교차 검정은 데이터 분할 및 모델 평가와 관련된 방법으로, 비모수적 통계 검정과는 다릅니다. 다른 항목들은 모두 비모수적 검정에 속합니다.

10. 다음 중 군집분석의 특징으로 잘못 설명한 것은?

1. 계층적 군집분석의 경우 사전에 군집의 개수를 결정하는 데 어려움이 있다.
2. K-평균 군집의 경우 탐욕 알고리즘을 활용한다.
3. 계층적 군집분석은 모든 데이터 간의 거리를 측정하기 때문에 데이터가 많을수록 그 계산량이 기하급수적으로 증가한다.
4. 밀도기반 군집분석의 대표적인 기법으로는 DBSCAN이 있다.

해설

• 계층적 군집분석에서는 군집의 수를 사전에 결정하지 않고, 덴드로그램을 통해 적절한 군집 수를 시각적으로 판단할 수 있습니다.