아스키 이미지 만들기 양자화는 영상이 얼마나 섬세하게 색을 표현할 수 있는지 결정합니다. 이번 문제에서는 영상을 흑백으로 바꾸어보고 주어진 레벨에 맞게 양자화를 진행합니다. 그리고 명도에 따라 아스키 문자를 할당하여 콘솔로 영상을 출력할 수 있는 간단한 아스키 영상을 만들어봅시다. 아래 함수 정의를 참고하여, 문제를 해결합니다. 함수 정의 img2ascii(img, L, ascii_string) 파라미터 img : OpenCV로 읽은 이미지 L : 양자화 레벨, 2

Q.자연어 처리의 적용 사례를 모두 선택하세요. 1. 문서 분류 2. 키워드 추출 3. 감정 분석 정답 모두 자연어 처리는 문서 분류, 키워드 추출, 감정 분석, 문서 요약, 기계 번역, 챗봇 등 다양한 문제 해결을 위해 사용됩니다. Q.텍스트 전처리 과정에 포함되는 것을 모두 선택하세요. 1. 토큰화 2. stemming 3. 모델 예측 4. 특수 기호 제거 정답 1,2,4 일반적으로 모델을 통한 예측은 데이터 전처리와 학습이 끝난 뒤 수행됩니다. Q.아래 OO에 들어갈 단어를 입력하세요 단어 임베딩을 통해 단어를 OO로 표현할 수 있다. 정답 '벡터' 임베딩의 목적은 단어를 벡터로 표현하는 것입니다. Q.아래 OO에 들어갈 단어를 입력하세요. word2vec은 단어 간 OO을 사용하여 벡터를 학습한다..

Q.자연어 처리의 적용 사례를 모두 선택하세요. 1. 문서 분류 2. 키워드 추출 3. 감정 분석 정답 모두 자연어 처리는 문서 분류, 키워드 추출, 감정 분석, 문서 요약, 기계 번역, 챗봇 등 다양한 문제 해결을 위해 사용됩니다. Q.텍스트 전처리 과정에 포함되는 것을 모두 선택하세요. 1. 토큰화 2. stemming 3. 모델 예측 4. 특수 기호 제거 정답 1,2,4 일반적으로 모델을 통한 예측은 데이터 전처리와 학습이 끝난 뒤 수행됩니다. Q.아래 OO에 들어갈 단어를 입력하세요 단어 임베딩을 통해 단어를 OO로 표현할 수 있다. 정답 '벡터' 임베딩의 목적은 단어를 벡터로 표현하는 것입니다. Q.아래 OO에 들어갈 단어를 입력하세요. word2vec은 단어 간 OO을 사용하여 벡터를 학습한다..

Q.다음 중 fit 함수의 매개변수와 그 의미가 잘못 짝지어진 것은? fit( x=None, y=None, batch_size=None, epochs=1, verbose='auto', callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, validation_batch_size=None, validation_freq=1, max_queue_size=10, workers=1, use_multiprocessing=False ) 1. shuffle - 학습..

Q.LSTM에 대한 설명으로 옳지 "않은" 것을 고르세요 1. LSTM은 새로 계산된 hidden state를 출력 값으로도 사용한다. 2. LSTM은 RNN의 기울기 소실 문제를 개선하고자 등장했다. 3. 같은 데이터셋에 대해 같은 크기의 hidden state를 가진다면 LSTM의 파라미터 수가 RNN 대비 적다. 4. LSTM은 RNN보다 장기 의존성을 알아내는데 좋은 성능을 보인다. 정답 3 LSTM은 (Long Short Term Memory)의 약자이다 LSTM은 RNN에 몇가지 추가된 연산이 존재합니다. Q.다음 그림에 표시된 게이트를 고르세요. 1. Cell State 2. Input Gate 3. Forget Gate 4. Output Gate 정답 2 Q.GRU의 설명으로 "옳은" 것을..

Q.순차 데이터의 종류로 옳지 "않은" 것을 고르세요. 1. 특정 반의 수학 점수 데이터 2. 한반도의 연평균 기온 데이터 3. 영어로 쓰인 소설책 데이터 4. 자동차의 시간 별 평균 속도 데이터 정답 1 Q.다음 중 자연어 처리 사례로 옳지 "않은" 것을 고르세요. 1. 인공지능 번역기 2. 챗봇 3. 음악 장르 분석 4. 음성 인식 정답 3 RNN의 입력 데이터 구조 Q.RNN의 입력 데이터에 대한 설명으로 "옳은" 것을 고르세요. 1. 시계열 데이터는 각 시점에 기록된 데이터를 데이터 타입에 상관 없이 그대로 넣을 수 있다. 2. 자연어 데이터의 각 단어를 문자열 형태로 RNN에 넣어도 학습할 수 있다. 3. 시계열 데이터를 벡터로 변환했을 때 각 벡터의 길이는 전체 데이터 개수와 같다. 4. 자연..