A
약 90초
딥러닝 모델을 이미지 분류 과제에 적용하고 성능 개선 실험을 반복한 연구 경험
ML과 AI를 활용한 연구 경험은 수업 머신러닝 프로젝트에서였습니다. 의료 이미지 분류 과제에서 CNN 기반 모델을 설계하고 학습·평가 파이프라인을 구성했습니다. 처음에는 표준 아키텍처를 그대로 써서 기준 성능을 확인했고, 이후 데이터 증강·드롭아웃·학습률 스케줄러 조정 등의 방법으로 성능을 개선하는 실험을 반복했습니다. 데이터가 제한된 상황에서 전이 학습(transfer learning)이 처음부터 학습하는 것보다 수렴 속도와 최종 성능 모두에서 유리하다는 걸 직접 확인했습니다. 평가 단계에서는 정확도 외에 클래스 불균형을 고려한 F1-score와 혼동 행렬도 함께 분석했습니다. 임상 맥락에서는 위양성과 위음성의 비용이 다르기 때문에 단일 지표만 보는 것이 위험합니다. 이 프로젝트를 통해 모델 선택보다 데이터 품질과 평가 기준 설계가 더 중요할 수 있다는 것을 배웠습니다.
이 결의 특징
데이터 부족이라는 구체적 제약을 먼저 진단하고, 전이 학습이 수렴 속도·최종 성능 두 가지에서 유리하다는 정량 기준이 명시됩니다. 데이터 제한이 모델 선택보다 우선한다는 인식입니다.
이 결이 통하는 자리
'자체 데이터는 200장인데 기학습 모델은 100만장 데이터에서 배웠다'는 구체적 규모 차이와 '전이 학습으로 에포크 3에서 수렴'이라는 개선까지 나타날 때 통합니다. 데이터가 적을 때 어떤 순서로 풀었는지가 선명한 자리에서 면접관이 '데이터 중심 설계'로 보는 결이 있습니다.