예시 답변 1
약 108초
기술 선택 근거·실험 결과 중심으로 푸는 결
학부 졸업 프로젝트로 이미지 분류 모델을 개발할 때, ResNet-50을 기반으로 전이 학습을 적용했습니다. 처음에는 VGG-16으로 시작했는데, 3,000장 수준의 데이터셋에서 처음부터 학습하는 방식은 과적합이 심하게 나타났습니다. 논문 몇 편을 찾아보고 사전 학습 가중치를 활용하는 방향으로 틀었습니다.
PyTorch로 파인튜닝을 진행하면서 학습률 스케줄러를 CosineAnnealingLR로 바꾸니 수렴이 눈에 띄게 안정됐습니다. RandomHorizontalFlip·ColorJitter·RandomCrop 증강 조합을 실험하면서 검증 정확도를 84%에서 90%로 끌어올렸고, 모델 구조보다 전처리와 하이퍼파라미터 조정이 실제 성능에 더 크게 영향을 준다는 것을 몸으로 배운 순간이었습니다.
최종 테스트셋 기준 91.4%를 기록했고, 각 실험 단계별 정확도 변화를 표로 정리해 팀 발표에서 설명했습니다. 이 경험 이후로 wandb에 실험 설정과 결과를 남기는 습관이 생겼습니다. 입사 후에도 재현 가능한 실험 관리 방식을 유지하겠습니다.
이 결의 특징
수치 개선(검증정확도 84→90%)으로 방법론 효과를 명확히 입증했습니다. 실험 설계와 반복 개선의 사이클을 습득한 점이 돋보입니다.
이 결이 통하는 자리
연구·개발이 중심인 팀에서 평가가 높습니다. 가설-실험-검증 과정을 중시하는 조직은 수치 기반 결과를 신뢰합니다.