예시 답변 1
약 65초
경험 기반 구체화
딥러닝 모델의 설계부터 개선까지 전 과정을 주도한 경험은 학교 딥러닝 수업의 이미지 분류 프로젝트였습니다. 데이터 전처리부터 CNN 아키텍처 설계, 학습, 평가, 하이퍼파라미터 튜닝까지 전 과정을 팀장으로서 이끌었습니다. 처음 설계한 모델은 학습 데이터에 과적합 되어 검증 정확도가 낮았는데, Dropout과 Data Augmentation을 추가하자 일반화 성능이 눈에 띄게 개선됐습니다. 평가 단계에서는 단순 정확도 외에 혼동 행렬(Confusion Matrix)을 함께 보면서 어떤 클래스에서 오분류가 집중되는지 파악했고, 그것이 데이터 불균형에서 비롯됐다는 것을 발견했습니다. 개선 단계에서 클래스 가중치(class weight)를 조정하자 소수 클래스 성능이 크게 올라갔습니다.
반복적인 실험과 분석 사이클이 모델 성능을 끌어올리는 핵심이라는 걸 배웠습니다.
이 결의 특징
딥러닝 수업 이미지 분류 프로젝트에서 과적합된 모델에 Dropout과 Data Augmentation을 추가해 일반화 성능을 개선하고, 혼동 행렬로 오분류 집중 클래스를 파악해 데이터 불균형 원인을 발견하고 클래스 가중치 조정으로 소수 클래스 성능을 끌어올린 흔적이 있습니다. 반복적 실험과 분석 사이클이 모델 성능을 끌어올리는 핵심이라는 결이 직접 수행에서 나온 자리가 자주 보입니다.
이 결이 통하는 자리
과적합 발견, 개입, 혼동 행렬, 클래스 가중치 조정까지 이어진 사이클이 구체적으로 설명될 때 통합니다. 전 과정을 주도했다는 결보다 각 단계에서 어떤 판단을 내렸는지가 살아 있는 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.