예시 답변 1
약 74초
문제를 정의하고 구조 선택 이유와 하이퍼파라미터 튜닝 흔적을 남긴 결
캡스톤 프로젝트에서 의류 이미지 분류 모델을 PyTorch로 만들었습니다. 처음에는 직접 CNN을 설계했는데 클래스 불균형 때문에 정확도가 60%대에 머물렀습니다. 전이 학습이 효과적이라는 걸 논문에서 확인하고, ResNet-18을 파인튜닝하는 방식으로 바꿨더니 같은 데이터에서 정확도가 83%로 올랐습니다. 하이퍼파라미터는 학습률·배치 크기·드롭아웃을 하나씩 바꾸는 방식으로 튜닝했고, wandb로 실험 로그를 남겨서 어떤 조합이 잘됐는지 나중에 확인할 수 있게 했습니다. 평가는 정확도 외에 클래스별 F1 점수를 함께 봤는데, 일부 클래스에서 정밀도가 낮다는 걸 이 지표에서 발견했습니다. 지표 하나로 모델을 판단하면 놓치는 게 생긴다는 걸 이 경험에서 배웠습니다.
이 결의 특징
직접 설계한 CNN이 60%대에 머물자 논문에서 전이 학습 효과를 확인하고 ResNet-18 파인튜닝으로 전환해 83%로 올린 흔적이 있습니다. 학습률·배치 크기·드롭아웃을 하나씩 바꾸며 wandb로 실험 로그를 남기고, 클래스별 F1 점수로 일부 클래스 정밀도 저하를 추가 발견한 다층 평가 구조가 살아 있는 결이 자주 보입니다.
이 결이 통하는 자리
CNN 직접 설계 실패에서 논문 확인 후 아키텍처 전환이라는 근거 기반 결정이 살아 있고, 실험 로그 기록과 클래스별 F1이라는 다층 평가 흔적이 모두 보일 때 통합니다. '지표 하나로 판단하면 놓치는 게 생긴다'는 원칙이 F1 발견 경험과 연결된 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.