[핵심 개념 요약] AI-900 시험 대비

AI란? 인간의 행동과 기능을 모방하는 소프트웨어를 만드는 것

- 기계 학습 - 이것은 종종 AI 시스템의 기초이며, 예측하고 데이터에서 결론을 도출하기 위해 컴퓨터 모델을 "가르치는" 방법입니다.

- 변칙 검색 - 시스템에서 오류 또는 비정상적인 활동을 자동으로 감지할 수 있는 기능입니다.

- 컴퓨터 비전 - 카메라, 비디오 및 이미지를 통해 세계를 시각적으로 해석할 수 있는 소프트웨어 기능입니다.

- 자연어 처리 - 컴퓨터가 서면 또는 음성 언어를 해석하고, 동일하게 응답할 수 있는 기능입니다.

- 대화형 AI - 대화에 참여하는 소프트웨어 에이전트의 기능입니다.

 

---

 

기계 학습 이해

- 기계 학습은 AI 솔루션 대부분의 토대.

- 기계 학습을 사용하여, 어려운 문제를 해결하는 방법에 대한 실제 예제.

- 지속 가능한 경작 기술은 손상된 환경을 보호하는 동시에 식량 생산을 최대화하는 데 필수적.

- 오스트레일리아에 있는 농업 기술 회사인 The Yield 는 센서, 데이터 및 기계 학습을 사용하여 농부들이 날씨, 토양 및 식물 상태와 관련하여 합리적인 의사 결정

- 지구를 파괴하지 않으면서, 식량을 공급하는 방법.

 

 

---

 

기계 학습 작동 방법: 기계는 데이터로부터 학습한다.

오늘날의 세계에서 우리는 일상 생활을 하면서 엄청난 양의 데이터를 생성합니다.

우리는 문자 메세지, 메일 그리고 소셜 미디어 게시물부터 휴대폰으로 찍은 사진 및 동영상까지 전송합니다.

여전히 가정, 자동차, 도시, 대중 교통 인프라 및 공장의 수백만 개의 센서에 의해 많은 데이터가 생성됩니다.

​

데이터 과학자는 모든 데이터를 사용하여, 데이터에서 찾은 관계를 기반으로,

예측 및 추론을 할 수 있는 기계 학습 모델을 학습시킬 수 있습니다.

​

예를 들어 환경 보호 조직이 자원 봉사자가 휴대폰 앱을 사용하여 다양한 종류의 야생화를 식별하고 카탈로그화하기를 원한다고 가정해 보겠습니다.

다음 애니메이션에서는 이러한 시나리오를 활성화하기 위해 어떻게 기계 학습이 사용될 수 있는 지를 보여줍니다.

 

 

1. 식물학자와 데이터 과학자 팀이 야생화 샘플을 수집합니다.

2. 팀은 샘플을 종별로 정확히 분류하여 레이블을 지정합니다.

3. 레이블이 지정된 데이터는 샘플의 특징과 레이블이 지정된 종 사이의 관계를 찾는 알고리즘을 사용하여 처리됩니다.

4. 알고리즘의 결과는 모델에 요약됩니다.

5. 자원 봉사자에 의해 새로운 샘플이 발견되면, 모델은 올바른 종 레이블을 식별할 수 있습니다.

 

---

 

Microsoft Azure의 Machine Learning

Microsoft Azure는 기계 학습 모델을 생성, 관리 및 게시하기 위한 클라우드 기반 플랫폼인 Azure Machine Learning 서비스를 제공합니다.

Azure Machine Learning은 다음과 같은 특징과 기능들을 제공합니다.

- 자동화된 기계 학습 : 이 기능은 비전문가도 데이터를 활용해, 효과적인 기계 학습 모델을 빠르게 만들 수 있도록 지원합니다.

- Azure Machine Learning 디자이너 : 코딩 작업 없이 기계 학습 솔루션을 개발할 수 있는 그래픽 인터페이스

- 데이터 및 컴퓨팅 관리 : 전문적인 데이터 과학자들이 데이터 실험 코드를 대규모로 실행하기 위해 활용할 수 있는 클라우드 기반 데이터 스토리지 및 컴퓨팅 리소스

- 파이프라인 : 데이터 과학자, 소프트웨어 엔지니어 및 IT 운영 전문가들이 모델 교육, 배포 및 관리 작업을 구성할 수 있는 파이프라인을 정의할 수 있습니다.

 

---

변칙 검색 이해

- 신용 카드 트랜잭션을 모니터링하고, 사기 행위를 나타낼 수 있는 비정상적인 사용 패턴을 감지.

- 자동화된 프로덕션 라인에서 활동을 추적하고 오류를 식별하는 애플리케이션.

- 센서를 사용하여 잠재적인 기계 고장을 엔지니어에게 사전에 경고하는 레이싱 자동차 원격 분석 시스템.

​

이러한 종류의 시나리오는 시간에 따라 데이터를 분석하고, 비정상적인 변경을 식별하는 기계 학습 기반 기술인 변칙 검색 을 사용하여 해결할 수 있습니다.

​

레이싱 자동차 시나리오에서 변칙 검색이 어떻게 도움이 될 수 있는지 살펴보겠습니다.

1. 차량 센서는 엔진 회전, 브레이크 온도 등의 원격 분석을 수집합니다.

2. 변칙 검색 모델은 시간에 따른 원격 분석 측정의 예상 변동을 이해하도록 학습됩니다.

3. 측정값이 정상적인 예상 범위를 벗어나는 경우 모델은 변칙을 보고하여,

4. 강제로 레이싱이 중단되기 전에 레이싱 엔지니어가 급유 정차 시 운전자를 호출하여 문제를 해결하도록 할 수 있습니다.

​

Microsoft Azure의 변칙 검색

Microsoft Azure에서 Anomaly Detector 서비스는 개발자가 변칙 검색 솔루션을 만드는 데 사용할 수 있는 API(애플리케이션 프로그래밍 인터페이스)를 제공합니다.

 

---

 

 

Computer Vision 이해

Computer Vision은 시각적 처리를 다루는 AI 분야입니다.

Seeing AI 앱은 Computer Vision 기능을 잘 보여 주는 예제입니다.

시각 장애인을 위해 디자인된 Seeing AI 앱은, AI의 능력을 이용하여, 시각적 세계를 열고 가까이에 있는 사람들, 텍스트 및 물체를 설명합니다.

​

Computer Vision 모델 및 기능

대부분의 Computer Vision 솔루션은 카메라, 비디오 또는 이미지의 시각적 입력에 적용할 수 있는 기계 학습 모델을 기반으로 합니다.

다음 표는 Computer Vision의 일반적인 태스크에 대해 설명합니다.

- 이미지 분류

- 개체 감지

- 의미 체계 구분

- 이미지 분석

- 얼굴 감지, 분석 및 인식

- OCR(광학 문자 인식)

​

이미지 분류 : "택시" 레이블이 있는 택시 이미지

이미지 분류에는 콘텐츠에 따라 이미지를 분류하는 기계 학습 모델 학습이 포함됩니다. 예를 들어 트래픽 모니터링 솔루션에서는 이미지 분류 모델을 사용하여 택시, 버스, 자전거 타는 사람 등 포함된 차량 유형에 따라 이미지를 분류할 수 있습니다.

​

개체 감지 : 경계 상자로 식별되고 강조 표시된 버스, 자동차 및 자전거 타는 사람이 있는 거리 이미지

 

개체 감지 기계 학습 모델은 이미지 내의 개별 개체를 분류하고, 경계 상자를 사용하여 해당 위치를 식별하도록 학습됩니다. 예를 들어 트래픽 모니터링 솔루션은 개체 감지를 사용하여 다양한 차량 클래스의 위치를 식별할 수 있습니다.

​

의미 체계 구분 : 식별된 버스, 자동차 및 자전거 타는 사람에 속한 픽셀이 있는 거리 이미지

의미 체계 구분은 이미지의 개별 픽셀이 속한 개체에 따라 분류되는 고급 기계 학습 기술입니다. 예를 들어 트래픽 모니터링 솔루션은 "마스크" 레이어로 트래픽 이미지를 오버레이하여 특정 색상으로 다른 차량을 강조 표시할 수 있습니다.

​

 

이미지 분석 : 개를 데리고 길을 건너는 남성 이미지 및 "개를 데리고 길을 건너는 남성" 캡션

이미지에 표시된 장면을 요약하는 데 도움이 되는 설명 캡션 또는 이미지를 분류하는 데 도움이 되는 "태그"를 포함하여, 이미지에서 정보를 추출하는 고급 이미지 분석 기술과 기계 학습 모델을 결합한 솔루션을 만들 수 있습니다.

​

 

얼굴 감지, 분석 및 인식 : 얼굴이 강조 표시된 도시 거리의 여러 사람 이미지

 

 

얼굴 감지는 이미지에서 사람의 얼굴을 찾는 특수한 형태의 개체 감지입니다. 분류 및 얼굴 기하학 분석 기술과 이를 결합하여 연령 및 감정 상태와 같은 세부 사항을 추론할 수 있으며, 얼굴 특징에 따라 개인을 인식할 수도 있습니다.

​

 

OCR(광학 문자 인식) : 강조 표시된 "Toronto Dominion 은행"이라는 표지판이 있는 건물 이미지

광학 문자 인식은 이미지의 텍스트를 검색하고 읽는 데 사용되는 기술입니다. OCR을 사용하여 사진(예: 도로 표지판 또는 상점 전면)에서 텍스트를 읽거나 문자, 송장 또는 양식과 같은 스캔된 문서에서 정보를 추출할 수 있습니다.

---

Microsoft Azure의 Computer Vision 서비스

Microsoft Azure는 Computer Vision 솔루션을 만드는 데 도움이 되는, 다음과 같은 인지 서비스를 제공합니다.

​

MICROSOFT AZURE의 컴퓨터 비전 서비스

- Computer Vision : 이 서비스를 사용하여 이미지 및 비디오를 분석하고 설명, 태그, 개체 및 텍스트를 추출할 수 있습니다.

- Custom Vision : 이 서비스에서 사용자 고유의 이미지를 사용하여, 사용자 지정 이미지 분류 및 개체 검색 모델을 학습시킵니다.

- 얼굴 : Face 서비스를 사용하여 얼굴 감지 및 얼굴 인식 솔루션을 만들 수 있습니다.

- Form Recognizer : 이 서비스를 사용하여 스캔한 양식 및 청구서에서 정보를 추출할 수 있습니다.

​

---

컴퓨터 비전 데모

Computer Vision을 사용하여 이미지를 분석하는 방법의 예를 보려면 다음 단계를 수행합니다.

​

다른 브라우저 탭을 열고 https://aidemos.microsoft.com/computer-vision 으로 이동합니다.

데모 인터페이스를 사용하여 각 단계를 시도합니다.

각 단계에 대해 이미지를 선택하고 Computer Vision 서비스에서 반환하는 정보를 검토할 수 있습니다.

 

​

---

자연어 처리 이해

NLP(자연어 처리)는 문어와 구어를 이해하는 소프트웨어 생성을 다루는 AI 영역입니다.

NLP를 사용하면 다음과 같은 소프트웨어를 만들 수 있습니다.

- 문서, 메일 메시지 및 기타 원본의 텍스트를 분석하고 해석합니다.

- 음성 언어를 해석하고, 음성 응답을 합성합니다.

- 언어 간 구어 또는 문어 구를 자동으로 번역합니다.

- 명령을 해석하고 적절한 작업을 결정합니다.

예를 들어, Starship Commander 는 공상 과학 분야에서 발생하는 Human Interact의 VR(가상 현실) 게임입니다.

이 게임에서는 자연어 처리를 사용하여 플레이어가 내레이션을 제어하고, 게임 내 문자 및 우주선 시스템과 상호 작용할 수 있도록 합니다.

 

---

 

Microsoft Azure의 자연어 처리

Microsoft Azure에서 다음 Cognitive Services를 사용하여 자연어 처리 솔루션을 빌드할 수 있습니다.

- Text Analytics : 이 서비스를 사용하여 텍스트 문서를 분석하고, 핵심 구를 추출하며, 엔터티(예: 장소, 날짜 및 사람)를 검색하고, 감정(문서가 얼마나 긍정적인지 혹은 부정적인지)을 평가합니다.

- Translator Text: 이 서비스를 사용하여 텍스트를 60개 이상의 언어로 번역합니다.

- Speech: 이 서비스를 사용하여 음성을 인식 및 합성하고 음성 언어를 번역합니다.

- LUIS(Language Understanding Intelligent Service): 이 서비스를 사용하여 음성 또는 텍스트 기반 명령을 이해할 수 있는 언어 모델을 학습합니다.

 

---

 

자연어를 사용하여 AI 시스템과 상호 작용하는 방법의 예제를 보려면 다음 단계를 수행합니다.

​

다른 브라우저 탭을 열고 https://aidemos.microsoft.com/luis/demo 로 이동합니다.

데모 인터페이스를 사용하여 가상 홈의 조명을 제어합니다.

명령을 입력하거나, 마이크 단추를 사용하여 명령을 말하거나, 제안된 문구를 선택하여 시스템이 응답하는 방법을 확인할 수 있습니다.

 

 

 

---

담당 AI 이해 (책임있는 AI)

​

인공 지능은 세상에 크게 도움을 주기 위해 활용할 수 있는 강력한 도구입니다.

그러나 다른 도구와 같이 책임감 있게 사용해야 합니다.

Microsoft에서 AI 소프트웨어 개발은 AI 애플리케이션이 의도하지 않은 부정적인 결과 없이,어려운 문제에 대한 놀라운 솔루션을 제공하도록 설계된 6가지 원칙 집합에 의해 안내됩니다.

​

공정성 : AI 시스템은 모든 사람을 공정하게 대해야 합니다.

신뢰성 및 안전성 : AI 시스템은 안전하고 신뢰할 수 있어야 합니다.

개인 정보 보호 및 보안 : AI 시스템은 안전하고 개인정보 보호를 존중해야 합니다.

포용성 : AI 시스템은 모든 사람의 역량을 키우고 사람들을 참여시켜야 합니다.

투명성 : AI 시스템은 이해할 수 있어야 합니다.

책임성 : 사람들이 AI 시스템에 대한 책임을 져야 합니다.

---

 

공정성

- AI 시스템은 모든 사람을 공평하게 대해야 합니다.

- 예를 들어 은행의 대출 승인 애플리케이션을 지원하는 기계 학습 모델을 만든다고 가정합니다.

- 이 모델은 성별, 민족 또는 특정 지원자 그룹에 대한 부당한 이익 또는 불이익을 초래할 수 있는 다른 요인에 근거한 편견 없이 대출 승인 여부를 예측해야 합니다.

- Azure Machine Learning에는 모델을 해석하고, 데이터의 각 기능이 모델의 예측에 영향을 미치는 정도를 정량화하는 기능이 포함됩니다.

- 이 기능을 통해 데이터 과학자와 개발자는 모델의 바이어스를 식별하고 완화할 수 있습니다.

 

---

신뢰성 및 안전성

- AI 시스템은 안정적이고 안전한 방식으로 작동해야 합니다.

- 예를 들어 자율 주행 차량에 대한 AI 기반 소프트웨어 시스템 또는 환자 증상을 진단하고 처방전을 권장하는 기계 학습 모델을 생각해 보세요.

- 이러한 종류의 시스템을 믿을 수 없다면 인간의 삶에 상당한 위험을 초래할 수 있습니다.

- AI 기반 소프트웨어 애플리케이션을 개발할 때는 출시 전에 예상대로 작동하는지 확인하기 위해 엄격한 테스트 및 배포 관리 프로세스를 실시해야 합니다.

 

 

---

 

(1) 책임있는 AI (Responsible AI) 

* 6가지 키워드

1. 공정성(Fairness)

: 대출프로그램에서 성차별, 인종차별안됨, 데이터의 편향(bias)을 반영해서는 안됨

2. 신뢰성 & 안정성(Reliability & Safety)

: 0.5이상이면 암, 이하면 정상이라고 판단하는 암진단모델에서

만약 값이 안채워지면 자동으로 0으로 입력한다면

평균이 떨어져->판단기준 바뀜(암인데 정상으로 진단 or 정상인데 암으로 진단)

3. 보안 & 개인정보(Privacy & Security)

: 개인의 질병 유무를 유출해서는 안됨

4. 포괄성(Inclusiveness)

: 장애인을 위한 배려(고대비,돋보기,읽어주기,받아쓰기 등)

5. 투명성(Transparency)

:모델의 판단의 근거와 이유를 설명가능해야함

대출이 안되는 근거 설명, 알고리즘의 원리

6.책임감(Accountability)

: AI가 의사결정을 할 때 사람이 그 결정을 무시할 수 있어야 함

AI가 핵폭발 버튼을 눌러야 한다고 판단 -> 인간이 멈추기 가능해야함

 

(2) 머신러닝 (Machine Learning)

◆ 모델의 예측에 영향을 미치는 데이터 값은? :피처(feature)

◆ 모델에서 예측되는 데이터 값 : 레이블(label)

 

머신러닝: 과거의 데이터를 기반으로 미래를 예측

1. 회귀(Regression)  -지도학습, Lable 알고있음

2. 분류(Classification)  -지도학습, Lable 알고있음

3. 군집(Clustering)  -비지도학습, Lable 모름

 

1.회귀:

EX.날씨에 따른 운동량 예측

1.학습군(Training), 검증군(Validation) 데이터 나눔

2.함수의 형태로 학습군을 반영하는 모델을 만든다

3.검증데이터를 사용해 모델을 검증한다.

 

● 회귀 평가 매트릭 및 권장사항

-1. R-제곱(R-SQUARED) :선형회귀 모델의 예측력을 나타내는 지표

-2. 평균절대오차(MAE,MEAN ABSOLUTE ERROR):에러를 절대값 취해서 평균을 취함

-3. 제곱손실(평균제곱오차): 오차를 제곱해서 평균을 취함

-4. 평균제곱오차(RMSE, ROOT MEAN SQUARE ERROR):에러를 제곱하고 절대값 후 루트취함

 

2.분류: 이유있게 데이터를 묶어

-데이터의 결과값이 0 OR 1

-다중분류라면 값이 0,1,2

1. 훈련데이터(Training), 검증데이터(Validation) 나누기

2. 데이터의 학습된 결과로 어떠한 결과값이 나옴

3. 시그모이드 함수 로지스틱 회귀함수 등으로 0에서 1사이의 값으로 반환 시키면서

결과값 >0.5 -> 1 CLASS

결과값 < 0.5 -> 0 CLASS 

 

● 분류성능평가

-1. 검증데이터로 모델이 반환한 0,1 예측값과 정답 데이터를 비교해 TP,FP,TN,FN ->CONFUSION MATRIX

-2. 정확도 = TP+TN / 전체 개수

 

* confusion matrix

P=양성

N=음성

T=예측값이 실제값과 동일함

F=예측값이 실제값과 다름

 

 

	예측
실제		P	N
	P	TP	FN
	N	FP	TN

 

아래 예제와 같은 confusion matrix 예제 꼭 풀어보기!

 

 

 

3.군집: 묶고나서 공통점 찾아

-정답데이터가 존재하지 않는다

-K-MEANS가 대표적

-먼거리= 특징값이 떨어져 있다.

SAMPLE 간의 간격이 가깝도록 중앙점은 이동하면서 학습함

면적이 가장 작아지는 지점을 군집이라고 함

 

● 학습하는 과정중 중요한점

1.데이터

2.데이터를 학습하고 평가하는 과정

 

● 과정:

1. 데이터를 훈련세트와 검증세트로 분할

2.학습데이터를 모델에 맞추는 알고리즘 적용

3.학습된 모델은 데이터의 관계를 캡슐화 = 학습된 모델

4. 모델을 사용하여 검증 데이터에서 예측 생성

5. 평가 매트릭을 사용하여 예측 레이블과 실제 레이블을 비교하여 클러스터 분리(비지도)를 측정

6. 1-5를 반복

 

*모델에서 데이터가 떨어진 정도=편차

 

(2-1) AZURE의 머신러닝

1. 기계학습을 위한 클라우드 기반 플랫폼

: 컴퓨팅환경, DATASET, 평가도구, 모델 서비스를 제공함

2. 머신러닝 모델을 자동으로 최적의 알고리즘으로 학습해주는 플랫폼

3. 데이터와 원하는 감독 모델을 제공하고 애저 머신러닝이 최상의 모델을 찾음

:최적의 OPTIMIZED MODEL 선택

 

● azure ML designer (애저 머신러닝 디자이너)

1. 머신러닝 알고리즘을 block(블럭) or pipeline(파이프라인) 으로 구현

:데이터베이스 로딩, 전처리, 학습, 평가 과정을 시각화 툴을 이용해 개발함

2. 학습파이프라인을 이용해 모델 학습 및 평가

3.새 데이터에서 레이블을 예측하는 추론 파이프라인 만들기

4. 앱에서 사용할 서비스로 추론 파이프라인 배포

 

(3) 컴퓨터비전 (Computer Vision)

* 6가지 기술

1. 이미지분류(Image Classification)

: 같은 물체끼리 분류해

2. 이미지 탐지(Object Detection)

: 네모박스로 사물표시후 이름붙이기

3. 의미체계구분(Sementic Segmentaion)

: 픽셀로 사물에 색을 칠함

버스는 빨간색으로,차는 파란색으로 칠하기

4. 이미지분석(Image Analysis)

할아버지가 개와 함께 신호등을 건너고 있습니다 = 캡션달기

시각장애인에게 설명

5. 얼굴탐지&인식(Face Detection & Recognition)

얼굴만 전문적으로 탐지

6. 광학문자인식 (OCR)

사진에 있는 글자를 인식

 

 

 

(3-1) AZURE의 컴퓨터비전

*4가지 기술

1. Computer Vision

1-1. 이미지분석: 사진설명

1-2. 이미지탐지: 네모상자로 인식

1-3. 얼굴탐지: 얼굴만 중점으로 인식

1-4. smart cropping

1-5. OCR

2. Custom Vision: 나만의 데이터로 CV를 만드는것

2-1. 이미지 분류

2-2. 이미지탐지

3. Face: 얼굴만 탐지 & 인식

4. Form Recognizer: 영수증,송장,다른서류 인식 -형태가 고정되어 있는 양식 인식

 

(4) 자연어처리 (NLP)

* 5가지 키워드

1. 텍스트 분석 및 엔티티 인식

:ms, 삼성,타이레놀과 같은 엔티티를 인식함

:NER(named entity recognition)

2. 감정분석

:글을 읽고 긍정, 부정 인식, 리뷰, sns글의 긍정 부정 판단

:빠르고 객관적이다

3. 음성 인식 및 합성

:유투브 자막, 실시간 번역

4. 기계번역

:구글번역기

5. 의미체계적 언어 모델링

(4-1) AZURE의 자연어처리

● language

1. 언어 탐지

2. 핵심문구 추출

3. 엔티티 탐지

4. 감정분석

5. 질문답변

6. 대화형 언어 이해

● speech

1. text to speech

2. speech to text

3. speech 번역

● translator

1. text translator

● Azure Bot Service (conversation AI)

1. platform for conversational AI

 

● 클라우드 핵심기술: 확장성

 

●  AZURE AI SERVICE

1. 애저 머신러닝

:기계학습 모델을 교육,배포 및 관리하기 위한 플랫폼

2.cognitive service(인지 서비스)

:비전,언어, 말, 의사 결정의 4가지 주요 서비스가 포함된 서비스 제품군

: ms의 인지 서비스 = 구글의 딥러닝

3. 애저 봇 서비스

:대화하여 봇 개발 및 관리를 위한 클라우드 기반 플랫폼

4. 애저 인지 검색

:지능형 검색 및 지식 마이닝을 위한 데이터 추출, 보강 및 인덱싱

 

●  cognitive service 에 2가지가 필요하다

1. rest endpoint :인공지능 서비스 위치 주소

2. authentication key: 인공지능 서비스 접속 키

 

● AI  > ML > DL > GA (generative AI)

● cloud > AI > data

●open ai 플랫폼

1. 대화형 ai

2. 코딩,그림 서비스 (codex, DALL-E2)

3. 생성형 ai

 

---

 

• 기능 (Features): 기능은 데이터의 속성이나 특징을 나타냅니다. 예를 들어, 고객의 나이, 성별, 구매 이력 등이 될 수 있습니다.
• 라벨 또는 레이블 (Labels): 라벨 또는 레이블은 예측하려는 대상입니다. 일반적으로 머신 러닝에서는 레이블이 주어진 입력 기능을 바탕으로 예측하고자 하는 결과 값입니다. 예를 들어, 고객이 제품을 구매할지 여부가 레이블일 수 있습니다.
• 데이터 (Data): 데이터는 기능과 레이블의 조합으로 구성됩니다. 즉, 모든 입력과 출력의 모음입니다.
• 레이블 (Labels): AI-900에서 사용된 용어 중 '레이블'은 사실 '라벨'을 의미하며, 예측하고자 하는 결과 값이라고 설명될 수 있습니다.

 

A. 학습에는 기능을 사용하고 평가에는 레이블을 사용합니다. (이것은 일반적인 머신 러닝 방법론입니다.)

B. 데이터를 무작위로 분할하여 훈련용 행과 평가용 행을 만듭니다. (데이터를 무작위로 분할하는 방법론이지만, 행과 열에 대한 언급이 모호합니다.)

C. 훈련에는 라벨을 사용하고 평가에는 기능을 사용합니다. (잘못된 설명입니다.)

D. 데이터를 무작위로 분할하여 훈련용 열과 평가용 열로 나눕니다. (데이터를 행과 열로 나누는 것은 일반적이지 않습니다.)