AI인공지능 수학 탐구#302

인공지능 수학 탐구

An AI Mathematics Inquiry

인공지능 수학 탐구는 주제와 질문을 정하고 자료·모형·평가·해석을 연결하는 과정이다. 가상 빗물 자료 10행으로 y=ax를 학습하고, 검증 자료로 학습률을 고른 뒤 시험 오차와 한계를 보고하는 전 과정을 계산한다.

읽는 시간
약 10분
선수 개념
인공지능의 의사 결정일변수 경사하강법

직관 — 연습장과 마지막 시험을 나눈다

직관

연습 문제로 풀이 방법을 익힌다. 별도의 점검 문제로 방법을 고른 뒤 마지막 시험을 치른다. 시험 답을 보고 방법을 다시 바꾸면 처음 약속한 시험의 의미가 달라진다.

연습장은 훈련 자료, 방법을 고르는 점검장은 검증 자료, 마지막 시험은 시험 자료에 대응한다. 인공지능 수학 탐구에서는 모형을 만드는 계산과 그 모형을 평가하는 계산을 구별한다. 인공지능 모형이 처음 보는 자료에서도 쓸 만한지 확인하는 기본 절차가 이 분리다.

인공지능 수학 탐구는 질문부터 결과의 한계까지 연결한다

인공지능 수학 탐구는 수학적 질문을 세우고 자료를 표현·분석하여 모형을 비교한 뒤, 결과가 답할 수 있는 범위를 설명하는 과정이다. 이 글은 계획만 세우지 않고 한 프로젝트의 자료·계산·실행 결과·결론까지 완성한다. 탐구는 아래 여섯 단계로 진행하며, 이 글의 § 들도 이 순서를 따른다.

  1. 질문 — 자료로 답할 수 있을 만큼 좁힌다.
  2. 예측 대상과 단위 — 무엇을 입력으로 넣고 무엇을 예측할지 정한다.
  3. 자료와 분리 — 출처를 밝히고, 모형을 비교하기 전에 훈련·검증·시험으로 나눈다.
  4. 모형과 기준 — 학습할 모형과 비교할 기준 모형을 정한다.
  5. 학습·선택·평가 — 훈련으로 학습하고, 검증으로 고르고, 시험으로 한 번 평가한다.
  6. 해석과 발표 — 결과가 답하는 범위와 한계를 함께 보고한다.

이 글의 탐구 질문은 ‘같은 조건의 빗물 수집판에서 면적으로 수집량을 예측하는 간단한 모형이 기준 모형보다 나은가?’다. 아래 10행은 계산 구조를 배우도록 만든 교육용 가상 자료다. 실제 강수량·수집 효율을 측정한 기록이 아니며, 물 시설의 설계 자료로 쓸 수 없다.

실제 탐구로 확장한다면 같은 관측 시간, 비의 조건, 판의 재질·각도, 수집량 단위를 기록한다. 한 번의 관측에서 만든 복제 기록이 훈련과 시험에 나뉘어 들어가지 않게 한다. 이 글에서는 표에 정한 분리를 처음부터 고정한다. 작은 6/2/2 분할은 재현을 위한 선택이며 모든 탐구의 권장 비율은 아니다.

인공지능 수학 탐구의 주제는 어떻게 정하나

주제는 배운 수학 개념 하나, 자료로 답할 수 있는 질문 하나, 비교할 기준 하나가 갖춰지면 정해진다. ‘빗물을 많이 모으려면?’은 넓지만, ‘같은 조건에서 면적으로 수집량을 예측하는 모형이 기준보다 나은가?’는 숫자로 답할 수 있다.

질문을 좁힐 때는 입력과 예측 대상을 한 문장에 넣어 본다. ‘면적 → 수집량’처럼 화살표로 쓸 수 있으면 자료의 열이 정해진다. 그다음 ‘무엇보다 나은가’를 정한다. 기준이 없으면 오차가 작다는 말의 크기를 판단할 수 없다.

관심 분야쓰는 수학먼저 읽을 글좁힌 질문의 예
수치 예측일차함수, 제곱오차, 경사하강법추세선으로 예측하기면적으로 수집량을 예측할 수 있나
글집합, 빈도 벡터단어가방 모형두 안내문이 같은 주제를 다루나
이미지행렬, 해밍 거리해밍 거리로 이미지 분류작은 흑백 그림을 모양별로 나눌 수 있나
의사 결정개수 표, 비용의 합인공지능의 의사 결정경보 문턱을 어디에 둘까

어느 주제든 단어 목록·이미지 크기 같은 표현 규칙과, 끝까지 보류할 평가 자료를 먼저 정한다. 글과 이미지 주제도 계산 방법은 위 글에서 가져오고, 진행은 이 글의 여섯 단계를 따른다.

인공지능 수학 탐구의 자료를 먼저 고정한다

xx는 수집판 면적(m2\mathrm{m^2}), yy는 수집량(L\mathrm L)이다. 입력 1과 2에는 각각 서로 다른 출력을 배치하여 오차가 남는 상황을 만들었다. 행 번호가 자료의 식별자다.

행용도xxyy
1훈련11
2훈련25
3훈련36
4훈련13
5훈련23
6훈련36
7검증24
8검증47
9시험1.53
10시험3.56.5

모형은 원점을 지나는 y^=ax\hat y=ax 하나로 제한한다. 면적이 0이면 모은 양도 0이라는 단순한 가정을 담지만, 실제 수집 손실과 강수 조건을 모두 설명하지는 않는다. 계수 aa의 단위는 L/m2\mathrm{L/m^2}다. 비교할 기준 모형은 학습하지 않고 정한 y^=x\hat y=x, 즉 a=1a=1이다.

정의
기호이름원어뜻
x,yx,y입력과 관측값input, observation면적과 가상 수집량
y^\hat y예측값prediction모형이 계산한 수집량
aa학습 계수parameter원점을 지나는 직선의 기울기
L(a)L(a)훈련 손실training loss훈련 6행의 제곱오차 평균
Eval,EtestE_{\mathrm{val}},E_{\mathrm{test}}검증·시험 오차validation, test error검증 2행·시험 2행의 제곱오차 평균
η\eta학습률learning rate계수를 바꾸는 걸음의 크기
tt갱신 횟수update index처음은 t=0t=0, 이번에는 3번 갱신

그림 1에서 원은 훈련, 삼각형은 검증, 사각형은 시험 자료다. (3,6)(3,6)의 훈련 관측은 두 행이 같은 위치에 겹친다. 그 중복을 새로 독립된 실측 두 건으로 주장하지 않는다.

교육용 가상 자료의 고정 분할. 원은 훈련, 삼각형은 검증, 사각형은 시험이다. 점선은 기준 모형 y=x, 실선은 검증을 거쳐 고른 y=1.75x다.
그림 1 교육용 가상 자료의 고정 분할. 원은 훈련, 삼각형은 검증, 사각형은 시험이다. 점선은 기준 모형 y=x, 실선은 검증을 거쳐 고른 y=1.75x다. figures/project_fit.py

그림 2는 세 묶음이 각각 어느 계산에만 들어가는지 보여 준다. 훈련 1~6행은 손실과 갱신에, 검증 7~8행은 학습률 선택에, 시험 9~10행은 마지막 평가 한 번에만 쓴다. 시험 결과에서 선택 단계로 되돌아가는 길은 막아 둔다.

자료가 들어가는 계산의 흐름. 왼쪽은 행 번호와 그림 1의 표식, 오른쪽은 그 행만 쓰는 계산이다. 훈련에서 얻은 두 계수 1.75와 4 중 검증이 1.75를 고르고, 시험은 그 계수를 한 번 평가한다. ×는 시험 결과로 다시 고르는 길을 막는다는 뜻이다.
그림 2 자료가 들어가는 계산의 흐름. 왼쪽은 행 번호와 그림 1의 표식, 오른쪽은 그 행만 쓰는 계산이다. 훈련에서 얻은 두 계수 1.75와 4 중 검증이 1.75를 고르고, 시험은 그 계수를 한 번 평가한다. ×는 시험 결과로 다시 고르는 길을 막는다는 뜻이다. figures/data_flow.py

인공지능 수학 탐구에서 훈련 손실을 구한다

훈련 6행의 제곱오차를 더해 6으로 나눈다. 일변수 제곱 손실의 방법을 적용하면 다음과 같다.

L(a)=(a−1)2+(2a−5)2+(3a−6)2+(a−3)2+(2a−3)2+(3a−6)26=28a2−112a+1166=143(a−2)2+23.(1)\begin{aligned} L(a)&=\frac{(a-1)^2+(2a-5)^2+(3a-6)^2+(a-3)^2+(2a-3)^2+(3a-6)^2}{6}\\ &=\frac{28a^2-112a+116}{6} =\frac{14}{3}(a-2)^2+\frac23. \end{aligned}\tag{1}

a2a^2의 계수 28은 입력 제곱의 합 1+4+9+1+4+91+4+9+1+4+9다. 일차항의 계수는 −2(1+10+18+3+6+18)=−112-2(1+10+18+3+6+18)=-112, 상수항은 1+25+36+9+9+36=1161+25+36+9+9+36=116이다. 식 (1)의 최소는 a=2a=2에서 2/32/3이다. 행 1과 행 4는 입력이 1로 같은데 관측이 1과 3으로 달라, 원점을 지나는 어떤 직선도 두 점을 함께 지나지 못한다. 그래서 훈련 오차가 0이 되지 않는다.

인공지능 수학 탐구에서 학습률은 검증 자료로 고른다

학습률은 훈련 손실이 아니라 검증 오차로 고른다. 이 예에서 두 후보를 각각 3번 학습하면 계수가 1.75와 4가 되고, 검증 오차는 1/81/8과 97/297/2라 첫 후보를 고른다.

일변수 경사하강법을 적용하려면 기울기가 필요하다. 식 (1)의 분자를 6으로 나누면 L(a)=143a2−563a+583L(a)=\frac{14}{3}a^2-\frac{56}{3}a+\frac{58}{3}이다. 손실함수의 기울기에서 본 이차함수의 미분계수 공식 2Aa+B2Aa+B에 A=143A=\frac{14}{3}, B=−563B=-\frac{56}{3}을 넣는다.

L′(a)=2×143a−563=283(a−2).(2)L'(a)=2\times\frac{14}{3}a-\frac{56}{3}=\frac{28}{3}(a-2). \tag{2}

a0=0a_0=0에서 아래 갱신을 3번만 수행한다.

at+1=at−η283(at−2).(3)a_{t+1}=a_t-\eta\frac{28}{3}(a_t-2). \tag{3}

후보 학습률은 η=3/56\eta=3/56과 3/143/14다. 식 (3)의 양변에서 최솟값 위치 2를 빼면, 2까지의 차가 매번 같은 수를 곱한 꼴이 된다.

at+1−2=(1−283η)(at−2).(4)a_{t+1}-2=\Bigl(1-\frac{28}{3}\eta\Bigr)(a_t-2). \tag{4}

η=3/56\eta=3/56이면 곱하는 수가 1−12=121-\frac12=\frac12이라 차가 절반씩 줄어 0→1→1.5→1.750\to1\to1.5\to1.75다. η=3/14\eta=3/14이면 1−2=−11-2=-1이라 차의 부호만 바뀌어 0→4→0→40\to4\to0\to4다. 곱하는 수의 절댓값이 1보다 작아야 2에 가까워지므로 이 손실에서는 0<η<3/140<\eta<3/14가 그 범위이고, 큰 후보는 정확히 경계에 있다.

식 (3)을 같은 시작점에서 3번 적용한 계수. 실선은 학습률 3/56, 점선은 3/14이고, 수평선 a=2는 식 (1)의 최솟값 위치다. 큰 후보는 이번 자료에서 두 값 사이를 오간다.
그림 3 식 (3)을 같은 시작점에서 3번 적용한 계수. 실선은 학습률 3/56, 점선은 3/14이고, 수평선 a=2는 식 (1)의 최솟값 위치다. 큰 후보는 이번 자료에서 두 값 사이를 오간다. figures/project_updates.py

그림 3의 두 끝값을 검증 두 행 (2,4),(4,7)(2,4),(4,7)에 각각 넣는다. 계수 1.75의 예측은 3.5, 7이고, 계수 4의 예측은 8, 16이다.

Eval(1.75)=(−0.5)2+022=18,Eval(4)=42+922=972.(5)E_{\mathrm{val}}(1.75)=\frac{(-0.5)^2+0^2}{2}=\frac18,\qquad E_{\mathrm{val}}(4)=\frac{4^2+9^2}{2}=\frac{97}{2}. \tag{5}

따라서 이 실험에서는 첫 학습률을 고르고 3번 뒤 계수 1.75를 최종 모형으로 고정한다. 여기서 평가하는 것은 ‘두 후보를 각각 3번 학습한 결과 중 선택’이라는 실험 전체다. 훈련의 이론적 최소 계수 2는 이 실험의 후보가 아니다.

인공지능 수학 탐구에서 시험 오차와 기준 모형을 비교한다

시험 자료는 선택을 마친 뒤 처음 평가한다. 계수 1.75에서 두 예측은 1.75×1.5=2.6251.75\times1.5=2.625, 1.75×3.5=6.1251.75\times3.5=6.125다. 관측값과의 차이는 둘 다 −0.375=−3/8-0.375=-3/8이다.

Etest(1.75)=(−3/8)2+(−3/8)22=964=0.140625,Etest(1)=(−1.5)2+(−3)22=458=5.625.(6)E_{\mathrm{test}}(1.75)=\frac{(-3/8)^2+(-3/8)^2}{2}=\frac9{64}=0.140625,\qquad E_{\mathrm{test}}(1)=\frac{(-1.5)^2+(-3)^2}{2}=\frac{45}{8}=5.625. \tag{6}

식 (6)의 단위는 양쪽 모두 L2\mathrm{L^2}다. 이 가상 시험 두 행에서는 학습 모형의 제곱오차 평균이 기준 모형보다 작다. 이것은 실제 빗물 수집에서도 같은 성능이라는 결론이 아니다. 자료가 적고 가상이며, 계절·재질·강수량 같은 조건도 빠져 있다.

인공지능 수학 탐구에서 시험 결과를 보고 모형을 고치면 왜 안 되나

시험 결과로 모형을 다시 고르면 시험 자료도 선택에 쓰여, 그 오차가 더는 처음 보는 자료의 성능이 아니기 때문이다. 이 예에서 시험 오차는 계수 2일 때 1/81/8로 1.75의 9/649/64보다 조금 작아, 바꾸고 싶은 유혹이 실제로 생긴다.

Etest(2)=(3−3)2+(7−6.5)22=18.(7)E_{\mathrm{test}}(2)=\frac{(3-3)^2+(7-6.5)^2}{2}=\frac18. \tag{7}

그림 4는 선택이 끝난 뒤 세 오차를 계수의 함수로 그려 본 것이다. 가장 낮은 위치가 훈련 2, 검증 1.8, 시험 약 1.88로 모두 다르다. 검증에서는 1.75가 1/81/8, 2가 1/21/2라 1.75가 낫고, 시험에서는 식 (7)처럼 2가 조금 낫다. 두 행짜리 보류 자료로는 이처럼 더 나은 계수의 판정이 엇갈릴 수 있다.

계수 a에 따른 훈련 손실 L, 검증 오차, 시험 오차. 점은 각 곡선의 가장 낮은 위치로 a=2, 1.8, 약 1.88이다. 세로 점선은 검증으로 고른 1.75와 훈련 최솟값 2다.
그림 4 계수 a에 따른 훈련 손실 L, 검증 오차, 시험 오차. 점은 각 곡선의 가장 낮은 위치로 a=2, 1.8, 약 1.88이다. 세로 점선은 검증으로 고른 1.75와 훈련 최솟값 2다. figures/holdout_curves.py

시험을 보고 2로 바꾼 뒤 1/81/8을 보고하면, 시험 자료로 고르고 같은 자료로 채점한 셈이다. Google의 자료 분리 설명도 검증·시험 자료를 선택에 반복해서 쓰면 그 자료가 ‘닳아’ 새 자료에 대한 믿음이 줄어든다고 말한다. 이미 바꿨다면 그 사실을 밝히고, 새 보류 자료를 모아 다시 평가한다.

코드로 확인하기

아래 코드는 표의 열을 그대로 입력하고 식 (3)을 3번 실행한다. 검증 오차로 후보를 고른 뒤에만 시험 오차를 계산한다. 식 (3)을 다시 표시한 코드랩이며, 외부 라이브러리는 필요 없다.

수식
at+1=at−η283(at−2).(3)a_{t+1}=a_t-\sym{eta}{\eta}\frac{28}{3}(a_t-2).\tag{3}
코드 figures/project_experiment.py
# Table rows 1-6, 7-8 and 9-10, fixed before comparing models.
train = [(1, 1), (2, 5), (3, 6), (1, 3), (2, 3), (3, 6)]
validation = [(2, 4), (4, 7)]
test = [(1.5, 3), (3.5, 6.5)]

def mse(coef, rows):
    return sum((coef * x - y) ** 2 for x, y in rows) / len(rows)

def gradient(coef):
    return 2 * sum(x * (coef * x - y) for x, y in train) / len(train)

candidates = []
for eta in (3 / 56, 3 / 14):
    coef = 0.0
    for _ in range(3):
        # 식 (3): 현재 계수에서 기울기 방향의 반대로 이동한다.
        coef -= eta * gradient(coef)
    candidates.append((mse(coef, validation), eta, coef))
val_error, eta, coef = min(candidates)
print(f"eta={eta:.6f}, coef={coef:.6f}")
print(f"validation_mse={val_error:.6f}")
print(f"test_mse={mse(coef, test):.6f}")
print(f"baseline_test_mse={mse(1.0, test):.6f}")
$ python project_experiment.py
eta=0.053571, coef=1.750000
validation_mse=0.125000
test_mse=0.140625
baseline_test_mse=5.625000

실행 결과는 학습률 약 0.053571, 계수 1.75, 검증 오차 0.125, 시험 오차 0.140625, 기준 모형 시험 오차 5.625다. 자료의 행·분할·시작값·갱신 횟수·두 학습률이 같으면 같은 결과를 얻는다. 분할을 바꾸면 다른 실험이다.

스프레드시트나 다른 공학 도구에서 재현할 때는 아래 CSV를 그대로 붙여 넣는다. 열은 행 번호, 용도, 면적, 수집량이다.

row,split,x,y
1,train,1,1
2,train,2,5
3,train,3,6
4,train,1,3
5,train,2,3
6,train,3,6
7,validation,2,4
8,validation,4,7
9,test,1.5,3
10,test,3.5,6.5

인공지능 수학 탐구의 결과를 한 장으로 보고한다

완성한 탐구의 결론은 다음처럼 쓴다. “가상 면적·수집량 10행을 6/2/2로 나누었다. 두 학습률을 각각 3번 적용하고 검증 오차로 계수 1.75를 선택했다. 시험 두 행의 오차 0.140625는 기준 모형의 5.625보다 작았지만, 실제 환경에 대한 성능은 확인하지 않았다.”

보고서에는 질문, 자료 출처와 단위, 분할, 모형과 선택 기준, 결과 표, 한계를 넣는다. 평가할 때는 숫자 하나의 작음보다 아래 항목을 확인한다. 실제 환경 자료를 모을 때는 개인을 식별하는 정보가 필요한지도 먼저 검토한다.

항목확인할 질문이 예시에서
질문자료로 답할 수 있게 좁혔나면적으로 예측한 모형이 기준보다 나은가
자료출처·단위·가상 여부를 밝혔나교육용 가상 10행, m2\mathrm{m^2}와 L\mathrm L
분리모형을 비교하기 전에 나누고 고정했나6/2/2, 행 번호로 고정
모형과 기준학습 모형과 기준 모형이 모두 있나y^=ax\hat y=ax와 y^=x\hat y=x
재현같은 입력으로 같은 수가 나오나코드 출력과 식 (6)이 같다
결론의 범위확인한 것만 주장했나시험 두 행, 실제 성능은 미확인
성찰과 개선한계와 다음 계획을 적었나실측 자료로 다시 탐구할 계획
핵심

인공지능 수학 탐구는 자료와 선택 절차를 고정해 재현하고, 훈련·검증·시험의 역할과 결과를 적용할 수 있는 범위를 구별할 때 완성된다.

인공지능 수학 탐구에서 훈련·검증·시험 비율은 몇 대 몇이 좋은가?

정해진 하나의 비율은 없다. Google의 설명 그림은 70/15/15로 나눈 예를 들지만, 자료 수와 목적에 따라 달라진다. 이 글의 6/2/2는 10행을 손으로 따라가기 위한 선택이라 검증·시험이 두 행씩뿐이고, 그만큼 결과가 흔들린다.

인공지능 수학 탐구의 작은 시험 오차가 실제 성능인가?

아니다. 이 글의 시험 오차 0.140625는 주어진 가상 두 행에서의 결과다. 실제 관측·새 환경·충분한 사례에 대한 성능을 대신하지 않는다. 자료 수와 생성 방법을 결론 옆에 적어야 한다.

인공지능 수학 탐구에서 가상 자료를 써도 되나?

가상임을 밝히고 모형과 계산을 배우는 목적에 맞추면 쓸 수 있다. 이 글의 10행은 재현 가능한 수업 예다. 실제 환경에 대한 주장을 하려면 출처와 수집 조건이 확인된 자료로 별도 탐구해야 한다.

인공지능 수학 탐구의 흔한 오해

  • “학습률이 크면 더 빨리 좋은 값에 도착한다.” — 이 자료의 3/14는 0과 4를 오가며, 식 (5)의 검증 오차도 97/2로 크다.
  • “오차가 작으니 어떤 면적에도 적용하면 된다.” — 시험 입력은 1.5와 3.5뿐이다. 매우 큰 면적이나 다른 강수 조건의 예측까지 검증하지 않았다.
  • “훈련 오차가 0이 아니면 모형을 잘못 만든 것이다.” — 같은 면적 1에서 관측이 1과 3으로 다르면 어떤 aa도 둘을 함께 맞히지 못한다. 식 (1)의 최솟값 2/32/3은 자료가 남긴 오차다.

직접 해보기

  1. 첫 학습률 3/56으로 한 번 더 갱신하면 계수는 얼마인가? 갱신식 연습이며 앞에서 고정한 시험 보고를 바꾸는 과제가 아니다.
  2. 새 가상 시험 한 행 (x,y)=(2.5,4)(x,y)=(2.5,4)에서 고정한 모형 a=1.75a=1.75의 예측과 제곱오차를 구하라.
  3. 기준 모형의 검증 오차를 계산하고 식 (5)의 선택 모형과 비교하라.
  4. 시험을 보기 전에 세 번째 후보 η=3/28\eta=3/28을 추가했다. 3번 갱신한 계수와 검증 오차를 구하고, 선택이 바뀌는지 판단하라.
  5. 시험 두 행을 본 뒤에 학습률 세 번째 후보를 추가했다. 보고서의 자료 역할과 이후 평가 계획을 어떻게 고칠까?
답
  1. a4=1.75−(1.75−2)/2=1.875a_4=1.75-(1.75-2)/2=1.875다. 원래 실험의 고정 계수는 여전히 1.75다.
  2. 예측은 1.75×2.5=4.3751.75\times2.5=4.375, 제곱오차는 0.3752=0.140625=9/640.375^2=0.140625=9/64다. 단위는 L2\mathrm{L^2}다.
  3. ((2−4)2+(4−7)2)/2=13/2=6.5((2-4)^2+(4-7)^2)/2=13/2=6.5다. 선택 모형의 1/81/8보다 크다.
  4. 식 (4)의 곱하는 수가 1−283×328=01-\frac{28}{3}\times\frac{3}{28}=0이라 한 번에 2에 닿아 0→2→2→20\to2\to2\to2다. 검증 오차는 ((4−4)2+(8−7)2)/2=1/2((4-4)^2+(8-7)^2)/2=1/2로 1/81/8보다 커서 선택은 그대로 3/56이다. 시험 전에 정한 후보이므로 시험 보고도 그대로 유효하다.
  5. 기존 시험 자료가 모형 선택에 사용되었음을 밝힌다. 새로운 시험 자료를 별도로 확보하거나, 보류 평가가 더는 남아 있지 않다는 한계를 기록한다.

더 읽기

  • 교육부 2022 개정 교육과정 고시 — 교육부, 2022. 별책 8, 인공지능 수학 [12인수05-02]. 실제 탐구 수행과 출처·윤리·성찰의 교과 범위다.
  • Datasets: Dividing the original dataset — Google, Machine Learning Crash Course. 훈련·검증·시험의 역할, 70/15/15 분할 예, 반복 선택으로 시험이 소모되는 문제의 근거다. ‘시험 결과를 보고 모형을 고치면 왜 안 되나’ §가 기댄다.
  • Linear regression: Gradient descent — Google, Machine Learning Crash Course. 학습률과 갱신의 방향을 읽는다. 이 글의 모형은 편향 없이 y=ax 한 계수로 제한했다.

영상 노트

영상 노트
  • 00:00 질문과 가상 자료 10행의 출처를 밝히고, 넓은 주제를 숫자로 답할 질문으로 좁힌다.
  • 00:50 그림 1의 세 분할을 고정하고, 그림 2로 각 자료가 들어가는 계산을 짚는다.
  • 01:50 식 (1)의 세 계수를 직접 더하고 식 (2)로 기울기를 구한다.
  • 03:00 식 (3)을 두 학습률로 3번 실행하고, 식 (4)의 곱하는 수로 그림 3을 설명한다.
  • 04:20 식 (5)로 고르고 식 (6)으로 마지막 평가를 한다.
  • 05:20 그림 4와 식 (7)로 시험 결과를 보고 다시 고르면 안 되는 이유를 말한다.
  • 06:20 코드 실행 결과와 평가 기준표로 한 장 보고서를 점검한다.

지도에서의 위치

이 페이지의 기록
  1. 2026-11-16 · 에이전트 초안
  2. 2026-11-17 · 전수 검수 반영 — 탐구 여섯 단계와 주제 고르기, 자료 흐름도, 기울기 유도와 학습률의 곱하는 수, 시험 결과로 다시 고르면 안 되는 이유와 세 오차 곡선, CSV 재현, 평가 기준표, 분할 비율 질문, 해보기 5문항 (에이전트 수정, 그림 2→4)
  3. 2026-11-17 · 전수 검수(에이전트 편집·독립 검증) 통과 — 주인 요청으로 완성으로 올림