# 1-2 의미 대조 검수

이 검수는 이미 선별된 불확실 음성 653개 문맥 창의 원전사와 2차 전사를 읽어 대조한 것입니다. 강의 전체 8시간의 직접 청취 검증이 아닙니다. 창별 개수는 주된 판정으로 분류하며, 학습 보류 창에도 일부 자료 근거 정정이 포함될 수 있습니다. 두 모델이 같은 오류를 낼 수 있으므로 의미 차이 미발견은 정답 인증이 아닙니다. 교정은 자료에서 확인되는 내용 또는 명시한 수학적 보충이며 교수님의 실제 발언으로 재구성하지 않습니다. 창 경계에서 잘린 문장은 인식 오류와 구별했습니다.

## 1-2 창 0000 · 00:01:55–00:02:03 · 자료 근거 정정 있음

다별량/다빌런으로 손상된 데이터 이름은 PDF3의 Multivariate data/다변량 표기로 제안한다. 행=샘플, 열=변수라는 겹치는 설명의 방향은 같다.

![[review/audio/1-2/clips/0000.m4a]]

근거 파일: [[review/audio/1-2/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 다별량 데이터라는 것은 기본적으로 테이블 형태의 데이터입니다 여러분들 이제 엑셀을 생각하면 되고요 행에 해당되는 부분들은 샘플이에요 그리고 열에 해당되는 부분이 변수입니다

2차 전사:  다빌런 데이터란 거는 기본적으로 테이블 형태의 데이터입니다 여러분들 이제 엑셀 생각하면 되고요 자, 행에 해당되는 부분들은 샘플이에요 그리고

**자료·검토에 따른 정정:** 다변량 데이터 (Multivariate data)

근거: PDF3 제목 Multivariate data 및 하단 다변량 변수 개수 ≥2를 직접 확인했다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 3

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-003.jpg|자료 화면 열기]]

## 1-2 창 0001 · 00:03:37–00:03:45 · 학습 보류

트랜스폰과 트랜스폼은 전치와 일반 변환으로 서로 다르게 읽힐 수 있다. PDF4는 이미지/시그널/네트워크를 행렬로 표현하는 예시지만 실제 transform/transpose 용어를 적지 않아 원음 없이 선택하지 않는다.

![[review/audio/1-2/clips/0001.m4a]]

근거 파일: [[review/audio/1-2/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 결국은 그 이미지 또는 네트워크 시그널의 매트릭스를 그려왔죠. 자, 이렇게 트랜스폰을 시켜야 되는 거예요. 시그널 데이터를 어떻게 매트릭스 데이터로 만드는? 네트워크 데이터를 어떻게 매트릭스로 만드는? 이미지 데이터는 어떻게 매트릭스 데이터를 만드는?

2차 전사:  이후에 어떤 매트릭스를 그려 놨죠 자 이렇게 트랜스폼을 시켜야 되는 거예요 시그널 데이터를 어떻게 매트릭스 데이터로 만들까요?

## 1-2 창 0002 · 00:04:18–00:04:28 · 중요한 의미 차이 미발견

코로나 표의 변수들을 두 부류로 나눈다는 설명은 같다. 두 번째 시작 이천자는 2차 감염자 구절의 창 경계에 걸려 있어 이를 2000명이라는 새 수치로 해석하지 않는다.

![[review/audio/1-2/clips/0002.m4a]]

근거 파일: [[review/audio/1-2/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 총 확진자, 검진자, 1차 감염자, 2차 감염자, 신규 확진자 이런 것들이 데이터로 될 거예요 이 중에서 우리는 두 가지로 나누게 됩니다 변수를 두 가지로 나누게 돼요 우리가 어떤 예측을 하고 싶은 걸 먼저 정하게 돼요

2차 전사:  이천자 신규확진자 이런 것들이 데이터가 될 거예요. 이 중에서 우리는 두 가지로 나누게 됩니다. 변수를 두 가지로 나누게 돼요.

## 1-2 창 0003 · 00:05:25–00:05:36 · 중요한 의미 차이 미발견

독립변수와 종속변수 Y를 구별한다는 겹치는 설명은 같다. 망설임/호칭과 마지막 질문의 절단 외에 새 차이를 찾지 못했다.

![[review/audio/1-2/clips/0003.m4a]]

근거 파일: [[review/audio/1-2/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 교수님은 이 수업에서 독립 변수, 종속 변수 이렇게 표현을 할 거예요. 그럼 여러분들은 그게 예측하려고 했는데 종속 변수 y를 갖다 얘기를 하고 있고 이 교수님이 자꾸 독립 변수, 독립 변수 하는데 그게 뭐다?

2차 전사:  수업에서 독립 변수, 종속 변수 이렇게 표현을 할 거예요. 그럼 여러분들은 그게 아, 예측하려고 했는데 종속 변수 Y를 갖다 얘기를 하고 있고 아, 이 교수님이 자꾸 독립 변수, 독립 변수 하는데

## 1-2 창 0004 · 00:06:25–00:06:32 · 중요한 의미 차이 미발견

x=4이면 y=8이라는 설명의 y=8은 같고 x=4는 창 시작에 걸려 있다. X/Y 관계 예시의 마지막 문장 잘림을 숫자 변경으로 세지 않았다.

![[review/audio/1-2/clips/0004.m4a]]

근거 파일: [[review/audio/1-2/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): x가 4가 들어간다면 y는 8이 되겠구나. 할 수가 있게 되는 거죠. 이렇게 해서 X에 비해서 Y에다가 어떤

2차 전사:  8이 되겠구나. 이렇게 이해를 할 수가 있게 되는 거죠. 이렇게 해서 x에 대해서

## 1-2 창 0005 · 00:06:41–00:06:50 · 중요한 의미 차이 미발견

앞에서는 변수 기준으로 X/Y를 나누고 이번에는 샘플 기준으로 자른다는 구분은 같다. X,Y,E로 들리는 조사는 두 출력이 유사하지만 세 번째 변수 E의 존재를 확정한 것은 아니다.

![[review/audio/1-2/clips/0005.m4a]]

근거 파일: [[review/audio/1-2/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이때 우리는 데이터를 구분하게 돼요. 어떻게 구분하면 X, Y, E를 자를 땐 변수 기준으로 잘랐죠? 이번에는 샘플 기준으로 자를 겁니다.

2차 전사:  이때 우리는 데이터를 구분하게 돼요. 어떻게 구분하면 이번에는 아까 x, y, e를 자를 땐 변수 기준으로 잘랐죠? 이번에는 샘플 기준으로 자를 겁니다.

## 1-2 창 0006 · 00:07:25–00:07:34 · 중요한 의미 차이 미발견

Y hat을 예측값에 붙인다는 겹치는 설명은 같다. 대반적/일반적 및 연결구 차이는 개념의 방향을 바꾸지 않는다.

![[review/audio/1-2/clips/0006.m4a]]

근거 파일: [[review/audio/1-2/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇게 되면 뭐가 나올까요? 우리가 예측된 Y가 나올 거예요. 계속 트레이닝 데이터가 y 트레이닝에 hat이라고 붙일 겁니다. 대반적으로 hat을 붙인다는 의미는 뭐냐면 예측된 값이다라는 의미입니다.

2차 전사:  예측된 y가 나올 거예요. 우리가 계속 트레이닝이 있다니까 y 트레이닝에 hat이라고 붙일 겁니다. 일반적으로 hat을 붙인다는 의미는 뭐냐면

## 1-2 창 0007 · 00:08:26–00:08:35 · 중요한 의미 차이 미발견

loss function으로 학습 함수 f를 찾는 설명은 같다. 두 번째 끝 function m은 창 끝 한 글자가 불명확한 상태라 완성된 별도 함수 m을 새 개념으로 채택하지 않는다.

![[review/audio/1-2/clips/0007.m4a]]

근거 파일: [[review/audio/1-2/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 제가 이거를 loss function이라는 노테이션을 활용해서 전 설명을 드리면 다음과 같습니다. 학습 과정에서는 우리가 function f를 찾는데

2차 전사:  loss function이라는 notation을 활용해서 설명을 드리면 다음과 같습니다. 학습 과정에서는 우리가 function m

## 1-2 창 0008 · 00:09:04–00:09:11 · 중요한 의미 차이 미발견

실제/예측 Y의 차이와 loss가 작을수록 예측이 정확하다는 부정·비교 방향은 같다. 창 앞뒤 절단은 구분했다.

![[review/audio/1-2/clips/0008.m4a]]

근거 파일: [[review/audio/1-2/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 Y와 예측 Y 간에 얼마만큼 차이가 있다. 차이가 없으면 없을수록 그러니까 로스가 작으면 작을수록 우리는 그 함수 F가 예측을 정확히 난다고 얘기를 하고요.

2차 전사:  차이가 있다. 차이가 없으면 없을수록 로스가 작으면 작을수록 우리는 그 함수 f가 예측을 정확히...

## 1-2 창 0009 · 00:09:25–00:09:54 · 자료 근거 정정 있음

세타와 Y hat을 set bar/path처럼 손상시켜 목적식의 변수/기호가 불명확하다. PDF12의 실제 argminθ Lθ(Ytr,Yhat tr) 식만 표기 근거로 제안한다.

![[review/audio/1-2/clips/0009.m4a]]

근거 파일: [[review/audio/1-2/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 제가 loss function을 다음과 같이 정리할 수가 있어요. 자, argmin loss function의 set bar of ytraining and ytraining hat 그래서 이게 의미하는 바가 뭐냐면 이 실제 y와 예측된 y 간의 차이 그거를 이 loss 목적 함수로 정리했는데 이거를 min 있죠? 최소화하는 뭘 찾아 set를 듣는다. 이게 트레이닝 과정에서의 공적식이다 생각하시면 돼요.

2차 전사:  그래서 제가 loss function을 다음과 같이 정리할 수가 있어요. arg min loss function의 set bar of y training and y training path. 그래서 이게 의미하는 바가 뭐냐면 실제 y와 예측된 y 간의 차이, 그거를 이 loss function의 함수로 정리했는데 이거를 min 있죠? 최소화하는 뭘 찾아? set bar을 듣는다. 이게 트레이닝 과정에서의 목적식이다 생각하시면 돼요.

**자료·검토에 따른 정정:** argmin_θ L_θ(Y^tr, Ŷ^tr) (PDF 목적식 표기)

근거: PDF12 원본은 argmin 아래 θ, L의 첨자 θ, 두 인수 Y^tr와 hat이 있는 Ŷ^tr를 인쇄한다. set bar/path를 새 변수로 해석하지 않는다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 12

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-012.jpg|자료 화면 열기]]

## 1-2 창 0010 · 00:10:31–00:10:39 · 학습 보류

regression model/regressor라는 명칭은 같지만 그 해당되는 모델아 무료가 여기야/모드라 무료가 유기한다라는 정의 연결부는 모두 복구되지 않았다. PDF12의 예제 제목만으로 이 문장을 재구성하지 않는다.

![[review/audio/1-2/clips/0010.m4a]]

근거 파일: [[review/audio/1-2/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 y 실수값을 잘 맞추기 위해서 이렇게 트레이닝하는 과정 그 해당되는 모델아 무료가 여기야 한다. regression model, regressor라고 얘기를 합니다.

2차 전사:  숫값을 잘 맞추기 위해서 이렇게 트레이닝하는 과정, 그 해당되는 모드라 무료가 유기한다. regression model, regressor 라고

## 1-2 창 0011 · 00:10:58–00:11:09 · 자료 근거 정정 있음

X-Wall Perciplication/xy classification은 PDF12/13의 2D XOR classification problem과 다르다. 실제 그림 제목으로 교정 제안한다.

![[review/audio/1-2/clips/0011.m4a]]

근거 파일: [[review/audio/1-2/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모델 그 자체입니다. 그래서 트레이닝 페이지에서는 모델의 최적 파라미터, 세타를 찾아가는 과정이라고 얘기를 했어요. 과정이 왜 과정인지 얘기를 할게요. 위쪽에 X-Wall Perciplication Problems은 어떻게 했냐면 우리가 이렇게 나이프하게 아주 간단한 모델, 이 선 위쪽이면 빨간색, 이 선 아래쪽에 있으면 파란색,

2차 전사:  세타를 찾아가는 과정이라고 얘기를 했어요. 과정이 왜 과정인지 얘기를 할게요. 위쪽에 xy classification problem에서 어떻게 했냐면 우리가 이렇게 라이프하게

**자료·검토에 따른 정정:** 2D XOR classification problem

근거: PDF12 원본 왼쪽 toy problem 제목이 2D XOR classification problem이며 PDF13에서도 같은 이름이 반복된다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 12

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-012.jpg|자료 화면 열기]]

## 1-2 창 0012 · 00:12:09–00:12:38 · 학습 보류

Armin/아그민은 PDF14의 argmin 표기로 확인된다. 그러나 이 두 가지의 loss를 최소화한다는 표현은 Y와 Yhat 두 인수를 가리키는지 학습·테스트 loss를 모두 최소화한다는 뜻인지 미확정이다. 자료의 학습 최적화식/테스트 평가식을 문장으로 합치지 않는다.

![[review/audio/1-2/clips/0012.m4a]]

근거 파일: [[review/audio/1-2/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 지금 피팅 치고 싶은 게 이런 산점도의 각 점들인데 실제 이게 피팅되는 거 배점이 빨간색이라면 점자 점자 점자 녹색, 트레이닝 시키고 있는 모델 자체가 빨간색의 비슷해지게 그래서 모델링 이후에 우리가 해야 되는 학습과정과 테스트과정 두 가지를 Armin loss function의 theta하고 y training과 y training hat 이 두 가지의 loss를 최소화시키는 theta를 찾아서 그게 f theta가 되겠죠

2차 전사:  실제 이게 피팅되는 것 배점이 빨간색이라면 점자, 점자, 점자, 녹색, 여러분들 트레이닝 시키고 있는 모델 자체가 빨간색에 비슷해지게 그래서 모델링 이후에 우리가 해야 되는 학습 과정과 테스트 과정 두 가지를 우리가 아그민, 로스 펑션의 세타 Y-training과 Y-training-hat 이 두 가지의 로스를 최소화시키는 세타를

**자료·검토에 따른 정정:** argmin_θ L_θ(Y^tr, Ŷ^tr) (학습 목적식의 표기)

근거: PDF14 원본 좌측 Training phase 목적식과 우측 Test phase 손실을 따로 확인했다. 두 입력을 두 loss라고 부른 실제 발화까지 수정하는 제안은 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 14

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-014.jpg|자료 화면 열기]]

## 1-2 창 0013 · 00:14:17–00:14:37 · 자료 근거 정정 있음

output/input 사이 관계를 설명하다 정수 변수/정속변수로 손상된다. PDF6의 종속변수(출력)와 독립변수(입력) 표기로 제안하며 inference/prediction 전환 문장은 실제 발화를 새로 채워 넣지 않는다.

![[review/audio/1-2/clips/0013.m4a]]

근거 파일: [[review/audio/1-2/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 인프런스는 뭐냐면 어떤 인풋 변수, 독립 변수 X가 종속 변수 Y를 가지고 어떻게 연관성이 있는지에 대한 어떤 그런 연관 규칙들을 갖다가 찾는 것 그 자체를 우리가 인프런스라고 보면 되는 겁니다. 우리가 output값, input variable, 정수 변수, 독립 변수 간에 어떠한 상관성이 있어서 학습 모델이 그걸 잘 학습해서

2차 전사:  독립변수 x가 종속변수 y를 가지고 어떻게 연관성이 있는지에 대한 어떤 그런 연관 규칙들을 갖다가 찾는 것 그 자체를 우리가 인프런스라고 보면 되는 겁니다. prediction은 뭐냐면 우리가 output과 input을 정속변수와 독립변수 간에 어떠한 상관성이 있어서

**자료·검토에 따른 정정:** 종속변수(출력변수), 독립변수(입력변수)

근거: PDF6 원본의 붉은 Y 아래 종속변수/반응변수/아웃풋변수, 노랑 X 아래 독립변수/예측변수/인풋변수가 직접 보인다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 6

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-006.jpg|자료 화면 열기]]

## 1-2 창 0014 · 00:16:07–00:16:18 · 중요한 의미 차이 미발견

X와 Y의 관계를 규명하는 질문과 자동 넘김에 대한 말은 겹치는 부분에서 같다. 데이터 내적 특징 문구의 뒤 잘림은 절단으로 구분했다.

![[review/audio/1-2/clips/0014.m4a]]

근거 파일: [[review/audio/1-2/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 제가 지금 뭐라고 읽었냐면, output과 input들 사이에 어떤 관계성이 있는지 규명을 해보자. 그럼 여러분들 이렇게 답이 뭘까요? 왜 다 넘어가나요? 잠시만요. 우리가 X에 대해서 Y가 어떤 관계성이 있는지 데이터의 내지적인 특징을 찾는 거기 때문에

2차 전사:  어떤 관계성이 있는지 규명을 해보자 그럼 여러분들 이게 답이 뭘까요? 왜 다 넘어가나요? 잠시만요

## 1-2 창 0015 · 00:16:24–00:16:35 · 중요한 의미 차이 미발견

Inference와 predictive model을 대비하는 겹치는 내용은 같다. 영문/한글 음역과 연결 어미 차이는 새 의미 오류로 세지 않았다.

![[review/audio/1-2/clips/0015.m4a]]

근거 파일: [[review/audio/1-2/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 inference구나 이렇게 생각을 해볼 수가 있겠습니다 두 번째로 우리가 읽었어야 되는데 우선은 predictive 모델을 갖다가 만든다 한다면

2차 전사:  인퍼런스구나 이렇게 생각을 해볼 수가 있겠습니다. 자, 두 번째로 우리가 이제 읽었어야 되는데 우선은 프레디티브 모델을 갖다가 만든다.

## 1-2 창 0016 · 00:16:44–00:17:03 · 중요한 의미 차이 미발견

월급 10만/100만 달러를 예측하는 regression과 숫자 이미지 0~9 예시는 겹치는 범위에서 같다. prediction의 한글/영문 음역 차이는 개념 변경이 아니다.

![[review/audio/1-2/clips/0016.m4a]]

근거 파일: [[review/audio/1-2/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 숫자값이었죠. 월급이었죠. 누구는 10만불 받고, 누구는 100만불 받고 한 다음에 그 숫자값을 맞추는 거가 리그레이션 모델에 해당되는 프레디션이라고 생각하시면 되겠습니다. 자, 이 범주형 예측의 특정인 걸로 이게 Handwritten Digit이라는 이 데이터에 대해서 우리가 0부터 9까지 해당되는 데이터에 대해서 실제 이건 0이야, 이건 9야 라고 예측하는 게 있다면

2차 전사:  누구는 10만불 받고, 누구는 100만불 받고 한다면 그 숫자값을 맞추는 것이 regression 모델에 해당되는 prediction이라고 생각하시면 되겠습니다. 범주형 예측의 대표적인 것으로 handwritten digit이라는 데이터에 대해서 우리가 0부터 9까지 해당되는 데이터에 대해서

## 1-2 창 0017 · 00:17:27–00:17:35 · 중요한 의미 차이 미발견

0~9 특정 클래스로 예측하는 prediction 설명은 같다. 마지막 클래스 구절은 창 끝 절단이며 숫자 범위를 새로 바꾸지 않았다.

![[review/audio/1-2/clips/0017.m4a]]

근거 파일: [[review/audio/1-2/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 이런 숫자 y가 이미지 모양에 따라서 어떻게 예측이 되는지 이거를 보는 거라면 우리가 이걸 뭐라고 볼 수 있다? prediction. 그냥 prediction 중에서도 이게 0부터 9 사이에 특정 클래스에 속하게

2차 전사:  이거를 보는 거라면 우리가 이거를 뭐라고 볼 수 있다? prediction. prediction 중에서도 이게 0부터 9 사이의 특정 클래스에 속...

## 1-2 창 0018 · 00:17:41–00:17:49 · 중요한 의미 차이 미발견

지도학습은 Y가 존재한다는 조건이 같다. 경우/부분의 표현 차이가 부정이나 조건을 뒤집지 않는다.

![[review/audio/1-2/clips/0018.m4a]]

근거 파일: [[review/audio/1-2/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 우리가 이렇게 해서 지도학습 관련된 부분들 앞에서 이제 말씀드렸는데 지도학습은 y가 존재하는 경우

2차 전사:  우리가 이렇게 해서 지도학습 관련된 부분들 앞에서 말씀드렸는데 지도학습은 Y가 존재하는 부분입니다.

## 1-2 창 0019 · 00:18:50–00:19:00 · 자료 근거 정정 있음

회기 모델은 PDF20의 회귀(Regression) 표기로 제안한다. 주가/축과는 창 시작에 걸린 음절 차이이며 주가 예시는 PDF20에 실제 보인다.

![[review/audio/1-2/clips/0019.m4a]]

근거 파일: [[review/audio/1-2/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 걸 이용해서 주가 예측하는가 이런 회기 모델이 있을 겁니다. 자 전체적으로 학습 모델 구조치의 문제 상황별 분류 유형을 만드는 것 분류 유형을 굳이 본다면 전체적인 학습 알고리즘을 우리가 총칭하는 어떤 분야니까

2차 전사:  축과 예측한다. 이런 회기 모델이 있을 겁니다. 전체적으로 학습 모델 구조치의 문제 상황별 분류 유형을 만드는 것 분류 유형을 굳이 본다면

**자료·검토에 따른 정정:** 회귀 (Regression) 모델

근거: PDF20 원본 상단 비교 문구와 표 제목에 회귀 (Regression)가 보이고 오른쪽 예시에 주가 예측이 적혀 있다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 20

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-020.jpg|자료 화면 열기]]

## 1-2 창 0020 · 00:19:09–00:19:19 · 자료 근거 정정 있음

추착값이라는 손상된 예측 대상은 두 출력 모두 같다. PDF16/20에 명시된 수치 예측/연속형 Y의 회귀라는 자료 표기를 제안한다. 모델 합의가 정확성 근거는 아니다.

![[review/audio/1-2/clips/0020.m4a]]

근거 파일: [[review/audio/1-2/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 머신러닝인데 이런 머신러닝에서는 Y래그를 실제 있을 때 학습 모델에 부족하는 지도학습이 있을 때고요 그 중에서 클래시피케이션은 분류에 대한 지도학습 리그레이션은 추착값에 대해서 예측 모델을 만들 때의 지도학습이라고 생각하시면 돼요

2차 전사:  있을 때 학습 모델에 부족하는 지도학습이 있을 때고요. 그 중에서 클래스피케이션은 분류에 대한 지도학습, 리그레이션은 추착값에 대해서 예측 모델을 만들고,

**자료·검토에 따른 정정:** 수치 예측 (Regression): 연속형 종속변수를 예측하는 지도학습 (자료 개념 표기)

근거: PDF20 원본은 회귀의 결과를 종속변수(y)가 연속형일 때 사용하는 모델로 명시한다. 해당 설명의 원음 문장 전체를 그대로 들었다는 제안이 아니라 자료의 개념 표기이다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 20

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-020.jpg|자료 화면 열기]]

## 1-2 창 0021 · 00:19:45–00:19:55 · 자료 근거 정정 있음

준지도학습 이름이 semi-super-ass/Semi-Supermass로 모두 손상된다. PDF21에 실제 보이는 Semi-supervised Learning 표기로 제안한다. 1000개 예시의 두 번째 누락은 창 경계로 구분했다.

![[review/audio/1-2/clips/0021.m4a]]

근거 파일: [[review/audio/1-2/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 부분들도 비지도 학습에 포함된다고 보시면 될 것 같아요. 준지도 학습은 semi-super-ass learning이라고 영어로 얘기를 하는데 준지도 학습 같은 경우에는 우리가 예를 들어 1000개의 관측치가 있을 때

2차 전사:  비지도학습에 포함된다고 보시면 될 것 같아요. 준지도학습은 Semi-Supermass Learning이라고 우리가 영어로 얘기를 하는데 준지도학습 같은 경우에는 우리가 예를 들어서

**자료·검토에 따른 정정:** Semi-supervised Learning

근거: PDF21 원본의 준지도학습 타원 안에 Semi-supervised Learning이 직접 인쇄되어 있다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 21

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-021.jpg|자료 화면 열기]]

## 1-2 창 0022 · 00:20:24–00:20:35 · 중요한 의미 차이 미발견

강화학습이 단순 X→Y 예측/특징 탐색에서 더 나아간다는 겹치는 내용은 같다. 마지막 그것만 있지 않고로 의심되는 구절은 창 끝이므로 부정의 누락을 별도 내용 변경으로 세지 않았다.

![[review/audio/1-2/clips/0022.m4a]]

근거 파일: [[review/audio/1-2/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 강화학습은 기존에 얘기했었던 알고리즘과는 어떤 차별성이 있는데 그 이유 중에 하나가 뭐냐면 X를 가지고 Y의 관계성에 의해서 Y가 잘 예측한다든지 아니면 데이터의 내지적인 특징을 찾는다든지 그것만 잊지 않고요.

2차 전사:  어떤 차별성이 있는데 그 이유 중에 하나가 뭐냐면 X를 가지고 Y의 관계성에 의해서 Y가 잘 예측한다든지 아니면 데이터의 내지적인 특징을 찾는다든지

## 1-2 창 0023 · 00:20:42–00:20:50 · 학습 보류

Worry for Simulation/와이프어 시뮬레이션의 실제 개념명은 불명확하다. what-if simulation이 문맥상 가능해도 PDF21에는 그 표기가 없어 교정으로 확정하지 않는다.

![[review/audio/1-2/clips/0023.m4a]]

근거 파일: [[review/audio/1-2/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 어떤 Worry for Simulation이라고 얘기했는데 어떤 시뮬레이터가 있어요. 시뮬레이터에 의해서 예를 들어서 게임 같은 거

2차 전사:  우리가 와이프어 시뮬레이션이라고 얘기했는데 시뮬레이터가 있어요. 시뮬레이터에 의해서 예를 들어서 게임 같은 거

## 1-2 창 0024 · 00:21:02–00:21:11 · 중요한 의미 차이 미발견

좋은 행동에는 reward를 주고 나쁜 행동을 구분한다는 겹치는 내용은 같다. 두 번째의 끝이 잘렸다는 이유로 벌점의 부정을 새로 채워 넣지 않았다.

![[review/audio/1-2/clips/0024.m4a]]

근거 파일: [[review/audio/1-2/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 잘했는지 못했는지 판단을 해보는 겁니다 자 이렇게 되면 내 행동이 잘 됐을 때는 리워드를 주고요 못했을 때는 이거는 너의 행동이 잘못된 거야

2차 전사:  못했는지 판단을 해보는 겁니다. 자 이렇게 되면 내 행동이 잘 됐을 때는 리워드를 주고요. 못했을 때는 이거는

## 1-2 창 0025 · 00:21:23–00:21:51 · 학습 보류

Understand Learning/End-Pend Learning이 크게 달라진다. 같은 슬라이드가 강화학습을 다루더라도 실제 끝 용어가 reinforcement인지 end-to-end 등 다른 표현인지 PDF21만으로 고를 수 없다. 액션/X-Locker 차이도 원음 확인이 필요하다.

![[review/audio/1-2/clips/0025.m4a]]

근거 파일: [[review/audio/1-2/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어떤 차별적인 학습 모델을 만들 수 있냐면 액션까지 직접 취하는 겁니다. 어떤 문제 상황에 대해서 다양한 Y 시뮬레이션을 돌리면서 강화 학습 모델 자체는 X 변수들을 가지고 Y를 내책한과 동시에 가장 좋은 액션이 무엇인지 찾을 수 있는 그런 기법이라고 보인다. Understand Learning 이라고 얘기도 됩니다. 데이터마이닝 분석에 대한 기본적인 프로세스를 설명드리고 나서

2차 전사:  차별적인 학습 모델을 만들 수 있냐면 X-Locker에서 직접 취하는 거예요. 어떤 물개 상황에 대해서 다양한 Y-Stimulation을 돌리면서 강화학습 모델 자체는 X 변수들을 가지고 Y를 예측한과 동시에 가장 좋은 액션이 무엇인지 찾을 수 있는 그런 기법이라고 보면 됩니다. 일반적으로 End-Pend Learning이라고 얘기도 됩니다. 데이터 마이닝 분석에 대한 기본적인...

## 1-2 창 0026 · 00:22:17–00:22:25 · 중요한 의미 차이 미발견

다음 단계 Alignment와 데이터 특징에 집중한다는 설명은 같다. 창 끝 focus 설명의 누락을 새 내용으로 만들지 않았다.

![[review/audio/1-2/clips/0026.m4a]]

근거 파일: [[review/audio/1-2/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이걸 가지고 지금 뭘 할 수 있을까? 이 현상에 대해서 어떻게 생각을 해야 될까? 자, 그 다음 단계는 alignment입니다. 내가 어느 데이터에 대해서, 어떤 데이터의 특징에 대해서 포커싱을 하고

2차 전사:  뭘 할 수 있을까? 이 현상에 대해서 어떻게 생각을 해야 될까? 자, 그 다음 단계는 alignment입니다. 내가 어느 데이터에 대해서 어떤 데이터의 특징을...

## 1-2 창 0027 · 00:22:39–00:22:48 · 중요한 의미 차이 미발견

Optimized와 비즈니스 목표에 예측 모델을 활용한다는 취지는 같다. 코/골, 예측로들/예측모드 같은 음역·연결 표현만으로 새로운 비즈니스 목표를 만들어 넣지 않았다.

![[review/audio/1-2/clips/0027.m4a]]

근거 파일: [[review/audio/1-2/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어떤 예측을 해보는, 예측 모델을 구축하는 단계라고 생각하시면 돼요. 그 다음은 optimized. 그래서 우리가 회사를 다니고 있다면 비즈니스 코를 갖다 달성하기 위해서 이 예측로들을 어떻게 활용할 건가? 이 통제적인 특성을 어떻게 이용할 것인가?

2차 전사:  라고 생각하시면 돼요. 그 다음은 Optimized. 그래서 우리가 회사를 찾는 게 있다면 비즈니스 골을 갖다 달성하기 위해서 이 예측모드를 어떻게 활용할 건가 이 통계적인

## 1-2 창 0028 · 00:23:02–00:23:18 · 중요한 의미 차이 미발견

문제를 정의하고 다른 문제와 분리한다는 핵심 내용은 같다. 두 번째의 스코어라는 보충 표현은 불명확하므로 scope라고 자동 교정하지 않았고 별도 절차/평가기준으로 채택하지 않는다.

![[review/audio/1-2/clips/0028.m4a]]

근거 파일: [[review/audio/1-2/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 내가 회사를 다니고 있는데 어떤 문제가 있는가? 경우원 문제는 어떻게 정의를 내릴 수 있고 다른 문제랑 어떻게 디컴플링 할 수가 있냐? 잘 정의하는 것은 상당히 중요한 것입니다. 두 번째로 기초적인 데이터를 분석해 보는 거예요.

2차 전사:  내가 회사를 다니고 있는데 어떤 문제가 있는가? 그 문제는 어떻게 정의를 내릴 수 있고 다른 문제랑 어떻게 디컴플링 할 수가 있냐? 문제에 대한 스코어를 잘 정의하는 것은 상당히 중요한 것입니다. 두 번째로 기초적인 데이터를 분석해 볼게요.

## 1-2 창 0029 · 00:24:09–00:24:18 · 중요한 의미 차이 미발견

UDP 등 프로토콜을 예로 데이터 손실 문제를 설명하는 겹치는 내용은 같다. HTTP 교체 제안은 창 끝에 걸려 두 번째에 없다는 이유로 프로토콜이 바뀌었다고 판정하지 않는다. 원문 사례 자체의 기술 정확성은 검증하지 않았다.

![[review/audio/1-2/clips/0029.m4a]]

근거 파일: [[review/audio/1-2/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 네트워크 통진상 뭐가 문제가 있어서 어떤 값들이 적게 되면서 그런 거야. 우리가 어떤 이걸 UDP로 세고 있다든지 어떤 신뢰성이 없는 프로토콜을 쓰고 있다면 HTTP로 좀 바꿔볼까요?

2차 전사:  그런거야. 자 이렇게 되면 우리가 어떤 이걸 UDP로 쓰고 있다든지 신뢰성이 없는 프로토콜을 쓰고 있다면

## 1-2 창 0030 · 00:25:05–00:25:15 · 학습 보류

결직지/결적지/결정지는 PDF27의 결측치로 제안할 수 있다. 위례/미래 발생처럼 결측 원인/시점은 서로 손상되어 있으며 대체·삭제 문장을 자료만으로 재구성할 수 없어 부분 교정 뒤에도 미해결이다.

![[review/audio/1-2/clips/0030.m4a]]

근거 파일: [[review/audio/1-2/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또는 결직지가 있다면 결직지가 위례 발생했고 결직지가 너무 많다면 우리가 결정지 대체법 이런 것들도 있어요. 완전 다 날려버리고 다 지워버리고 샘플지를 지워야 되는 것들을 나머지 대체들만 취해서 만들 수도 있고요.

2차 전사:  결적지가 미래에 발생했고 결적지가 너무 많다면 우리가 결적지 대체법 이런 것들도 있어요. 완전 다 날려버리고 다 지워버리고

**자료·검토에 따른 정정:** 결측치

근거: PDF27 원본의 데이터 분석 문제 예시는 결측치, 불균형이다. 왜/미래 발생이라는 나머지 구절은 이 표기로 복원하지 않는다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 27

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-027.jpg|자료 화면 열기]]

**자료·검토에 따른 정정:** 결측치 대체법 (용어 결측치의 자료 표기만 확인)

근거: PDF27 원본에 결측치가 직접 보인다. 대체법 자체의 구현·세부 명칭은 자료에 없어 기존 문장의 대체법을 새 설명으로 확장하지 않았다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 27

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-027.jpg|자료 화면 열기]]

## 1-2 창 0031 · 00:26:13–00:26:30 · 중요한 의미 차이 미발견

예측 정보를 방송·농업의 비즈니스에 활용한다는 겹치는 내용은 같다. 표현/접속어와 창 끝의 예측모델 문장 절단만 달라진다.

![[review/audio/1-2/clips/0031.m4a]]

근거 파일: [[review/audio/1-2/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇다면 이런 걸 비즈니스 목적으로 활용될 수 있도록 뭔가 방송사에 팔 수도 있어요. 그런 정보들. 아니면 기후에 민감할 수밖에 없는 농업과 관련된 분야 쪽에 이런 걸 막 할 수도 있겠죠. 이를 들어서 이런 데이터 분석에 기반해서 예측 모델까지 잘 구축되면

2차 전사:  이런 걸 비즈니스 목적으로 활용될 수 있도록 방송사에 팔 수도 있어요. 그런 정보들을. 아니면 기후에 민감할 수밖에 없는 농업과 관련된 분야 쪽에 이런 걸 막 할 수도 있죠. 예를 들어서 이런 데이터 분석에 기반해서

## 1-2 창 0032 · 00:26:42–00:26:51 · 중요한 의미 차이 미발견

데이터 분석으로 비즈니스를 최적화한다는 내용은 같다. 한 단계/간추려/간단하게의 연결구를 추가 단계 수나 절차의 차이로 해석하지 않았다.

![[review/audio/1-2/clips/0032.m4a]]

근거 파일: [[review/audio/1-2/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 실제 비즈니스를 최적화하는데 이렇게 데이터 분석에 대한 결과물을 쓸 수가 있어요. 이걸 한 단계가 아니라 좀 더 간추려서 설명한다면

2차 전사:  우리가 실제 비즈니스를 최적화하는데 데이터 분석에 대한 결과물을 쓸 수가 있어요. 이걸 간단하게 한 단계를 더...

## 1-2 창 0033 · 00:27:09–00:27:18 · 학습 보류

산감도/탄감도라는 차트 이름이 모두 손상되었다. 산점도 후보가 자연스럽지만 이 슬라이드 PDF23에는 그 차트 이름을 적지 않아 교정으로 확정하지 않는다. 변수 간 관계 설명 뒤쪽도 창 끝에서 잘린다.

![[review/audio/1-2/clips/0033.m4a]]

근거 파일: [[review/audio/1-2/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 리포팅이라는 것은 차트 그려보는 거예요. 어떤 파이차트를 그려보고 산감도도 그려보면서 변수를 그려하는 어떤 상관성이 있고 Y에 대해서 X가 충분한 설명력이 있는지 이런 것들을 갖다 보는 거죠.

2차 전사:  차트 그려보는 거예요. 어떤 바 차트도 그려보고 어떤 파이 차트도 그려보고 탄감도도 그려보면서 변수율과는 어떤 상관성이 있고 y에 대해서

## 1-2 창 0034 · 00:27:34–00:28:03 · 학습 보류

마지막 단계 이름은 PDF24의 결과 요약 및 배포로 확인된다. 앞 문장 실수를 달성/미션 3호를 달성은 목적이 무엇인지 서로 불명확해 미해결이며 단어를 임의로 비즈니스 최적화로 채우지 않는다. 두 번째 끝 감사합니다도 절단 부근의 생성으로 채택하지 않는다.

![[review/audio/1-2/clips/0034.m4a]]

근거 파일: [[review/audio/1-2/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 이 데이터가 잘 활용될 수 있는지에 대해서 잘 살펴보는 거죠. 그 다음에는 예측을 하고 예측된 결과에 기반해서 실수를 달성하는 겁니다. 이렇게 해서 문제정의 데이터 수집, 데이터 탐색, 데이터 모델링, 결과 요양 및 배포 다섯 가지에 기반해서 제가 간단하게 설명을 좀 드리면 문제정의는 뭐냐면 문제가 무엇인가? 관련 데이터가 있는가? 무엇을 예측하기를 원하는가를 보는 거고요. 두 번째 데이터 수집 단계에서는 데이터 수집에 문제가 없으면

2차 전사:  잘 활용될 수 있는지에 대해서 잘 살펴보는 거죠. 그 다음에는 예측을 하고 예측된 결과에 기반해서 미션 3호를 달성하는 겁니다. 이렇게 해서 문제정의 데이터 수집, 데이터 탐색, 데이터 모델링, 결과 유의와 흥미 배포, 5가지에 기반해서 제가 간단하게 설명을 다시 드리면 문제정의는 뭐냐면 문제가 무엇인가, 관련 데이터가 있는가, 무엇을 예측하기로 원하는가를 보는 거고요. 두 번째, 데이터 수집 단계에서는 감사합니다.

**자료·검토에 따른 정정:** 결과 요약 및 배포

근거: PDF24 원본의 다섯 번째 붉은 화살표에 결과 요약 및 배포가 직접 적혀 있다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 24

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-024.jpg|자료 화면 열기]]

## 1-2 창 0035 · 00:30:09–00:30:19 · 자료 근거 정정 있음

PDF27은 결측치·불균형과 May take 70% of efforts를 명시한다. 결정지율/결정적 의기력 및 my take 표기만 자료로 제안하며 70% 수치 자체는 같다.

![[review/audio/1-2/clips/0035.m4a]]

근거 파일: [[review/audio/1-2/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 그 다음엔 데이터 분석에 문제가 있는지 결정지율이냐 이런 것들을 보는 거예요. 만약에 my take is 70% of efforts라고 써 놨는데 이 의미가 뭐냐면 데이터 모델링, 실제 그 다음 단계에서 예측 모델 만드는 거 여러분들은 그게 화려하다고 보이지만

2차 전사:  문제가 있는지 결정적 의기력 이런 것들을 보는 거예요 만약에 my take is 70% of efforts 라고 써놓는데 이 의미가 뭐냐면 데이터 모델링 실제 그 다음 단계

**자료·검토에 따른 정정:** 결측치, 불균형 (자료의 문제 예시)

근거: PDF27 원본의 데이터 분석에 문제는 없는가? 뒤에 결측치, 불균형이 명시된다. 강사가 실제 어떤 조사를 붙여 읽었는지는 확정하지 않는다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 27

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-027.jpg|자료 화면 열기]]

**자료·검토에 따른 정정:** May take 70% of efforts!

근거: PDF27 원본의 화살표 문구를 직접 확인했다. 수치 70%는 유지되며 my/is가 아니라 May take라는 자료 문구를 제시한다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 27

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-027.jpg|자료 화면 열기]]

## 1-2 창 0036 · 00:31:05–00:31:13 · 중요한 의미 차이 미발견

근거 없이 알고리즘을 시험하면 안 된다는 겹치는 취지는 같다. 학습모델에 대한 어떤 데이터라는 연결부는 두 출력 모두 불명확하지만 새 수치/부정 방향 차이는 찾지 못했다.

![[review/audio/1-2/clips/0036.m4a]]

근거 파일: [[review/audio/1-2/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 희박한 어떤 논리적인 근거 없는 시험을 진행하면 안 되고요. 이 학습 모델에 대한 어떤 데이터 중에 있습니다. 그렇기 때문에 제가 알고리즘을 A, B, C, D, E, Z까지

2차 전사:  없는 시험을 진행하면 안되고요. 이 학습모델에 대한 어떤 데이터가 있습니다. 그렇기 때문에 제가 알고리즘을 abc

## 1-2 창 0037 · 00:32:58–00:33:07 · 학습 보류

스크립트 이미지/태평지, 와나/C샵/다봤나 등 언어명이 손상된다. PDF29는 legacy system 검토를 말하지만 Python/Java/C# 등 실제 발화 이름을 적지 않아 프로그래밍 언어를 추측 교정하지 않는다.

![[review/audio/1-2/clips/0037.m4a]]

근거 파일: [[review/audio/1-2/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 레거시 시스템에 관련돼서 우리가 일반적으로 얘기해야 되는 부분이 뭐냐면 공식으로 만들면 여러분들 주로 뭐로 코딩하죠? 스크립트 이미지로 하게 됩니다. 와나 아니면 C샵으로 하는 사람들을 저는 거의 못 봤어요.

2차 전사:  관련되서 우리가 일반적으로 얘기해야 되는 부분은 뭐냐면 인공지능 만들면 여러분들 주로 뭐로 코딩하죠? 태평지로 하게 됩니다 다 봤나?

## 1-2 창 0038 · 00:33:14–00:33:25 · 학습 보류

script language로 보이는 표현이 스크립트 랭즈/스크래치 랭지로 달라진다. Scratch라는 특정 언어로 의미가 바뀔 수 있으며 현 PDF29는 이 명칭을 적지 않아 미해결이다. Go 이름과 레거시 연동 취지는 같다.

![[review/audio/1-2/clips/0038.m4a]]

근거 파일: [[review/audio/1-2/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 대부분 파이썬 써요. 아니면 또 R로 하시는 분들도 있고요. 아니면 고 같은 거 쓰시는 분들도 있겠죠. 자, 이렇게 스크립트 랭즈를 했을 때 사용해서 예측 모델을 만들었을 때 예측 모델이 기존의 레거시 시스템과 어떻게 붙어서 연동될 수 있을까에 대한 고민들을 해보셔야 됩니다.

2차 전사:  아니면 Go 같은 거 쓰시는 분들도 있겠죠. 이렇게 스크래치 랭지를 했을 때 사용해서 예측 모델을 만들었을 때 예측 모델이 기존의 레거시 시스템과

## 1-2 창 0039 · 00:34:32–00:34:41 · 중요한 의미 차이 미발견

결과에서 문제 정의로 되돌아가고 분석 사례를 소개한다는 겹치는 취지는 같다. 손가쁘게/아까와 마무리 어미는 새 절차 변경이 아니다.

![[review/audio/1-2/clips/0039.m4a]]

근거 파일: [[review/audio/1-2/0039.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 다시 얘기하면 그 부분이 문제 정의로 다시 한 번 간다는 얘기죠. 자, 손가쁘게 얘기했던 부분들을 분석 프로세스 사례를 들면서 마지막으로 좀 소개를 드리고 오늘 강의를 좀 마치도록 할게요.

2차 전사:  다시 한번 본다는 얘기죠 자, 아까 얘기했던 부분들을 분석 프로세스 사례를 들면서 마지막으로 좀 소개를 드리고 오늘 강의를 마치도록 하겠습니다

## 1-2 창 0040 · 00:36:29–00:36:40 · 자료 근거 정정 있음

지도학습의 슈퍼바스 러닝은 두 출력이 일치하지만 PDF19/21에는 Supervised Learning이 보인다. 모델 일치를 넘어 실제 자료 표기로 제안한다.

![[review/audio/1-2/clips/0040.m4a]]

근거 파일: [[review/audio/1-2/0040.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇게 돼서 이렇게 원인 분류에 기반해서 클래시피케이션, 아까 얘기했던 지도학습, 슈퍼바스 러닝을 돌려서 그러니까 X가 Y에 대해서 예측하도록 만드는 모델로 다시 변경한 다음에 실제 이상이 어떤 이상이었는지 예측하도록 만드는 모델을 구축하는 게 이 문제였어요.

2차 전사:  아까 얘기했던 지도학습, 슈퍼바스 러닝을 돌려서 x가 y에 대해서 예측하도록 만드는 모델로 다시 변경한 다음에 실제 어떤 이상이 뭔지

**자료·검토에 따른 정정:** Supervised Learning

근거: PDF21 원본 지도학습 타원에 Supervised Learning이 인쇄되어 있다. 첫 출력과 두 번째 출력이 같은 손상을 내더라도 그 합의를 근거로 삼지 않는다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 21

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-021.jpg|자료 화면 열기]]

## 1-2 창 0041 · 00:37:06–00:37:13 · 학습 보류

평균과 분포가 두 번째에서 환경과 분포로 바뀌어 통계 특성의 뜻이 달라진다. 변수 의미를 따지 않는다/따져본다의 부정도 다르다. PDF32의 시그널 그림만으로 실제 발화·부정을 고를 수 없다.

![[review/audio/1-2/clips/0041.m4a]]

근거 파일: [[review/audio/1-2/0041.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 각각의 변수들이 의미하는 걸 굳이 따지 않는다면 저런 치그널 데이터가 치그널 데이터가 그런데 어떤 평균과 분포를 가지고 평균과 분포를 가지고

2차 전사:  의미하는 걸 굳이 따져본다면 바로 시그널 데이터구나 시그널 데이터가 그런데 어떤 환경과 분포를 가지고

## 1-2 창 0042 · 00:37:48–00:38:02 · 자료 근거 정정 있음

PCA, Autoencoder, Gaussian Mixture Model, Local Outlier Factor, Isolation Forest 등 이상탐지 모델 이름은 PDF34 그림에 실제 인쇄되어 있다. 두 출력이 다르게 손상되므로 그 표기만 제안한다.

![[review/audio/1-2/clips/0042.m4a]]

근거 파일: [[review/audio/1-2/0042.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 나중에 프랜스토퍼 컴포넨트 에너지스라는 PCA 주성분 분석을 이상탐지 모드로 써봤고요. 딥러닝 모델 계열의 오토인코더, 가우시아 미스미 모델, 로컬 알로르 아프트, 아이슬레이션 포레스트 이런 기법들에 대해서 적용해서 실제 어떤 알고리즘이 이 데이터에 대해서 가장 이상탐지에 대한 정확도가 높은지를 비교를 해봤었습니다.

2차 전사:  주성분 분석을 2단 3개 모델로 써봤고요. 딥러닝 모델 계열의 보통 인코더, 그 다음에 가우시아 미스티 모델, 또는 로컬 아르마이 펙터, 아이솔레이션 포레스트 이런 기법들에 대해서 적응을 해서 실제 어떤 알고리즘이 이 데이터에 대해서 가장...

**자료·검토에 따른 정정:** Principal Component Analysis (PCA)

근거: PDF34 원본의 왼쪽 위 이상탐지 모델 그림 라벨에 Principal Component Analysis가 보인다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 34

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-034.jpg|자료 화면 열기]]

**자료·검토에 따른 정정:** Autoencoder; Gaussian Mixture Model; Local Outlier Factor; Isolation Forest

근거: PDF34 원본의 각 이상탐지 모델 그림 아래 네 영어 라벨을 직접 확인했다. 두 번째의 보통 인코더/가우시아 미스티/로컬 아르마이 펙터를 채택하지 않는다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 34

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-034.jpg|자료 화면 열기]]

## 1-2 창 0043 · 00:38:55–00:39:04 · 학습 보류

문제를 잘 정리하는 단계로 되돌아간다는 표현이 문제를 재소개하는 것으로 달라진다. PDF24/35의 순환 절차는 보이나 실제 동사를 자료 문장으로 대체하지 않으며 원음 확인 대상으로 남긴다.

![[review/audio/1-2/clips/0043.m4a]]

근거 파일: [[review/audio/1-2/0043.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아니면 데이터에 대해서 해석하는 그런 연구를 또 해볼까? 문제를 잘 정리하는 걸로 다시 한번 돌아갑니다. 자 여기까지 이제 데이터의 일반적인 데이터 마이닝 일반적인 프로세스에 대해서 설명드렸어요.

2차 전사:  데이터에 비해서 해석하는 그런 연구를 또 해볼까 문제를 재소개하는 걸로 다시 한번 돌아가겠습니다. 자 여기까지 데이터 일반

## 1-2 창 0044 · 00:39:47–00:39:58 · 학습 보류

노프리 런치/너브리 런치와 그 앞의 아무도 아쉬웠기/아무것도 안 썼기라는 부정/진술이 손상된다. 현 PDF36에 No Free Lunch 정리가 인쇄되어 있지 않아 배경지식으로 교정하지 않는다. 하이퍼파라미터 표기는 PDF36으로 부분 제안한다.

![[review/audio/1-2/clips/0044.m4a]]

근거 파일: [[review/audio/1-2/0044.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇다면 거기에서 다양한 예측 모델들이 누가 이 데이터셋에 대해서 가장 좋을지는 아무도 아쉬웠기 때문에 우리가 이걸 갖다가 노프리 런치라고 그런 시어링이라고 얘기를 하거든요. 그렇기 때문에 많은 알고리즘을 비교해보고 헥퍼파라멘터를 튜닝해보고

2차 전사:  이 데이터셋에 대해서 가장 좋은 지능 아무것도 안 썼기 때문에 우리가 너브리 런치라고 그런 theorem이라고 얘기를 하거든요 자 그렇기 때문에 많은 알고리즘을 갖다가 비교

**자료·검토에 따른 정정:** 하이퍼파라미터

근거: PDF36 원본 주요내용에 모델/하이퍼파라미터 선정이 직접 인쇄되어 있다. 같은 창의 No Free Lunch 발화는 별도 미해결이다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 36

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-036.jpg|자료 화면 열기]]

## 1-2 창 0045 · 00:40:39–00:40:56 · 자료 근거 정정 있음

AutoML을 오토힘으로 읽는 손상은 PDF36의 Automated Machine Learning (AutoML) 명칭으로 제안한다. 솔루션을 선보인다는 취지는 같다.

![[review/audio/1-2/clips/0045.m4a]]

근거 파일: [[review/audio/1-2/0045.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그런 어떤 작은 업체에서도 많이 데이터 드리브 인데 어프로치에 편승하고자 많은 사람들의 관심을 갖고 있는 이 오토 ML 솔루션들을 제출하고 있습니다. 선보이고 있습니다. 오토힘에는 기본적으로 소모적이고 반복적인 어떤 데이터 엔지니어들 또는 데이터 사이언티스트들이 그런 어떤 자동화된 처리를 통해서

2차 전사:  많은 사람들의 관심을 갖고 있는 AutoML 솔루션들을 선보이고 있습니다. AutoML은 기본적으로 소모적이고 반복적인 데이터 엔지니어들 또는 데이터 사이언티스트들이

**자료·검토에 따른 정정:** AutoML

근거: PDF36 원본 제목/첫 항목에 Automated Machine Learning (AutoML)이 명시된다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 36

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-036.jpg|자료 화면 열기]]

## 1-2 창 0046 · 00:43:23–00:43:36 · 중요한 의미 차이 미발견

데이터 전처리와 학습 모델 선택을 함께 고려한다는 내용은 같다. 창 끝의 모델 선택 설명 잘림은 별도 의미 변경이 아니다.

![[review/audio/1-2/clips/0046.m4a]]

근거 파일: [[review/audio/1-2/0046.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 데이터와 관련된 전처리 측면도 분명히 고려가 되어야 될 겁니다. 자 이외에 학습모델을 구축하는게 결국 분석의 핵심이 될 수 있을텐데요. 학습모델을 구축하고 어떠한 학습모델이 가장 좋을건지

2차 전사:  전처리 측면도 분명히 고려가 되어야 할 겁니다. 이외에 학습 모델을 구축하는 것이 결국은 분석의 핵심이 될 수 있을 텐데요. 이런 학습 모델을 구축하고,

## 1-2 창 0047 · 00:43:44–00:43:59 · 중요한 의미 차이 미발견

수십/수백 모델을 병행 비교하며 A/B/100번째 모델을 성능으로 선택한다는 내용과 100번째 수는 같다. 마지막 하이퍼파라미터 누락은 창 끝으로 구분했다.

![[review/audio/1-2/clips/0047.m4a]]

근거 파일: [[review/audio/1-2/0047.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그러면 그 수십 수백여가지에 대한 학습모델들을 병행처리하면서 그러면 A라는 모델이 좋을지 B라는 모델이 좋을지 아니면 100번째 모델이 좋을지를 실제 성능을 보면서 계속 비교해 나가는 거예요. 이때 교수님이 여러분들한테 중요하다고 얘기했던 하이퍼 파라미터.

2차 전사:  여러가지에 대한 학습 모델들을 병행 처리하면서 그러면 A라는 모델이 좋을지 B라는 모델이 좋을지 아니면 100번째 모델이 좋을지를 실제 성능을 보면서 계속 비교해 나가는 거예요 자 이때 교수님이

## 1-2 창 0048 · 00:44:06–00:44:18 · 중요한 의미 차이 미발견

하이퍼파라미터를 사람이 설정하되 실험으로도 설정할 수 있다는 겹치는 설명은 같다. 두 번째 끝의 실험 문장 잘림을 자동설정 가능성의 부정으로 해석하지 않았다.

![[review/audio/1-2/clips/0048.m4a]]

근거 파일: [[review/audio/1-2/0048.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 하이퍼 파라미터라는 건 결국은 모델의 형태, 모델에 대한 중요한 속성 값인데 이걸 결국은 자동으로 설정할 수 있는 방법이 없다 보니까 사람이 정해주는 거라고 보이겠죠. 하지만 이런 것조차도 실험에 기반돼서 하이퍼 파라미터를 설정할 수가 있을 겁니다.

2차 전사:  중요한 속성값인데, 이걸 결국은 자동으로 설정할 수 있는 방법이 없다 보니까 사람이 정해주는 거라고 보이겠죠. 하지만 이런 것조차도 실험에 기반...

## 1-2 창 0049 · 00:45:42–00:45:56 · 자료 근거 정정 있음

H2ML 및 오토 SK-LUN 등 솔루션 이름은 PDF36 로고의 H2O AutoML, Auto-Sklearn, AutoKeras 등 실제 표기를 기준으로 제안한다. 두 번째는 창 뒤 목록이 잘려 정확성 판정에 쓰지 않았다.

![[review/audio/1-2/clips/0049.m4a]]

근거 파일: [[review/audio/1-2/0049.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아래 보고 있는 데이터로봇, 아마존, SageMaker, H2ML, 오토ML 이런 회사들이 대부분의 대표적인 오토ML 솔루션을 가지고 있는 업체들이고요. TPOT, 오토 SK-LUN, 오토캐라스 이런 솔루션들도 있으니까 간단하게 사용해보면 좋을 것 같아요.

2차 전사:  이런 회사들이 대부분의 대표적인 AutoML 솔루션을 가지고 있는 업체들이고요. TPOT, Auto, SK...

**자료·검토에 따른 정정:** H₂O AutoML

근거: PDF36 원본 오른쪽 위 노란 육각형 로고가 H₂O AutoML이라고 표시된다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 36

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-036.jpg|자료 화면 열기]]

**자료·검토에 따른 정정:** Auto-Sklearn, AutoKeras

근거: PDF36 원본 하단 두 로고에 Auto-Sklearn과 AutoKeras가 직접 적혀 있다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 36

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-036.jpg|자료 화면 열기]]

## 1-2 창 0050 · 00:46:14–00:46:30 · 중요한 의미 차이 미발견

4학년 학부 강의이며 대학원 세미나가 아니라는 원문 중 겹치는 4학년 설명은 같다. 뒷부분 부정문 누락은 창 끝 절단이라 새 교육 수준 변경으로 세지 않았다.

![[review/audio/1-2/clips/0050.m4a]]

근거 파일: [[review/audio/1-2/0050.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 관련된 사업들을 진행하고자 노력하고 있는 것으로 알고 있습니다. 자, 이 주요 내용에 대해서 교수님이 이 수업 자체가 4학년 수업을 진행하는 데 있어서 여러분들한테 강의를 하기 위함이지 세미나 강의나 대학원 논문 강의는 아니기 때문에

2차 전사:  노력하고 있는 것을 알고 있습니다. 자 이 주요 내용에 대해서 교수님이 이 수업 자체가 4학년 수업을 진행하는데 있어서 여러분들한테 강의를 하기 위함이지

## 1-2 창 0051 · 00:48:40–00:48:50 · 자료 근거 정정 있음

AutoEDA/Auto ED 차이는 PDF38에 실제 보이는 Auto EDA 명칭으로 제안한다. 자동 통계분석·가시화라는 취지는 같다.

![[review/audio/1-2/clips/0051.m4a]]

근거 파일: [[review/audio/1-2/0051.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 부분은 뭐냐면 우리가 이제 데이터에 대한 어떤 통계적인 특징 데이터의 어떤 내지적인 어떤 패턴들을 갖다가 잘 인사이트 있게 분석해보고 어떤 가시화시켜보고 하는 부분인데 이런 부분들을 자동화 처리하는 부분들을 AutoEDA라고 볼 수 있어요. 그래서 여러분들에게도 간략하게 이번 학기가 마치기 전에 소개를 해드리려고 하는데

2차 전사:  이렇게 보고 가시화 시켜 보고 하는 부분인데 이런 부분들을 갖다가 자동화 처리하는 부분들을 Auto ED 라고 볼 수 있어요 그래서 이제 여러분들한테도 간략하게

**자료·검토에 따른 정정:** Auto EDA

근거: PDF38 원본 왼쪽 위 로고의 실제 표기는 Auto EDA이다. 두 번째의 Auto ED를 새 명칭으로 채택하지 않는다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 38

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-038.jpg|자료 화면 열기]]

## 1-2 창 0052 · 00:49:06–00:49:17 · 중요한 의미 차이 미발견

원문 결측치가 있는지 없는지와 두 번째 시작의 가치가 있는지라는 부분은 창 시작 경계에 걸린다. 경계에서 잘린 음절만으로 내용 반전/교정을 제안하지 않았다. 결측치 표기는 PDF27/38에 있으나 원래 전사 용어가 이미 맞으므로 중복 교정으로 세지 않는다.

![[review/audio/1-2/clips/0052.m4a]]

근거 파일: [[review/audio/1-2/0052.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 도구를 이용하면 데이터셋이 다별랑 데이터라면 어떤 변수 내에 결측치가 있는지 없는지 예를 들어 간단히 보여드리면 이 강의를 제가 올려드릴 거예요. 보시면 될 것 같아요.

2차 전사:  가치가 있는지 없는지 예를 들어 좀 간단히 보여드리면 이번에 이제 이 강의를 제가 올려 드릴 거예요 그걸 참고해서 보시면 될 것 같아요 데이터 빅데이터

## 1-2 창 0053 · 00:49:21–00:49:31 · 학습 보류

두 출력의 외도 점수는 서로 일치하지만 통계적 왜도인지 다른 지표인지 실제 용어를 음향으로 확인하지 못했다. PDF38에 is skewed 경고는 보이나 해당 세부 점수 발화까지 적지 않아 점수명을 자동 교정하지 않는다.

![[review/audio/1-2/clips/0053.m4a]]

근거 파일: [[review/audio/1-2/0053.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 빅데이터 언어 수업을 교수님한테 들었던 친구들은 이 수업을 이미 좀 들었을 겁니다. 특정 변수의 외도 점수가 어떻게 돼 있는지 분포가 어떻게 돼 있고 정규성을 따른지 아닌지 결측치가 있는지 몇 퍼센트로 있는지

2차 전사:  이 수업을 이미 들었을 겁니다. 특정 변수의 외도 점수가 어떻게 되어 있는지 분포가 어떻게 되어 있고 정규성을 따른 지 아닌지

## 1-2 창 0054 · 00:49:42–00:50:01 · 자료 근거 정정 있음

원래 EDA를 두 번째는 2대1로 읽어 작업 대상이 다른 말처럼 된다. PDF38의 Auto EDA 명칭으로 원래 약어를 보존하는 제안을 남긴다. Kernel Density Estimation 표기는 두 출력에서 같다.

![[review/audio/1-2/clips/0054.m4a]]

근거 파일: [[review/audio/1-2/0054.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 그런 라이브를 이용하면 일일이 EDA를 위해서 여러분들이 해야 되는 작업들을 최대한 줄여주는 거예요. 이 외에도 정규성 검증, 분포에 대한 추정, 그래서 이게 Kernel Density Estimation이라고 분포가 이렇게 파란색 히스토그램이 되어 있는 것을 일반적으로 봤을 때 이런 빨간색으로 우리가 핀니스를 맞춰줄 수 있는 분포를 추정할 수 있겠다라고 얘기할 수 있는 것도 분석도 할 수 있고요.

2차 전사:  라이브를 이용하면 여러분들이 일일이 2대1을 위해서 여러분들이 해야 하는 작업들을 최대한 작업들을 줄여주는 거예요. 이 외에도 정규성 검증, 분포에 대한 추정 그래서 이게 kernel density estimation이라고 분포가 이렇게 파란색 히스토그램으로 되어 있는 것을 일반적으로 봤을 때 이런 빨간색으로

**자료·검토에 따른 정정:** EDA (두 번째의 2대1로 대체하지 않음)

근거: PDF38 원본에 Auto EDA 로고와 여러 EDA 분석 예시가 직접 보인다. 원래 약어를 보존하는 제안이다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 38

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-038.jpg|자료 화면 열기]]

## 1-2 창 0055 · 00:50:10–00:50:30 · 중요한 의미 차이 미발견

PCA/MDS/Manifold Learning으로 내재적 특징을 가시화한다는 겹치는 내용은 같다. 한글/영문 음역과 절단 외에 새 방법/관계 방향 차이는 찾지 못했다.

![[review/audio/1-2/clips/0055.m4a]]

근거 파일: [[review/audio/1-2/0055.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 변수와 변수 간에 어떤 선형적인 상관성이 있는지에 대해서 상관성 분석을 수행할 수도 있을 겁니다. 여러분들은 이 수업 마지막에 배울 PCA나 MDS를 통해서 또는 어떤 매니폴드 러닝을 통해서 데이터의 내지적인 특징이 무엇인지에 대해서도 집약적으로 가시화시킬 수도 있을 거예요. 이렇게 해서 전체적인 사전 지식이 없더라도 데이터에 대한 통계적인 분석을 어떻게 할 건지에 대한 방향성을 자동화 처리해 줄 수 있다는 것들은 상당히 많은 시간을 좀 줄여줄 수 있겠죠.

2차 전사:  상관성 분석을 수행할 수도 있을 겁니다. 여러분들은 이 수업 마지막에 배울 PCA나 MDS를 통해서 또는 Manifold Learning을 통해서 데이터의 내지적인 특징이 무엇인지에 대해서도 집약적으로 가시화 시킬 수도 있을 거예요. 이렇게 해서 전체적인

## 1-2 창 0056 · 00:50:40–00:51:05 · 중요한 의미 차이 미발견

자동 리포팅과 라이브러리로 코드·사전작업 시간을 줄인다는 내용은 같다. 책상으로 손상된 구절이 두 출력에 남더라도 정확하다고 확인한 것은 아니며 창 뒤 AutoML-zero 누락은 절단으로 구분했다.

![[review/audio/1-2/clips/0056.m4a]]

근거 파일: [[review/audio/1-2/0056.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 해서 전체적인 사전 지식이 없더라도 데이터에 대한 통계적인 분석을 어떻게 할 건지에 대한 방향성을 자동화 처리해 줄 수 있다는 것들은 상당히 많은 시간을 좀 줄여줄 수 있겠죠. 하려고 하는데 이런 것들이 자동화 딱 돼서 리포팅 딱 됐다 여러분 책상이 딱 되면 와 이게 어 내가 데이터를 주어졌는데 데이터를 그냥 딱 넣었더니만 라이브러리에서 알아서 이렇게 분석 다 됐으면 나한테 보여준다고 그럼 생각보다 여러분들 뭐 코드 짜고 사전 준비하고 이런 작업들을 어 최대한 단축 시켜줄 수 있겠죠 자 이런 측면에서도 오토 ml 상당히 이용하구요 또 오토 ml 제로 라고 뭐 구글에서도 보면

2차 전사:  시간을 좀 줄여줄 수 있겠죠 그렇죠 데이터 분석을 하려고 하는데 이런 것들이 자동화 딱 돼서 리포팅이 딱 됐다 여러분 책상이 딱 되면 와 이게 내가 데이터를 주워줬는데 데이터를 그냥 딱 넣었더니만 라이브러리에서 알아서 이렇게 분석 다 됐으면 나한테 보여준다고 그럼 생각보다 여러분들 뭐 코드 짜고 사전 준비하고 이런 작업들을 최대한 단축시켜 줄 수 있겠죠

## 1-2 창 0057 · 00:51:34–00:51:47 · 학습 보류

코드 스립팬스/스니펜스의 기술 용어는 불안정하다. PDF39에는 코드 도식이 있지만 code snippets라는 실제 표기를 확인하지 못해 그 구절을 확정하지 않는다. 머신러닝/버즈러닝 차이는 창 시작의 일부 음절 잘림 가능성이 있어 별도 자료 교정으로 세지 않는다.

![[review/audio/1-2/clips/0057.m4a]]

근거 파일: [[review/audio/1-2/0057.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 마치 머신러닝 알고리즘 하나 뚝 하고 잘 만들어지듯이 이렇게 코드 스립팬스를 모아가는 방식들도 제공하고요. 데이터로봇이 가장 사용하기 편리하도록 되어있는

2차 전사:  버즈러닝 알고리즘 하나 뚝 하고 잘 만들어지듯이 이렇게 코드 스니펜스를 모아가는 방식의 그런 방식들도 프로세스들도 제공을 하고요 데이터 로봇이 제가 보기에는 가장 사용하기

## 1-2 창 0058 · 00:52:25–00:52:37 · 중요한 의미 차이 미발견

기존 수동 과정과 DataRobot의 drag-and-drop을 대비하는 내용은 같다. 100개 이상 모델 문장은 창 끝이므로 두 번째에서 수량이 사라졌다고 새 오류로 세지 않았다. PDF40에는 evaluate 100s of models 표기가 있지만 실제 수량 발화를 새로 적지는 않았다.

![[review/audio/1-2/clips/0058.m4a]]

근거 파일: [[review/audio/1-2/0058.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 예측 정보를 사람들한테 실제 보여주는 방식까지 되는 게 다 사람이 했었던 기존 방식이라면 데이터 로봇에서 얘기하는 것은 뭐냐면 준비된 데이터가 있으면 그냥 드래그 앤 드롭 해라 그런 데이터를 가지고 최대한 100개 이상의 모델에 대해서

2차 전사:  사람들한테 실제 보여주는 방식까지 되는게 다 사람이 했었던 기존 방식이라면 데이터 로봇에서 얘기하는 것은 뭐냐면 준비된 데이터가 있으면

## 1-2 창 0059 · 00:53:23–00:53:34 · 학습 보류

QMS 시스템과 BPMS 시스템이 달라 시스템 범주/약어가 바뀐다. 이 역사적 비유는 현 PDF40에 적혀 있지 않아 둘 중 어느 약어가 실제 발화인지 확정할 수 없다. 20년 후 개발자 소멸이라는 인용의 타당성을 현재 사실로 업데이트하지 않았다.

![[review/audio/1-2/clips/0059.m4a]]

근거 파일: [[review/audio/1-2/0059.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 비즈니스 프로세스 매니지먼트라는 또는 BPMS 솔루션 QMS 시스템이라고 해서 다양한 솔루션들이 나오면서 그때는 뭐라고 얘기했냐면 개발자들은 20년 후에 없을 거다. 개발자들은 없고 일반 사람들이 프로세스를 그려가는 과정을 통해서 프로그램을 다 만들 수 있을 것이다.

2차 전사:  또는 BPMS 솔루션, BPMS 시스템이라고 해서 다양한 솔루션들이 나오면서 그때는 뭐라고까지 얘기했냐면 개발자들은 20년 후에 없을 거다

## 1-2 창 0060 · 00:53:46–00:54:01 · 중요한 의미 차이 미발견

과거 자동화 예언과 달리 개발자·데이터 분석가 수요가 필요하다는 겹치는 취지는 같다. 10년/20년 수는 같고 문장 뒷 절단을 수요 방향의 부정으로 세지 않았다.

![[review/audio/1-2/clips/0060.m4a]]

근거 파일: [[review/audio/1-2/0060.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 라고 얘기했는데 여러분들 그런가요? 아니죠. 개발자들에 대한 어떤 중요성, 필요성 그런 사람들에 대한 구인은 지금 거의 이제 10년 전, 20년 전 이나를 떠나서 앞으로도 지금도 그렇지만 앞으로도 더욱 필요해질 겁니다. 그거와 마찬가지로 데이터에 대한 분석할 수 있는 사람들에 대한 니즈는 앞으로도 더욱 증가할 수밖에 없어요.

2차 전사:  중요성, 필요성, 그런 사람들에 대한 구인은 지금 거의 10년 전, 20년 전이냐를 떠나서 앞으로도, 지금도 그렇지만 앞으로도 더 필요해질 겁니다. 그거와 마찬가지로 데이터에 대한 분석을

## 1-2 창 0061 · 00:54:14–00:54:27 · 중요한 의미 차이 미발견

AutoML은 분석가를 돕는 도구라는 방향성과 마무리 설명은 같다. 어미 및 창 시작의 문장 잘림 외에 새 의미 차이는 없다.

![[review/audio/1-2/clips/0061.m4a]]

근거 파일: [[review/audio/1-2/0061.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 오토ML은 앞에서 말씀드린 대로 데이터를 분석하고자 하는 사람들한테 어떤 서포팅하는 도구로서 더욱 활용될 거다라는 방향성에 대해서만 간략히 소개하고 이 오토ML에 대한 소개를 마치도록 하겠습니다. 자, 긴 영상이었는데 서머리를 하고 마무리를 할게요.

2차 전사:  방향성에 대해서만 간략히 소개하고 이 AutoML에 대한 소개를 마치도록 하겠습니다. 긴 영상이었는데 서머리를 하고 마무리 할게요.

## 1-2 창 0062 · 00:54:31–00:54:42 · 자료 근거 정정 있음

트레이딩 페이지로 손상된 학습/테스트 구분은 PDF45의 training, test phase 표기 및 PDF11/14 제목을 근거로 제안한다. 두 번째가 잘린 창 앞 용어를 읽지 않았다는 사실은 오류의 추가 근거로 세지 않는다.

![[review/audio/1-2/clips/0062.m4a]]

근거 파일: [[review/audio/1-2/0062.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 데이터를 트레이딩 페이지와 테스트 페이지를 나눈 이유에 대해서 잘 이해를 해주면 좋을 것 같습니다. 데이터 중에는 수치성 예측 데이터와 범주성 예측 데이터가 있다는 거 우리가 잘 이해하시면 좋을 것 같고 그러면 우리가 학습 모델에 대해서도

2차 전사:  잘 이해해 주면 좋을 것 같습니다 데이터 중에는 수치성 예측 데이터와 범주성 예측 데이터가 있다는 것을 잘 이해하시면 좋을 것 같고

**자료·검토에 따른 정정:** training phase와 test phase

근거: PDF45 원본 첫 요약에 데이터를 training, test phase로 나누는 이유가 명시된다. PDF11/14의 학습/테스트 과정 제목과도 대응한다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.3_Introduction_of_multivariate_data_analysis_II · 물리 페이지/슬라이드 45

[[pdf/1.3_Introduction_of_multivariate_data_analysis_II/page-045.jpg|자료 화면 열기]]

## 1-2 창 0063 · 00:55:29–00:55:34 · 중요한 의미 차이 미발견

이번 학기 시작과 수고 인사의 어미만 다르다. 수치·조건·내용의 의미 차이는 찾지 못했다.

![[review/audio/1-2/clips/0063.m4a]]

근거 파일: [[review/audio/1-2/0063.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이번 학기에 힘차게 한번 시작해보길 바랍니다. 예, 수고했습니다.

2차 전사:  이번 학기 힘차게 한번 시작해 보기를 바랍니다. 수고하셨습니다.