# lecture1-1 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.

## lecture1-1 창 0000 · 00:00:17–00:01:35 · 자료 근거 정정 있음

실험 소개의 2개/1개 보상 내용은 같고, 어미·되짚어 표현과 창 경계 누락은 의미 오류로 세지 않았다. 벨/출처명은 기존 메인 PDF 교정 2개를 재사용한다.

![[review/audio/lecture1-1/clips/0000.m4a]]

근거 파일: [[review/audio/lecture1-1/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 데이터는 어떻게 정리할 수 있으며, 어떤 형태의 데이터를 분석할 것이고, 그리고 최근에 많이 회자되는 빅데이터는 무엇인지 같이 알아보려고 합니다. 그래서 결국은 인공지능, 기계학습, 데이터 마이닝, 데이터, 이 모든 것들에 대해서 터미널리지를 정리하고 각각에 대한 관계성들을 한번 대집어 보도록 하겠습니다. 시작하기 전에 데이터 분석이 무엇인지, 왜 필요한지, 우리가 무엇에 대해서 경각심을 갖고 데이터 분석을 진행해야 될지를 먼저 생각해 보도록 하겠습니다. 여러분들 마시멜로우 실험을 좀 알고 있죠. 마시멜로 실험은 아이들 앞에 마시멜로를 두고요. 이 마시멜로를 먹지 않고 특정 시간 동안 기다린다면 우리가 두 개를 주도록 하겠다. 만약에 못 참겠다면 배를 울리고 마시멜로 하나만 먹어라. 만약에 참으면 두 개 줄게. 이렇게 얘기하는 거예요. 그래서 아래에 채용심리생담센터라는 이 사이트에서 가져왔는데 만약에 어떤 아이가 이 마시멜로를 먹는 거여서에 대해서 참지 못한다면 먹을 테고요. 참아낸다는 의지가 좀 강하다는 생각이 든다면 마시멜로를 해당된 시간 동안에 참아낼 겁니다. 이 마시멜로 실험을 기획했던 것은 스탠퍼드의 월터 미셸이라는 심리학자분이셨고요.

2차 전사:  어떤 형태의 데이터를 분석할 것이고, 그리고 최근에 많이 회자되는 빅데이터는 또 무엇인지 같이 알아보려고 합니다. 그래서 결국은 인공지능, 기계학습, 데이터 마이닝, 데이터 이 모든 것들에 대해서 어떤 터미널리지를 정리하고 각각에 대한 관계성들을 한번 되짚어보도록 하겠습니다. 시작하기 전에 데이터 분석이 무엇인지, 왜 필요한지, 무엇에 대해서 경각심을 갖고 데이터 분석을 진행해야 될지를 먼저 생각해 보도록 하겠습니다. 마시멜로우 실험을 알고 있죠? 마시멜로우 실험은 아이들 앞에 마시멜로우를 두고요. 이 마시멜로우를 먹지 않고 특정 시간 동안 기다린다면 우리가 2개를 주도록 하겠다. 만약 못 참겠다면 배를 울리고 마시멜로 하나만 먹어라. 만약에 참으면 두 개 줄게. 이렇게 얘기하는 거예요. 그래서 아래에 채용심리상담센터 라는 사이트에서 가져왔는데 만약에 어떤 아이가 이 마시멜로를 먹는 것에 대해서 참지 못한다면 바로 먹을 테고요. 참아낸다는 의지가 좀 강하다는 생각이 든다면 마시멜로를 해당되는 시간 동안에 참아낼 겁니다. 이 마시멜로 실험을...

## lecture1-1 창 0001 · 00:02:17–00:02:38 · 중요한 의미 차이 미발견

15분 인내와 이후 사회·학업 성취 관계 설명의 겹치는 구간은 같다. 문장 시작/끝 절단과 참아했던→참아냈던 표현 차이만 보인다.

![[review/audio/lecture1-1/clips/0001.m4a]]

근거 파일: [[review/audio/lecture1-1/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 직업적인 성취도도 우수했고 문제 해결 능력, 계획 수행 능력도 모두 우수했다고 합니다. 자 그렇다면 아이였을 때부터 15분 동안 잘 마시멜로를 먹지 않고 참아했던 아이일수록 사회적인 성공과 또는 기본적인 학업성취능력 이런 것들이 전부 다 뛰어났다는 얘기죠. 그래서 이 실험을 통해서 많은 학자들이 결론을 냈던 것은 뭐냐면 인내는 미덕이다.

2차 전사:  능력, 계획 수행 능력도 모두 우수했다고 합니다. 그렇다면 아이였을 때부터 15분 동안 잘 마시멜로를 먹지 않고 참아 냈던 아이일수록 사회적인 성공과 또는 기본적인 학업 성취 능력 이런 것들이 전부 다 뛰어났다는 얘기죠. 그래서 이 실험을 통해서

## lecture1-1 창 0002 · 00:02:56–00:03:14 · 중요한 의미 차이 미발견

사회·심리적 문제를 단순화하여 인내의 의미를 설명하는 내용은 같다. 사람의 네이처 뒤의 손상된 연결구는 두 출력 모두 불명확하나 새 수치·부정·비교 차이는 찾지 못했다.

![[review/audio/lecture1-1/clips/0002.m4a]]

근거 파일: [[review/audio/lecture1-1/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어렸을 때부터 인내를 잘 했던 아이들은 아무래도 사회적으로 더 좋은 성취관과 더 좋은 사회성을 갖는 데 있어서 큰 의미를 부여할 수 있다더라 라고 얘기를 한 거예요. 이렇게 간단한 실험을 통해서라도 복잡한 사회적인 심리적인 문제에 대해서 사람의 네이처를 끌지면에서 단순화시켜 보여준 거거든요. 그래서 사람들한테 인내라는 게 정말 중요한 거구나, 큰 실사점이 있구나 라고 큰 공감을 얻었던 실험이었습니다.

2차 전사:  큰 의미를 부여할 수 있다더라 라고 얘기를 한 거예요 이렇게 간단한 실험을 통해서라도 복잡한 사회적인 심리적인 문제에 대해서 어떤 사람의 네이처를 끌이지만 내서 단순화시켜서 보여준 거거든요 그래서 사람들한테 인내라는 게 정말

## lecture1-1 창 0003 · 00:03:26–00:03:45 · 학습 보류

두 번째 출력은 사실 알고 있었음에도 불구하고라는 사전 인지 주장을 추가한다. 첫 출력의 뒤늦게 밝혀진 사실과 서술 관점이 달라질 수 있으며 PDF7/8 제목만으로 실제 발화를 복구할 수 없다.

![[review/audio/lecture1-1/clips/0003.m4a]]

근거 파일: [[review/audio/lecture1-1/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 하지만 뒤늦게 밝혀진 사실이 있었습니다. 많은 사람들이 경각심을 갖지 못했던 의미가 있었는데요. 지금부터 얘기하고 싶었던 것이 이 실험에 대해서 여러분들에게 소개하는 이유가 되겠습니다. 뒤늦게 밝혀진 사실이 있었는데요.

2차 전사:  밝혀진 사실이 있었습니다. 사실 알고 있었음에도 불구하고 많은 사람들이 경각심을 갖지 못했었던 어떤 의미 있는 부분이었는데요. 지금부터 얘기하고 싶었던 게 이 실험에 대해서 여러분들한테 소개하는 이유가 되겠습니다. 뒤늦게 밝혀진 사실이 있었는데요.

## lecture1-1 창 0004 · 00:04:50–00:05:17 · 학습 보류

두 출력 모두 잠재근수로 인식했다. 부모 배경이 개입하는 변수 용어의 손상 가능성은 기존 intro 미해결 후보로 유지한다.

![[review/audio/lecture1-1/clips/0004.m4a]]

근거 파일: [[review/audio/lecture1-1/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 상대적으로 부유한 환경에서 또는 먹는 것에 대한 집착을 상대적으로 덜 느낄 수밖에 없었던 환경에서 자랐던 아이들일수록 15분을 참아냈다는 겁니다. 자, 그런 상대적인 부모의 경제력, 배경, 이런 부분들이 결국 아이들이 10대, 20대를 지나 이후의 삶에까지 영향을 끼쳤다는 부분입니다. 분명히 이런 부분들은 잠재근수로서 우리가 배제했어야 되는 부분인데 불구하고 충분하게 필터링을 하지 못했던 거죠.

2차 전사:  15분을 참아냈다는 겁니다. 자, 그런 상대적인 자기가 자라왔던 부모의 경제력 또는 배경 이런 부분들이 결국은 아이들이 10대, 20대를 지나 이후의 삶에까지 영향을 끼쳤다는 부분입니다. 분명히 이런 부분들은 잠재근수로서 우리가 배제했었어야 하는 부분인데도 불구하고 충분하게 필터링을 하지 못했다.

## lecture1-1 창 0005 · 00:05:20–00:05:51 · 학습 보류

두 번째 출력은 실험 대상에 15분을 참았던, 참지 못했던 두 집단을 명시한다. 첫 출력은 참지 못했던 아이들로만 읽혀 집단 구성이 달라질 수 있다. 랜덤 샘플링과 환경 통제의 핵심 취지는 같지만 추가된 집단 표현의 발화는 미확정이다.

![[review/audio/lecture1-1/clips/0005.m4a]]

근거 파일: [[review/audio/lecture1-1/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 예를 들어서 이것을 정말 제대로 실험을 해야 했다면 참지 못했던 아이들에 어떤 어떤 이 아이들이 자라왔던 환경에 대한 변수가 개입되지 못하도록 충분히 어 랜덤 샘플링을 해서 이런 부분들에 대해서 개입되지 못하도록 우리가 환경 설정을 했어야 되는 겁니다. 결국 실험 구성이 잘못된다는 건데요. 결국 여러분들이 이후에 데이터 분석을 하게 되더라도 결국 필요한 건 뭐냐면 사람은 세상을 내 의지에 맞춰서 왜곡해서 볼 수 있는 능력을 갖추고 있다는 거예요.

2차 전사:  실험을 해야 했다면 15분을 참았던, 참지 못했던 아이들에 어떤 이 아이들이 자라왔던 환경에 대한 변수가 개입되지 못하도록 충분히 랜덤 샘플링을 해서 이런 부분들에 대해서 개입되지 못하도록 우리가 환경 설정을 했었어야 되는 겁니다. 결국 실험 구성이 잘못되었다는 건데요. 결국 여러분들이 이제 이후에 데이터 분석을 하게 되더라도 결국 필요한 것은 무엇이냐 하면 사람은 세상을

## lecture1-1 창 0006 · 00:06:08–00:06:18 · 중요한 의미 차이 미발견

빨간 코끼리를 찾으려는 확증적 탐색 예시는 같다. 반복 및 창 경계 절단 외에 새 의미 차이를 찾지 못했다.

![[review/audio/lecture1-1/clips/0006.m4a]]

근거 파일: [[review/audio/lecture1-1/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 내 주장을 뒷받침하려는 데이터가 어디 있지? 라고 생각하는 거예요. 자 코끼리 중에서는 분명히 빨간색 코끼리가 있을 거야라고 생각하고 빨간색 코끼리가 어딘가는 있을 거야라고 생각하고

2차 전사:  코끼리 중에서는 분명히 빨간색 코끼리가 있을 거야라고 생각하고 빨간색 코끼리가 어딘가는 있을 거야라고 생각하는 거예요.

## lecture1-1 창 0007 · 00:06:58–00:07:08 · 중요한 의미 차이 미발견

데이터 분석을 배우는 배경과 데이터 증가라는 목차 설명은 같다. 다음 가지/다음과 같이, 대결/배경의 연결 표현만 달라진다.

![[review/audio/lecture1-1/clips/0007.m4a]]

근거 파일: [[review/audio/lecture1-1/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 끊임없이 의심하는 게 필요하겠습니다. 자 오늘 말씀드릴 부분은 다음 가지 데이터를 분석하게 되는 배경 우리가 이걸 왜 공부하고 있는지에 대한 대결 그리고 데이터가 지속적으로 증가를 하고 있다

2차 전사:  게 필요하겠습니다. 자 오늘 말씀드릴 부분은 다음과 같이 데이터를 분석하게 되는 배경, 우리가 이걸 왜 공부하고 있는지에 대한 배경 그리고

## lecture1-1 창 0008 · 00:07:32–00:07:40 · 학습 보류

첫 출력의 바둑을 두 번째는 가족으로 인식한다. AlphaGo 게임 문맥은 분명하지만 PDF11의 게임 그림만으로 해당 발음을 확정하지 않으며 두 번째의 가족을 채택하지 않는다.

![[review/audio/lecture1-1/clips/0008.m4a]]

근거 파일: [[review/audio/lecture1-1/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 교수님의 어머님도, 교수님의 할아버지도, 할머니도 다 얘기 알파고 알파고 얘기를 많이 하셨습니다 바둑은 정말 어마어마 어마어무시한 조합의 최적에 해당되는 게임이기 때문에

2차 전사:  교수님의 어머님도 교수님의 할아버지도 할머니도 알파고 알파고 얘기를 많이 하셨습니다. 가족은 정말 어마어마 어마어마시

## lecture1-1 창 0009 · 00:08:21–00:08:40 · 중요한 의미 차이 미발견

알파고 논문 리뷰가 회자되며 AI 관심/응용이 늘었다는 겹치는 내용은 같다. 네이처 출처와 응용 예시의 잘림은 절단 창 효과로 보며 그 자체를 오류로 세지 않았다.

![[review/audio/lecture1-1/clips/0009.m4a]]

근거 파일: [[review/audio/lecture1-1/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 알파고의 네이처지에 실렸던 실제 알파고의 논문들을 보면서 리뷰를 하고 그런 것들이 막 좀 패자가 됐었어요. 여러분들 그때가 고등학생인가요? 중학생별... 아 고등학생이겠네요. 그래서 많은 사람들이 인공지능에 대해서 관심을 가지면서 다양한 애플리케이션에 대한 고민들도 하게 됩니다. 그래서 다음과 같이 의료 쪽에 인공지능을 갖다 정독시키거나 아니면 AI 스피커를 하고자 하거나

2차 전사:  어떤 실제 알파고의 논문들을 보면서 리뷰를 하고 그런 것들이 회자가 됐었어요. 여러분들 그때가 고등학생인가요? 중학생들? 아, 고등학생이겠네요. 그래서 많은 사람들이 인공지능에 대해서 관심을 가지면서 다양한 애플리케이션에 대한 고민들도 하게 됩니다. 그래서 다음과 같이 이런...

## lecture1-1 창 0010 · 00:09:20–00:09:28 · 학습 보류

첫 출력은 Instagram 뒤 Twitter의 511,200 단문 메시지를 설명하지만 두 번째 출력은 인스타그램 이력이 없네요라고 내어 플랫폼/수치 설명의 겹침 범위가 불명확하다. 숫자가 없는 창 끝을 곧 숫자 오인식으로 간주하지 않으며 원음/정렬 확인이 필요하다.

![[review/audio/lecture1-1/clips/0010.m4a]]

근거 파일: [[review/audio/lecture1-1/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 호스팅을 받고 있대요. 누가 만들어주죠? 여러분들이 만들고 있는 거야. 그 다음에 인스타그램 또는 우리한테 익숙한 트위터. 트위터 같은 경우에는 51만 1200개의 단문메시지를 트위터에 올리는 걸 갖다 받고 있대요.

2차 전사:  누가 만들어주죠? 여러분들이 만들고 있는 거야 그 다음에 인스타그램, 인스타그램이 좀 이력이 없네요

## lecture1-1 창 0011 · 00:09:44–00:09:56 · 중요한 의미 차이 미발견

데이터가 갈수록 커지고 ImageNet이 큰 이미지 저장소라는 취지는 같다. 가스록/갈수록, 퍼지고/커지고 등 유사 발음/문장 차이를 새 내용 교정으로 세지 않았다.

![[review/audio/lecture1-1/clips/0011.m4a]]

근거 파일: [[review/audio/lecture1-1/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어마어마한 데이터들이 매분마다 이렇게 쌓이고 있는 겁니다. 데이터는 가스록 가스록 퍼지고 있어요. 자, 그 다음에 데이터가 얼마나 커지는지 얘기할 수 있는 부분은 이미지넷을 들 수가 있습니다. 이미지넷은 전사기에서 가장 큰 이미지, 레파스토리라고 얘기를 하면 돼요.

2차 전사:  갈수록 갈수록 커지고 있어요. 자, 그 다음에 데이터가 얼마나 커지는지 얘기할 수 있는 부분은 이미지 넷을 들 수가 있습니다. 이미지 넷은 전사기에서 가장 큰 이미지

## lecture1-1 창 0012 · 00:10:02–00:10:33 · 자료 근거 정정 있음

두 모델 모두 1400병으로 냈으나 PDF13 실제 도표에 14M이 보인다. 기존 intro의 수량 표기 교정을 재사용한다. 17y/19y는 자료의 약식 표기 그대로 두고 연도를 새로 추론하지 않는다.

![[review/audio/lecture1-1/clips/0012.m4a]]

근거 파일: [[review/audio/lecture1-1/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이미지에 대해서 트루 레이블, 그러니까 어떤 그림이 있을 때 그 그림에 대해서 여기에 어떤 고양이와 개와 사람이 두 명이 있고요. 사람은 어떤 옷을 입고 있고요. 이런 레이블을 갖다가 이미지로 다 다룬 거예요. 자, 이러한 이미지넷이 저장된 전체적인 이미지양이 아래 그림에서 보듯이 2017년도까지만 해도 22만 건 정도 있어요. 근데 2년 만에 1400병이 넘어갔어요. 몇 배? 63배 이상 증가한 거죠. 데이터가 이렇게 수급되고 양이 얼마나 극복하게 늘 수 있는지 쉽게 와닿게 되는 그런 부분이라고 보면 될 것 같습니다.

2차 전사:  그러니까 어떤 그림이 있을 때 그 그림에 대해서 여기에 어떤 고양이와 개와 사람이 2명이 있고요. 사람은 어떤 옷을 입고 있고요. 이런 레이블을 갖다가 각 이미지가 다 다루는 거예요. 이러한 이미지 넷이 저장된 전체적인 이미지 양이 아래 그림에서 보듯이 2017년도까지만 해도 22만 건 정도 했어요. 그런데 2년 만에 1,400병이 넘어요. 몇 배? 63배 이상 증가한 거죠. 데이터가 이렇게 투입되고 양이 얼마나 극혐하게 늘 수 있는지 쉽게 와닿게 되는 그런 부분입니다.

**자료·검토에 따른 정정:** 14M = 1,400만(자료의 수치 표기)

근거: 소개1 PDF13 원본 이미지에 19y +14M, 17y 0.22M, 63 times가 보인다. 단위가 병이라는 두 ASR 결과는 자료와 맞지 않는다. 14M의 한국어 수량 표현만 자료로 확인했으며 연도·수량의 외부 역사 정확성을 검증한 것은 아니다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 13

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-013.jpg|자료 화면 열기]]

## lecture1-1 창 0013 · 00:12:54–00:13:06 · 중요한 의미 차이 미발견

35 zb와 35 zettabyte는 같은 단위/수량을 가리킨다. 그래프가 증가한다는 의미도 같고 창 끝의 익스폰션 누락은 절단으로 보았다.

![[review/audio/lecture1-1/clips/0013.m4a]]

근거 파일: [[review/audio/lecture1-1/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 35 zb라고 이거를 제가 대충 그렸는데 이 빨간색 그래프가 올라가는 것을 그래프를 제대로 그린다면 정말 그래프가 익스폰션하게

2차 전사:  35 zettabyte 라고... 자 이거를 우리가 제가 이제 대충 그렸는데 이 빨간색 그래프가 올라가는 거를 그래프를 제대로 그린다면 정말...

## lecture1-1 창 0014 · 00:13:24–00:13:33 · 학습 보류

정부통신부/정보통신 부산화라는 기관 발화는 미해결이다. 시대 이름은 PDF15의 PC 시대 표기로 복구할 수 있어 부분 교정과 미해결을 함께 기록한다.

![[review/audio/lecture1-1/clips/0014.m4a]]

근거 파일: [[review/audio/lecture1-1/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 이게 이제 정부통신부 사나인가 그럴 겁니다. 자, 무튼간에 이 자료에서 보면은 1990년도 초에 게임피스 시대가 열리고

2차 전사:  그래서 이게 이제 정보통신 부산화인가 그럴 겁니다 자 무튼간에 이 자료에서 보면은 1990년도 초에 개인 PC 시대가 열린

**자료·검토에 따른 정정:** PC 시대(자료 표기)

근거: 소개1 PDF15 원본에서 1990년 부근의 큰 화살표가 PC 시대라고 명시되고 내부에 1인 1PC가 보인다. 시대 이름의 PC 표기만 교정할 근거가 있다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 15

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-015.jpg|자료 화면 열기]]

## lecture1-1 창 0015 · 00:13:57–00:14:14 · 중요한 의미 차이 미발견

이미지·영상·태그/텍스트 등 데이터가 쌓이고 분석 알고리즘도 성장했다는 내용은 같다. 이메지/이미지와 기타 증빙/기타 등등의 차이는 새 수치·분류·부정 차이가 아니다.

![[review/audio/lecture1-1/clips/0015.m4a]]

근거 파일: [[review/audio/lecture1-1/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이메지랄지 영상이랄지 어떤 텍스트 메세지 이라기보다는 태그 코드가 좀 적게 섞인 거라든지 이메지라든지 기타 증빙이 엄청나게 막 쌓이기 시작한 거죠. 자, 이와 더불어 데이터를 분석할 수 있는 알고리즘에 대한 기법들도 성장하고

2차 전사:  예를 들어서 이미지랄지 영상이랄지 어떤 텍스트 메세지라기보다는 태그 코드가 섞인거라던지 이미지라던지 이런 기타 등등의 엄청나게 데이터들이 쌓이기 시작한거죠. 자, 이와 더불어 데이터를 분석할 수 있는 알고리즘에 대한

## lecture1-1 창 0016 · 00:15:03–00:15:15 · 자료 근거 정정 있음

sample로 손상된 비교항은 PDF16의 simple algorithm 표기로 확인했다. 비교항 표기와 비교 우열 문장을 별도로 취급한다.

![[review/audio/lecture1-1/clips/0016.m4a]]

근거 파일: [[review/audio/lecture1-1/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 스몰 데이터 워이트 킴플렉스 알고리금보다는 빅데이터 워이트 샘플 알고리금보다는 이 의미가 뭐냐면 작은 데이터를 가지고 복잡한 모델을 만들어서 정확도가 얼마나 뽑아났다면 그건 항상 빅데이터를 가지고 심플한 알고리금로 돌렸을 때

2차 전사:  알고리즘 보다는 빅데이터 vs 샘플 알고리즘이 더 좋다. 이 의미가 뭐냐면 작은 데이터를 가지고 복잡한 모델을 만들어서 정확도가 얼마큼 뽑아왔다면 그건 항상 빅데이터를 가지고 심플한 알고리즘을

**자료·검토에 따른 정정:** Small data with complex algorithm / Big data with simple algorithm(자료의 두 비교항)

근거: 소개1 PDF16 원본의 두 영어 비교항은 정확히 Small data with complex algorithm과 Big data with simple algorithm이다. sample이 아니라 simple이라는 자료 표기를 확인했다. 문장의 비교 방향까지 이 행에서 고치지는 않는다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 16

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-016.jpg|자료 화면 열기]]

## lecture1-1 창 0017 · 00:15:18–00:15:28 · 학습 보류

가장 중요한 비교 방향 위험이다. 두 ASR은 많은 데이터+간단한 알고리즘 대 적은 데이터+복잡한 알고리즘의 우수 방향을 훼손한다. PDF16은 전자가 우수하다고 명시하지만 강사의 실제 문장을 자료에 맞추어 임의로 뒤집지 않는다.

![[review/audio/lecture1-1/clips/0017.m4a]]

근거 파일: [[review/audio/lecture1-1/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리 학생 예측 모델을 만들었을 때 그게 훨씬 더 낫다는 얘기인가 간단한 알고리즘 보다는 적은 데이터를 가지고 복잡한 알고리즘이 종양한 겁니다. 훨씬 훨씬 훨씬 진짜로 진짜로 훨씬 더 우수합니다.

2차 전사:  낮다는 얘기입니다. 다시 얘기하면 많은 데이터에 대한 간단한 알고리즘보다는 적은 데이터를 가지고 복잡한 알고리즘을 동행하는 겁니다. 또 훨씬 훨씬 훨씬 진짜로

## lecture1-1 창 0018 · 00:15:40–00:15:50 · 학습 보류

동일 데이터셋에서 예측 정확도 95% 동률이라는 숫자는 같다. T-Center/tcnt가 가리키는 알고리즘은 불명확하며 문맥상 Decision Tree 후보를 확정하지 않는다.

![[review/audio/lecture1-1/clips/0018.m4a]]

근거 파일: [[review/audio/lecture1-1/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 디시션 트리를 하고 어떤 분은 딥러닝을 했는데 딥러닝이 아무래도 더 복잡한 알고리즘이죠. 같은 데이터셋이야. 예측정도가 95% 똑같이 나왔어. 그러면 어떤 알고리즘을 써야 돼요? T-Center를 써야 되는 거예요.

2차 전사:  딥러닝이 아무래도 더 복잡한 알고리즘이죠? 근데 같은 데이터셋이야. 이 x적정압도가 95% 똑같이 나와서 그러면 어떤 알고리즘을 써야 돼요? tcnt를 써야 되는 거예요.

## lecture1-1 창 0019 · 00:15:52–00:16:07 · 중요한 의미 차이 미발견

비싼 데이터를 구매해 학습시키는 가정은 같다. 돈을 주고 온/주고 있다고, 학생에게 말하는 호칭 차이만으로 새 의미 오류를 만들지 않았다.

![[review/audio/lecture1-1/clips/0019.m4a]]

근거 파일: [[review/audio/lecture1-1/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 상대적으로 덜 복잡한 알고리즘을 사용하는 게 훨씬 더 맞는 선택입니다. 자, 또 한 가지 우리가 좀 생각해봐야 될 게 뭐냐면 우리 모델이 있을 때 그 모델에다가 트레이닝 시키려고 하는데 엄청나게 비싸게 주고 온 데이터라고 또 봐요. 여러분들 어디서 나중에 부자가 돼서 예측 모델을 만들면 놀고 싶은데

2차 전사:  사용하는게 훨씬 더 맞는 선택입니다 자, 어떤것이 우리가 좀 생각해봐야 할게 뭐냐면 우리 모델이 있을 때 그 모델이다가 트레이닝 시키려고 하는데 엄청나게 비싸게 주고 있다고 해봐요 여러분들 어디서 제가 나중에 부자가 돼서

## lecture1-1 창 0020 · 00:16:14–00:16:27 · 중요한 의미 차이 미발견

더미·의미 부족·훼손된 데이터가 나쁜 모델을 만든다는 취지는 같다. 3천만원과 garbage in/out 문구는 창 밖/끝에 걸려 두 번째 누락만으로 숫자 변경을 판정하지 않는다.

![[review/audio/lecture1-1/clips/0020.m4a]]

근거 파일: [[review/audio/lecture1-1/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 3천만원어치 데이터를 주고 사왔습니다. 돈을 주고 데이터를 사왔어요. 알고 보니까 이 데이터가 더미 데이터, 음료 별로 크게 없는 또는 많이 훼손된 데이터였던 거예요. 그렇기 때문에 여러분들 모델이 어떻게 된다? 쓰레기, 쓰레기, 그렇죠. garbage in, garbage out 이렇게 얘기를 하는 거예요.

2차 전사:  돈을 주고 데이터를 사왔어요. 그 데이터를 넣었더니 알고보니까 이 데이터가 더미 데이터, 의미별로 크게 없는 또는 많이 훼손된 그런 데이터였던거에요. 그렇기 때문에 여러분들 모델이 어떻게 된가?

## lecture1-1 창 0021 · 00:16:39–00:16:49 · 중요한 의미 차이 미발견

신뢰성과 데이터 품질이 모델에 필요하다는 취지는 같다. 정화성 및 바스/하스 모델은 모두 불명확하므로 정확성/학습 모델이라고 자동 교정하지 않았다. 이 판정은 원문 정확성 확인을 뜻하지 않는다.

![[review/audio/lecture1-1/clips/0021.m4a]]

근거 파일: [[review/audio/lecture1-1/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 기본적으로 데이터의 어떤 신뢰성, 데이터의 정화성 이런 것들이 보장돼야지만 좋은 인공지능 모델, 바스 모델이 만들어진다는 거 꼭 유념해 주길 바랍니다. 지금부터 빅데이터에 대한 정의를 간단하게 설명해 드릴 텐데요.

2차 전사:  어떤 신뢰성, 데이터의 정화성 이런 것들이 보장돼야지만 좋은 인공지능 모델, 하스 모델이 만들어진다는 거 꼭 유념해주시기 바랍니다. 자, 지금부터 빅데이터에 대한 정의를 갖다가...

## lecture1-1 창 0022 · 00:17:01–00:17:11 · 학습 보류

데이터 용량 단위의 체압타/체라 표현이 서로 다르다. PDF14에 엑사·제타가 모두 있어 실제 지칭 단위는 원음 확인 대상으로 남긴다.

![[review/audio/lecture1-1/clips/0022.m4a]]

근거 파일: [[review/audio/lecture1-1/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 기존에 메가바이트, 기가바이트, 테라바이트, 페타바이트, 아까 얘기했던 체압타 바이트까지. 자 이런 데이터 파이트까지 전체적인 빅데이터의 새로운 용어들이 나오면서 단위 용어들이 나오면서 전체적인 양이 점차 점차 증가하고 있다.

2차 전사:  테라바이트, 페타바이트, 아까 얘기했던 체라바이트까지 이런 데타바이트까지 전체적인 빅데이터에 새로운 용어들이 나오면서 단위 용어들이 나오면서 전체적인 양이

## lecture1-1 창 0023 · 00:17:14–00:17:32 · 학습 보류

배치 수준과 대치 수준의 차이는 처리 방식 용어에 영향을 준다. near-real-time 및 약 3초 간격이라는 핵심 수치는 같지만 해당 3V 본문 그림은 현 PDF에 없어 배치 발화를 확정하지 않는다.

![[review/audio/lecture1-1/clips/0023.m4a]]

근거 파일: [[review/audio/lecture1-1/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 것들도 빅데이터라는 얘기죠. 우리가 일반적으로 생각하는 빅데이터. 자 두 번째는 뭐냐면 데이터의 속도예요. 쌓이는 속도라고 삼으면 돼요. 기존에는 배치 수준으로 쌓이다가 주기적으로 쌓이다가 near-real-time 그러니까 거의 한 3초마다 한 번씩 쌓이는 그런 정도 데이터가 실시간으로 쌓이는 데이터가 엄청 유적돼서 스트리밍 데이터가 거의 막 계속 쌓이면서

2차 전사:  big data라는 얘기죠 우리가 일반적으로 생각하는 big data, big data 자 두번째는 뭐냐면 데이터의 속도에요 쌓이는 속도라고 사용하면 돼요 기존에는 대치 수준으로 쌓이다가 주기적으로 쌓이다가 near real time 그러니까 거의 한 3초만에 한 번씩 쌓이는 그런 정도의 데이터가 실시간으로 쌓이는 데이터가 엄청 누적돼서

## lecture1-1 창 0024 · 00:18:34–00:18:48 · 학습 보류

Unstructured로 보이는 용어가 언스트로스/스트럭처로 달라 정형·비정형 의미가 뒤집힐 수 있다. 영상 3V 도형은 제공 PDF 본문에 없으므로 미해결이다.

![[review/audio/lecture1-1/clips/0024.m4a]]

근거 파일: [[review/audio/lecture1-1/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 이상의 어떤 포토웹, 오디오와 같이 어떤 멀티미디어 데이터라고 얘기하죠. 이런 데이터 외에도 소셜 데이터, 비디오 데이터, 언스트로스 등등의 모바일 데이터 등등의 다양한 형태의 데이터가 늘어나고 있어요. 기존에 정형화된 데이터 외에 다양한 비전성 데이터가 늘어나니까 이런 것들도 빅데이터의 특징이라고 얘기를 할 수가 있는 거죠.

2차 전사:  어떤 멀티미디어 데이터라고 얘기하죠. 이런 데이터 외에도 소셜 데이터, 비디오 데이터, 스트럭처 데이터 등등의 모바일 데이터 등등의 다양한 형태의 데이터가 늘어나고 있어요. 기존에 정형화된 데이터 외에 다양한 형태의 데이터가 늘어나고 있어요.

## lecture1-1 창 0025 · 00:19:01–00:19:08 · 학습 보류

5V라는 수는 PDF25 요약으로 확인된다. Veracity 발음은 바이러스티/바라스티로 서로 손상되며 실제 PDF 본문 근거가 없어 별도 미해결로 남긴다.

![[review/audio/lecture1-1/clips/0025.m4a]]

근거 파일: [[review/audio/lecture1-1/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 빅데이터는 또 다른 두 가지의 특징, V라고 V로 시작하는 두 가지 특징이 더 추가되면서 부위로 얘기도 됩니다. 첫 번째는 바이러스티이에요. 바이러스티는 뭐냐면 데이터에 대해서 우리가 얼마나 신뢰를 할 수 있냐는 얘기예요.

2차 전사:  이러면서 5V로 얘기도 됩니다. 첫 번째는 바라스티요. 바라스티는 뭐냐면 데이터에 대해서

**자료·검토에 따른 정정:** 5V(자료의 학습목표 표기)

근거: 현 소개1 PDF25 요약에 빅데이터 요소 3V, 5V를 정의할 수 있다는 문구가 보인다. 두 번째 ASR은 이 위치를 5V로 출력했으나 채택 근거는 모델 차이 자체가 아니라 PDF의 실제 5V 표기이다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 25

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-025.jpg|자료 화면 열기]]

## lecture1-1 창 0026 · 00:19:29–00:19:38 · 중요한 의미 차이 미발견

분석할 만한 가치가 있는 데이터를 선택한다는 내용은 같다. 내가 지금 얘기하는 문제라는 보충 외에 새 수치·개념 차이는 없다.

![[review/audio/lecture1-1/clips/0026.m4a]]

근거 파일: [[review/audio/lecture1-1/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 데이터에 대해서 좋은 건 알겠어. 무슨 의미인지 알겠는데 이 문제에 대해서 쓸만한 데이터야. 분석할 만한 가치가 있는 데이터야. 이런 문제들에 대해서 살펴봐야 된다는 얘기죠.

2차 전사:  좋은 건 알겠어. 무슨 의미인지 알겠는데 내가 지금 얘기하는 이 문제에 대해서 쓸만한 데이터야. 분석할 만한 가치가 있는 데이터야. 이런 문제들에 대해서 살펴봐야 된다.

## lecture1-1 창 0027 · 00:19:59–00:20:22 · 학습 보류

다섯 V 중 네 번째가 첫 출력에서 velocity 중복, 두 번째에서 Varacity로 달라진다. 현 PDF에는 완전한 5V 도형이 없어 나열의 실제 발화는 미해결이다. 마지막 Data Mining 개념명은 PDF17에 근거한 기존 표기를 재사용한다.

![[review/audio/lecture1-1/clips/0027.m4a]]

근거 파일: [[review/audio/lecture1-1/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 볼륨, 벨라시티. 앞에 보면서 얘기하는 것 같네요. data volume, data velocity, data variety, 그 다음에 data velocity, value. 이렇게 다섯 가지 5V 이렇게 얘기하면 됩니다. 자 그렇다면 빅데이터가 얼마나 많이 쌓이고 있고 그에 대한 기본적인 구성요소에 대해서 얘기를 했는데 데이터받이는 무엇인가 좀 알아봐야죠. 데이터받이는 무엇일까요? 정의를 내리자면

2차 전사:  velocity, 앞에서 앞을 보면서 얘기하는게 같은데요. dataVolume, dataVelocity, dataVariety, 그 다음에 dataVaracity, 그 다음에 Value. 이렇게 5가지, 5 부위 이렇게 얘기를 하면 됩니다. 자 그렇다면 빅데이터가 얼마큼 많이 쌓이고 있고 그에 대한 기본적인 구성요소에 대해서 얘기를 했는데 데이터바이팅이 무엇인가 좀 알아봐야죠.

**자료·검토에 따른 정정:** 데이터마이닝(Data Mining) 표기

근거: 소개1 PDF17/18의 제목은 Data Mining?이며 이어지는 정의 설명의 대상이다. 두 모델이 받은 손상된 명칭 대신 교안의 개념명 표기만 제시한다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 17

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-017.jpg|자료 화면 열기]]

## lecture1-1 창 0028 · 00:20:50–00:21:19 · 자료 근거 정정 있음

Micro definition의 query processing이 두 ASR에서 Curling/Current로 달라진다. PDF17 실제 문구로 표기를 확인했다.

![[review/audio/lecture1-1/clips/0028.m4a]]

근거 파일: [[review/audio/lecture1-1/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또는 데이터의 탐색적인 기법을 분석을 하고 어떤 모델링을 이용하고 대책 모델에 대한 결과를 해석하기도 하고 일련이 이런 프로세스가 중요하게 되는 프로세스가 있거든요 이런 과정들이 전부 다 데이터마이닝의 다 함축적인 요소들이기 때문에 이 정의가 데이터마이닝에 가장 잘 설명한다고 생각해요 그런데 이제 좀 마이크로드 데피니션을 좀 본다면 Simple Searching, Curling Processing 이건 데이터베이스에 기반해서 데이터마이닝을 하신 분들이 주로 협의의 의미에서 데이터마이닝을 좀 부르는 거기도 합니다

2차 전사:  이법을 분석을 하고 모델링도 하고 그래서 예측 모델에 대한 결과를 해석하기도 하고 일련의 이런 프로세스가 종료된 프로세스가 있거든요. 이런 과정들이 전부 다 데이터 마이닝의 어떤 다 함축적인 요소들이기 때문에 이 정의가 데이터 마이닝을 가장 잘 설명한다고 생각해요. 그런데 이제 좀 마이크로더 데피니션을 본다면 Simple Searching and Current Processing 이건 이제 데이터베이스에 기반해서 데이터 마이닝을 하신 분들이 주로 협의의 의미에서 데이터 마이닝을 본다.

**자료·검토에 따른 정정:** Simple search and query processing(자료 표기)

근거: 소개1 PDF17 원본의 Micro definition 아래에 Simple search and query processing이 명시된다. Curling/Current는 모두 query와 달라 두 번째 ASR만 채택해도 용어가 복구되지 않는다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 17

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-017.jpg|자료 화면 열기]]

## lecture1-1 창 0029 · 00:21:43–00:22:07 · 자료 근거 정정 있음

Expert systems, data/pattern analysis, data dredging은 PDF17에 보이는 표기를 재사용한다. 특히 두 모델의 Data Path Analysis 일치는 정확성 증거가 아니다. 창 뒤의 용어 누락은 절단과 구분했다.

![[review/audio/lecture1-1/clips/0029.m4a]]

근거 파일: [[review/audio/lecture1-1/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 질의에 대해서 그 시스템에 정답에 가까운 답변을 하는 그런 시스템을 엑스퍼트 시스템이라고 불렀거든요. 또는 Knowledge-based system을 이렇게 부르게 되고 1도 전부터 데이터 마이닝이라고 통칭도 했습니다. 그 외에도 이제 Alternative Names라고 본다면 Alternative Names라고 동의어라고 보시면 되고요. Knowledge Discovery in Database, KDD, Knowledge Extraction, Data Path Analysis, Data Archaeology, Data Dreading, Information Harvesting, Business Intelligence

2차 전사:  답변을 하는 그런 시스템을 Expertise Systems라고 불렀거든요 또는 Knowledge Based Systems를 이렇게 부르기도 했고 이런 것들도 전부 다 Data Mining이라고 어떤 구성도 했습니다 그 외에도 Alternative Names라고 본다면 Alternative Names라는 게 동의어라고 보시면 되고요 Knowledge Discovery in Database, KDD Knowledge Extraction, Data Path Analysis, Data Archaeology, Data

**자료·검토에 따른 정정:** Expert systems(자료 표기)

근거: 소개1 PDF17 원본은 Expert systems라고 적는다. 첫 ASR의 한글 음역은 이미 그 개념에 가깝고 두 번째의 Expertise Systems를 새 정답으로 채택하면 명칭이 달라진다. 자료의 영어 표기만 제시한다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 17

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-017.jpg|자료 화면 열기]]

**자료·검토에 따른 정정:** data/pattern analysis(자료 표기)

근거: 소개1 PDF17 원본의 Alternative names는 data/pattern analysis이다. 두 ASR이 Path로 일치해도 원문 표기와 다르므로 모델 합의를 정답 근거로 삼지 않는다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 17

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-017.jpg|자료 화면 열기]]

**자료·검토에 따른 정정:** data dredging(자료 표기)

근거: 소개1 PDF17 원본의 Alternative names에 data dredging이 명시된다. 두 번째 ASR의 창 끝 누락을 별도 오류로 세지 않았고 PDF에서 직접 확인되는 용어 표기만 기록했다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 17

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-017.jpg|자료 화면 열기]]

## lecture1-1 창 0030 · 00:22:30–00:22:38 · 중요한 의미 차이 미발견

데이터에서 패턴/지식을 찾고 X로 Y를 예측하는 함수 f를 설명하는 취지는 같다. 문장 연결과 창 끝의 함수 설명 절단만 달라진다.

![[review/audio/lecture1-1/clips/0030.m4a]]

근거 파일: [[review/audio/lecture1-1/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 데이터로 어떤 패턴과 지식을 뒤집어내고자 하는 일련의 프로세스다. 그렇게 생각하실 때요. 자, 그럼 데이터는 데이터 마이닝은 뭘까요? 주어진 데이터에 대해서 우리가 예측하고자 하는 Y를 잘 예측할 수 있도록 만드는 F를

2차 전사:  프로세스다. 그렇게 생각하실 때요. 자, 그러면 데이터는 데이터 마이딩은 뭘까요? 주어진 데이터에 대해서 우리가 예측하고

## lecture1-1 창 0031 · 00:23:04–00:23:38 · 자료 근거 정정 있음

학문 융합 도형의 Other disciplines와 AI 개념명이 각각 손상되었다. PDF19/20의 실제 표기를 재사용한다.

![[review/audio/lecture1-1/clips/0031.m4a]]

근거 파일: [[review/audio/lecture1-1/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또는 알고리즘, 패턴 인식, 머신러닝, 애플리케이션, other experience는 또 다른 기타 등등 그래서 다양한 분야들이 다 데이터 마이닝의 하나의 구성 요구로서 데이터 마이닝 분야가 있다고 생각하시면 돼요 자 여러분들은 데이터 마이닝과 인공지능이 뭔가가 다른지를 생각해야 돼요 자 뭐든지 다양한 정의가 있을 수 있다는 것은 항상 생각을 해주세요 근데 중요한 건 뭐냐면 클리어하게 가야 돼요 누가 여러분들한테 물어볼 겁니다 자 홍길동 데이터 마이닝을 이게 막 데이터마이닝의 인문지능과 뭐가 다르지? 이렇게 얘기한다면 여러분들은 클리하게 대답할 수 있으면 취업을 하든 나중에 어디 가서 면접을 보든

2차 전사:  패턴 인식, 머신 러닝, 애플리케이션, 아드 데이터 스페인스는 또 다른 기타 등등 해서 다양한 분야들이 다 데이터 마이닝의 하나의 구성용으로서 데이터 마이닝 분야가 있다고 생각하시면 돼요. 여러분들은 데이터 마이닝과 인공지능이 뭔가 다른지를 생각해야 돼요. 뭐든지 다양한 정의가 있을 수 있다는 것은 항상 생각을 해주세요. 그런데 중요한 건 뭐냐면 클리어하게 가야 돼요. 누가 여러분들한테 물어볼 겁니다. 자, 홍길동. 데이터 마이닝을 얘기해봐. 데이터 마이닝에 입문진은 뭐가 다르지? 이렇게 얘기한다면.

**자료·검토에 따른 정정:** Other disciplines(자료 표기)

근거: 소개1 PDF19 원본의 오른쪽 아래 타원에는 Other disciplines가 적혀 있다. 두 ASR은 다르게 손상되어 자료 그림의 실제 분야명을 확인했다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 19

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-019.jpg|자료 화면 열기]]

**자료·검토에 따른 정정:** 인공지능(Artificial Intelligence, AI) 자료 표기

근거: 소개1 PDF20 제목 Data Mining vs. Artificial Intelligence (AI)와 AI 정의, 같은 창의 1399초 원문 질문이 이 비교 주제를 명확히 한다. 인문지능/입문진은 교안의 개념명과 달라 표기를 바로잡을 근거가 있다. 음향 청취는 하지 않았으며 실제 발음/발화 확정이 아니다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 20

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-020.jpg|자료 화면 열기]]

## lecture1-1 창 0032 · 00:23:46–00:24:11 · 중요한 의미 차이 미발견

데이터마이닝이 데이터에서 패턴/지식을 찾고 X→Y 모델을 구축한다는 구간은 같다. 두 번째 마지막 AI라고 얘기합니다는 원래 다음 조건절로 이어지는 창 끝이므로 독립된 정의로 교정/확정하지 않는다.

![[review/audio/lecture1-1/clips/0032.m4a]]

근거 파일: [[review/audio/lecture1-1/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 항상 여러분들한테 유리하게 높은 점수를 받거나 이렇게 될 수 있어요. 그래서 제가 심플하게 정리한 답을 이렇게 됩니다. 데이터마이닝은 데이터로부터 패턴과 지식을 찾는 일반적인 프로세스라고 붙이면 됩니다. 그래서 주어진 데이터 X에 대해서 우리가 예측하고자 하는 Y를 갖다가 만드는 그런 학습 모델을 만드는 과정을 우리가 데이터 마이닝을 할 일관적으로 얘기하지만 이 artificial intelligence AI라고 얘기한다면 이런 데이터 마이닝에 의해서 찾아진 X와 Y의 관계성에서 만들어진 예측 모델에서 나온 예측 결과를 활용해서

2차 전사:  높은 점수를 받거나 이렇게 될 수 있어요. 그래서 제가 심플하게 정리한다면 이렇게 됩니다. 데이터 마이닝은 데이터로부터 패턴과 지식을 찾는 일반적인 프로세스라고 보시면 됩니다. 그래서 주어진 데이터 X에 대해서 우리가 예측하고자 하는 Y를 만드는 학습 모델을 만드는 과정을 우리가 데이터 마이닝이라고 일반적으로 얘기하지만 이 Artificial Intelligence, AI라고 얘기합니다.

## lecture1-1 창 0033 · 00:24:47–00:24:56 · 중요한 의미 차이 미발견

AI/ML/DL을 구별하고 딥러닝을 설명하려는 취지는 같다. 두 번째가 뉴럴 네트워크/레이어 설명 전에 끝나는 것은 창 절단이며 모델 일치/정확성의 근거가 아니다.

![[review/audio/lecture1-1/clips/0033.m4a]]

근거 파일: [[review/audio/lecture1-1/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): AI는 그러면 머신러닝과 딥러닝과 뭐가 다를까? 이것도 좀 클릭하기에 가서 하면 좋을 것 같아요. 딥러닝은 뭐냐? 딥러닝은 뭘까요? 여기에는 뉴럴 네트워크라는 그런 알고리즘을 기반해서 많은 심층 모델, 그러니까 레이어를 좀 많이 쌓게 되는 그런 알고리즘인데요.

2차 전사:  AI는 머신러닝과 딥러닝과 뭐가 다를까? 이것도 클리어하기 전에 가정하면 좋을 것 같아요. 딥러닝은 뭐냐? 딥러닝은 뭘까요?

## lecture1-1 창 0034 · 00:27:21–00:27:30 · 학습 보류

세관 통관 속임수 적발이라는 연구사례 이름이 두 출력 모두 손상된다. 영상 제목은 보이나 현 제공 PDF에는 본문이 없어 확정 교정하지 않는다.

![[review/audio/lecture1-1/clips/0034.m4a]]

근거 파일: [[review/audio/lecture1-1/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 기존의 시스템이 하지 못했던 그런 효과를 냈다는 얘기예요. 첫 번째는 세간통간 소지기술을 적발한 알고리즘이었는데 이 예측 모델에서는 어떻게 했냐면 불법 확률을 예측하는 모델과

2차 전사:  어떤 효과를 냈다는 얘기예요. 첫 번째는 세관통관 소규리인 줄 알았다. 적발한 알고리즘이었는데 이 예측 모델에서는 어떻게 했냐면 불법 확률을...

## lecture1-1 창 0035 · 00:27:45–00:28:00 · 중요한 의미 차이 미발견

두 과제를 같이 예측하는 multi task learning 내용은 같다. 두 번째에서 영어 용어가 빠지는 것은 창 시작 절단이다. 세간/세관 후보는 같은 사례의 34번 창 미해결 항목과 중복 추가하지 않는다.

![[review/audio/lecture1-1/clips/0035.m4a]]

근거 파일: [[review/audio/lecture1-1/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 일반적인 용어는 multi task learning, 다중학습이라고 일반적으로 얘기합니다. 두 가지를 같이 세간을 통관하는 해당된 정보를 입력해주면 어떤 복잡한 모델에 의해서 이 두 가지를 같이 예측하도록 만들어주고

2차 전사:  다중학습이라고 일반적으로 얘기합니다. 두 가지를 같이 어떤 세간을 통관하는 해당된 정보를 입력해주면 복잡한 모델에 의해서 이 두 가지를 같이

## lecture1-1 창 0036 · 00:29:07–00:29:31 · 학습 보류

96%/20초 진단 사례 뒤 기존 비즈니스 협찬이 혁신으로 달라진다. 영상 제목은 기존 비즈니스 혁신이지만 현 제공 PDF에는 해당 응용 본문이 없어 정식 교정은 하지 않는다. 96%는 창 시작 밖에 걸린 부분이므로 두 번째에서 수치가 누락되었다고 세지 않는다.

![[review/audio/lecture1-1/clips/0036.m4a]]

근거 파일: [[review/audio/lecture1-1/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 알리바바가 이 기술을 개발했었고 전체 대비해서 96%의 정확도와 감염려고 확인하는데 딱 20초 밖에 안 걸렸어요. 상당히 CT 찍는 시간만 줄인다면 상당히 정확하게 사출 수가 있겠죠. 자 이거 앞에서 얘기했던 건 기존 비즈니스에 대한 협찬이었다면 이거는 기존에 없었던 새로운 비즈니스일 것 같아요. 첫 번째로 이게 SK 뭐뭐 그 회사에서 만든 건 SKT 이런 건 다 알겠네요. 5G 통치를 연결시키려고 하는데

2차 전사:  감염력을 확인하는데 20초 밖에 안 걸렸어요 ct 찍는 시간만 줄인다면 상당히 정확하게 찾을 수가 있겠죠 자 이거 앞에서 얘기했던 비전 비즈니스에 대한 혁신이었다면 이거는 기존에 없었던 새로운 비즈니스일 것 같다 이런거에요 첫 번째로 sk 뭐 뭐 뭐 그 회사에서 만든거 skt 이런거 다 알겠네요 5G 통신을 갖다가 연결시키려고 하는

## lecture1-1 창 0037 · 00:29:58–00:30:38 · 학습 보류

로바/슈퍼노바 및 풍츠/풍출 등 기술·5G 관련 용어가 불안정하다. 영상에 슈퍼노바 표시는 보이나 현 제공 PDF에서 해당 응용 슬라이드를 찾지 못해 표기 교정으로 확정하지 않는다.

![[review/audio/lecture1-1/clips/0037.m4a]]

근거 파일: [[review/audio/lecture1-1/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): AI 기반의 미디어 품질 계산을 써주시는 슈퍼노바라는 기술인데 로바 라는 딥러닝 기술을 이용해서 최대한 5G 풍츠를 잘, 그러니까 실제 깨져서 나왔는데 그걸 주변에 이제 색들을 버무려서 만들든지 추상적으로 그거에 대한 어떤 일반적인 가음을 가진 다음에 실제 그 값을 갖다가 직접 만드는 모델을 만들든지 해서 이 5G에 대한 어떤 영상 음원을 복구하는 그런 걸로 썼던 거죠. 근데 이제 쓰다 보니까 가까운 거예요. 아, 이거 되게 괜찮은 기술인 것 같은데 이걸로만 쓰지 말고 자, 같은 계열사인 하이닉스에 좀 써보자 라고 얘기되면서 그게 이제 이런 웨이퍼에 대해서 촬영하고

2차 전사:  저는 슈퍼노바라는 기술인데 이 슈퍼노바라는 딥러닝 기술을 이용해서 5G 풍출을 실제 깨져서 나왔는데 주변에 색들을 버무려서 만들든지 추상적으로 그거에 대한 일반적인 감을 갖은 다음에 실제 그 값을 직접 만드는 모델을 만들든지 해서 이 5G에 대한 영상 음원을 복구하는 그런 용도로 썼던 거죠. 근데 이제 쓰다 보니까 아까운 거예요. 괜찮은 기술인 것 같은데 이걸로만 쓰지 말고 자 같은 계열사인 하이닉스에 좀 써보자 라고 얘기되면서 그게 이제 이런 웨이퍼에 대해서 차렷

## lecture1-1 창 0038 · 00:31:11–00:31:24 · 학습 보류

이미지 화질 복구 후 웨어러블 로봇의 GAMS 명칭이 보이지만 두 번째는 wearable over에서 끝난다. 창 끝 잘림과 고유명사 인식 실패를 분리해야 하며, 영상의 GEMS는 현 제공 PDF 본문에 없어 미해결로 남긴다.

![[review/audio/lecture1-1/clips/0038.m4a]]

근거 파일: [[review/audio/lecture1-1/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 이제 실제 인풋으로 넣어준 사진이고요. 이 슈퍼노바라는 모델에 넣어주면 오른쪽과 같이 이렇게 선명한 사진으로 바꿔준다고 합니다. 이런 서비스를 갖다가 모델 서비스를 제공해 주면서 사람들한테 흥미로운 그런 흥미를 좀 끌었다고 볼 수도 있겠죠. 오른쪽 거는 웨어블 로봇, GAMS라는 건데요.

2차 전사:  선명한 사진으로 바꿔 준다고 합니다 이런 서비스를 갖다가 모델 서비스를 제공해 주면서 사람들한테 흥미로운 흥미를 끌었다고 볼 수도 있겠죠 오른쪽 거는 wearable over

## lecture1-1 창 0039 · 00:32:04–00:32:17 · 중요한 의미 차이 미발견

팔자걸음 18%를 5% 안으로 줄이는 예시의 수치·방향은 겹치는 구간에서 같다. 이는 수치 사실 검증이 아니라 두 출력 사이에 새 차이를 찾지 못했다는 뜻이다.

![[review/audio/lecture1-1/clips/0039.m4a]]

근거 파일: [[review/audio/lecture1-1/0039.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 갬스를 이용해서 할아버지와 할머니가 증산을 즐겁게 하실 수 있도록 보조기 그런 역할을 해주는 그런 전문 인공지능 모델 그런 걸 만드는 거죠. 또는 팔자 걸음을 자동으로 측정한 다음에 팔자 걸음이 대충 한 18% 이상의 문제가 있기 때문에 그걸 최대한 5% 안으로 줄이려면 이렇게 이렇게 해야 됩니다.

2차 전사:  전문 인공지능 모델 그런 걸 만드는 거죠. 또는 8자 걸음을 자동으로 측정한 다음에 8자 걸음이 대충 18% 이상의 문제가 있기 때문에 그걸 최대한 5% 안으로 줄이려면

## lecture1-1 창 0040 · 00:32:25–00:32:34 · 중요한 의미 차이 미발견

상향/하향 자세에서 힘을 보조한다는 겹치는 내용은 같다. 두 출력의 AR 기술 일치만으로 실제 AR/AI 용어를 정확하다고 보증하지 않는다.

![[review/audio/lecture1-1/clips/0040.m4a]]

근거 파일: [[review/audio/lecture1-1/0040.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 작업자가 상향자세 또는 하향자세일 때 어떻게 어느 부분에 힘을 줘서 최대한 사람들이 어떻게 힘을 줘 주려고 하는 이런 기준이 없었던 거예요. 그렇죠. 없었던 거에다가 AR 기술을 활용해서 새로운 시장을 열려고 하는 거죠.

2차 전사:  또는 하향자세일 때 어떻게 어느 부분에 힘을 줘서 최대한 사람들의 힘을 줄려고 하는 이런 기준이 없었던 거예요. 그래서 없었던 거에다가 AR 기술을 활용해서

## lecture1-1 창 0041 · 00:33:08–00:33:25 · 학습 보류

대통령 대수 나열이 19·18·16·16에서 19·18·17·16으로 달라 수치/인물 대응이 바뀐다. 워드클라우드 영상은 현 PDF 본문에 없어 어느 발화를 채택할지 확정하지 않는다.

![[review/audio/lecture1-1/clips/0041.m4a]]

근거 파일: [[review/audio/lecture1-1/0041.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): NLP 분야에서 자연어처리 연구 쪽에서 연구되어지고 있는 하나의 연구 분야인데요. 제가 여기서 지금 얘기하고 싶은 부분은 예를 들어서 각각의 19대, 18대, 16대, 16대 각 전 대통령님들과 현 대통령님이 계신데 이 대통령들이 자기 취임사에서 얘기했었던 부분들을 갖다가 워스프라우드로 만든 거예요.

2차 전사:  연구되어지고 있는 하나의 연구 분야인데요. 제가 여기서 지금 얘기하고 싶은 부분은 예를 들어서 각각의 19대, 18대, 17대, 16대 각 전 대통령님들과 현 대통령님이 계신데 이 대통령들이 자기 취임사에서 얘기했을 때

## lecture1-1 창 0042 · 00:33:33–00:33:50 · 중요한 의미 차이 미발견

취임사 단어 강조를 시각적으로 요약한다는 겹치는 내용은 같다. 텍스트마이닝으로 의심되는 구절과 BTS 명칭은 창 시작/끝 밖에 걸려 이 창의 ASR 누락을 별도 오인식으로 세지 않았다.

![[review/audio/lecture1-1/clips/0042.m4a]]

근거 파일: [[review/audio/lecture1-1/0042.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 테스트마이딩을 해보신 분들은 이게 얼마나 쉽게 만들어지는지에 대해서 코드 딸 일도 없구나 그냥 넣으면 알아서 만들어주지라는 거 알고 있을 겁니다. 부튼간에 각각의 대통령들께서 얼마만큼 어떤 워드에 대해서 어떤 단어에 대해서 강조하면서 얘기를 했는지에 대해서 우리가 인지를 할 수 있다는 것도 볼 수 있습니다. 다음으로 여러분들을 좋아하는 방탄소년단 BTS가

2차 전사:  그냥 넣으면 알아서 만들어주지 라는 거 알고 있을 겁니다. 붙은 간에 각각의 대통령들께서 얼마만큼 어떤 워드에 대해서 어떤 단어에 대해서 강조하면서 얘기를 했는지에 대해서 우리가 인지를 할 수 있다는 것도 보입니다. 다음으로 이제 여러분들을 좋아하는

## lecture1-1 창 0043 · 00:34:08–00:34:18 · 중요한 의미 차이 미발견

방시혁을 칭찬하는 분석을 블로그에서 가져왔다는 취지는 같다. 인명은 창 시작에 걸려 두 번째 누락만으로 대체 이름을 만들지 않았다.

![[review/audio/lecture1-1/clips/0043.m4a]]

근거 파일: [[review/audio/lecture1-1/0043.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어떻게 보면 방시혁 대표를 칭찬해주신 거라고 볼 수도 있을 것 같은데 불편하게 이걸 분석해놓은 사람들이 상당히 많이 있었어요 영어에 해당되는 블로그 글을 제가 하나 가져온 건데요

2차 전사:  대표를 칭찬해주시는 거라고 볼 수도 있을 것 같은데 이걸로 분석해 놓은 사람들이 상당히 많이 있었어요. 그래서 이거에 대해서 영어 해당되는...

## lecture1-1 창 0044 · 00:34:31–00:34:45 · 학습 보류

iKON으로 추정되는 가수명을 두 출력 모두 아이콘/니콘/이콘으로 혼동한다. 강사 자신도 이름을 유보하는 문맥이며 현 PDF에 해당 BTS 분석 슬라이드가 없어 고유명사를 외부 지식으로 고치지 않는다.

![[review/audio/lecture1-1/clips/0044.m4a]]

근거 파일: [[review/audio/lecture1-1/0044.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 방탄소년단 빅뱅 아이콘, 니콘 모르겠습니까? 아이콘 여러분 제가 모르니까 좀 죄송해요 이 가수를 좋아하는 분들한테는 불타까운 세 가지 가수가 있는데 아이콘인가 이콘인가 하는 이 가수 친구들은

2차 전사:  아이콘, 니콘 모르겠습니다. 아이콘 여러분 제가 모르니까 죄송해요. 이 가수를 좋아하는 분들한테는 붙은 간에 세 가지 가수가 있는데 아이콘인가 니콘인가 하는 이 가수 친구들은

## lecture1-1 창 0045 · 00:35:01–00:35:12 · 학습 보류

SHAP으로 의심되는 쉐이프 표현은 두 출력에서 그대로 불명확하다. 두 번째는 Explainable AI를 더 분명히 내지만 관련 BTS/SHAP 본문이 PDF에 없어 정확한 용어/발화는 미해결이다.

![[review/audio/lecture1-1/clips/0045.m4a]]

근거 파일: [[review/audio/lecture1-1/0045.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 전체적인 템포가 빨랐다 늦었다 하는 것들이 좀 더 다양하다는 측면도 있고요. 이거는 이제 쉐이프를 빌리려고 대표적인 익스플레이너블에 설명 가능한 인공지능이라는 모델이 있어요. 그래서 이걸 예측 모델을 놔두고 예측 모델이 왜 그렇게 예측했는지 계속해 주는 모델을 다시화시키는 거거든요.

2차 전사:  하는 것들이 좀 더 다양하다는 측면도 있고요. 이거는 이제 쉐이프를 빌리려고 대표적인 Explainable AI의 설명 가능한 인공지능이라는 모델이 있어요. 그래서 이걸 예측 모델을 놔두고 예측 모델이 왜 그렇게

## lecture1-1 창 0046 · 00:35:17–00:35:27 · 학습 보류

음악 특성명 스페치니스/스페이치니스가 달라진다. 변수의 실제 이름은 분석 결과 해석에 중요하지만 해당 음악 SHAP 도형은 현 PDF에 없어 영문 표기를 임의 확정하지 않는다.

![[review/audio/lecture1-1/clips/0046.m4a]]

근거 파일: [[review/audio/lecture1-1/0046.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 방탄소년단 같은 경우에는 스페치니스 그래서 어떤 노래 부를 때 어떤 대사를 말하는 것들이 상당히 긍정적인 영향 충격을 많았고요. 라이브니스

2차 전사:  방탄소년단 같은 경우에는 스페이치니스, 노래 부를 때 어떤 대사를 말하는 것들이 상당히 긍정적인 영향을 준 경우가 많았고요.

## lecture1-1 창 0047 · 00:35:30–00:35:38 · 학습 보류

라이브가 아니면 아닐수록 호응이 좋다와 라이브니스가 좋았다/생중계로 부르면 부를수록이라는 원문 내부 방향도 명확하지 않다. 두 번째는 창 끝에서 잘려 관계의 부호를 복구하지 못하며 해당 SHAP 그래프는 현 PDF에 없다.

![[review/audio/lecture1-1/clips/0047.m4a]]

근거 파일: [[review/audio/lecture1-1/0047.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 라이브가 아니면 아닐수록 상당히 호응이 좋았다고 얘기를 하는 거죠. 지금 라이브니스가 좋았다. 라이브니스라는 거냐면 실제 생중계로 노래 부르면 불수록

2차 전사:  상당히 호응이 좋았다고 얘기를 하는 거죠. 라이브니스가 좋았다. 라이브니스라는 건 실제 생존...

## lecture1-1 창 0048 · 00:35:44–00:36:02 · 학습 보류

특성 나열이 flexibility에서 Accuracy, Sensibility로 바뀌고 balance 등도 그대로 불확실하다. 다른 변수로 분석을 이해하게 될 위험이 있어 해당 도표/원음 확인이 필요하다. 현 PDF에서 본문을 확인하지 못했다.

![[review/audio/lecture1-1/clips/0048.m4a]]

근거 파일: [[review/audio/lecture1-1/0048.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, Duration MS. 이거는 무슨 의미인지 저도 모르겠어요. 뭐, flexibility, energy, key, balance, tempo 이런 부분들 각 팩터에 대해서 이 변인, 변수가 BTS 노래에 대해서 긍정적으로 그러니까 customer satisfaction을 얼마만큼 가지고 있는지 아닌지에 대해서 해석을 하는데 이런 모델들을 볼 수가 있다는 거죠

2차 전사:  이거는 무슨 의미인지 저도 모르겠어요 Accuracy, Sensibility, Energy, Key, Balance, Tempo 이런 부분들 각 Factor에 대해서 이 변수가 BTS 노래에 대해서 긍정적으로 그러니까 Customer Satisfaction을 얼마만큼 가지고 있는지 아닌지에 대해서 해석을 하는데

## lecture1-1 창 0049 · 00:36:52–00:37:12 · 중요한 의미 차이 미발견

빌보드 Top100 노래를 여러 해 수집해 감정분석했다는 내용은 같다. 7~8년이라는 상대 시점도 같고 공룡으로 손상된 다운로드 연결구를 새 사실로 바꾸지 않았다.

![[review/audio/lecture1-1/clips/0049.m4a]]

근거 파일: [[review/audio/lecture1-1/0049.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 이때 이제 이거는 제가 예전에 학생 때 한 7, 8년 전 정도 될 것 같아요. 그때 감정 분석으로 한번 해봤던 거예요. 예를 들어서 빌보드 TOP 100이라는 사이트에 가면은 한 몇십 년 동안 빌보드 탑 100 했었던 노래들에 대해서 쭉 다 공룡 다 받아볼 수 있어요. 그래서 이거에 대해서 예를 들어서 2014년도에 누구였더라?

2차 전사:  이거는 제가 예전에 학생때 7,8년전 정도 될 것 같아요 그때 감정 분석을 한번 해봤던 거예요 예를 들어서 빌보드 차트 탑 100이라는 사이트에 가면 몇십 년 동안 빌보드 탑 100 했었던 노래들에 대해서 쭉 다 공룡 받아볼 수 있어요 그래서 이거에 대해서 예를 들어서

## lecture1-1 창 0050 · 00:37:20–00:37:28 · 중요한 의미 차이 미발견

가수 이름을 스스로 유보하며 1등/2등을 예로 든다는 겹치는 내용은 같다. 이름 앞부분은 창 시작에서 잘려 두 번째 ASR로 신원을 확정할 수 없다.

![[review/audio/lecture1-1/clips/0050.m4a]]

근거 파일: [[review/audio/lecture1-1/0050.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 누구였는지 잘 모르겠네요. 이게 알리샤 키스인가? 여성분이시고요. 이분이 어떤 또 하신 분이에요. 무튼간에 이분이 1등이었고 이분이 2등이셨는데요.

2차 전사:  키스인가 여성분이시고요. 이 분이 하신 분이에요. 무척간에 이 분이 1등이었고 이 분이 2등이셨는데요.

## lecture1-1 창 0051 · 00:37:55–00:38:02 · 중요한 의미 차이 미발견

Top100을 10년 모으면 1000곡이라는 첫 출력의 마지막 수량은 창 끝에 걸린다. 두 번째의 잘린 문장만으로 숫자 불일치를 만들지 않았다. 10년이라는 겹치는 수는 같다.

![[review/audio/lecture1-1/clips/0051.m4a]]

근거 파일: [[review/audio/lecture1-1/0051.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 뭐야? 어쩌라는 얘기지? 이렇게 얘기할 수가 있는데 팝 100이라면 그리고 그 10년째 있다면 빌보드에서 지난 10년 동안 가장 사랑받았던 1000개의 노래가 있는 거예요.

2차 전사:  이렇게 얘기할 수가 있는데 팟100이라면 그리고 끝 10년 뒤라면 빌보드에서 지난 10년 동안 가장

## lecture1-1 창 0052 · 00:38:09–00:38:25 · 학습 보류

Basic topology로 보이는 그래프 용어가 베이지/게이지 토폴로지로 달라진다. 연구 네트워크 화면은 현 제공 PDF에 없어 명칭 교정은 미해결이다.

![[review/audio/lecture1-1/clips/0052.m4a]]

근거 파일: [[review/audio/lecture1-1/0052.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 노래에 대해서 서로 어떤 가사의 감정선상 비슷한 노래들끼리 묶어서 볼 수가 있는 겁니다. 그래서 베이지 토폴로지에 대해서 이렇게 그럴 수도 있고 어떤 노래가 그 중에서 다양한 노래들의 감정선을 가장 잘 평균적으로 설명하는 노래인지 같은 걸 찾을 수가 있는 거죠. 그래서 여러분들 노원을 좋아하는 분들이 있는지 모르겠지만

2차 전사:  비슷한 노래들끼리 묶어서 볼 수가 있는 겁니다 자 그래서 게이지 토폴로지에 대해서 이렇게 그릴 수 있고 어떤 노래가 그 중에서 다양한 노래들의 감정선을 가장 잘 평균적으로 설명하는 노래인지 같은 걸 찾을 수가 있는 거죠 그래서 여러분들 노원을 좋아하는 분들이 있는지

## lecture1-1 창 0053 · 00:39:02–00:39:09 · 학습 보류

정체를 탐지했다는 첫 출력에 두 번째는 분류하는을 추가한다. 영상의 연구 제목은 탐지 및 분류이지만 현 제공 PDF 본문이 없으므로 실제 발화를 자료 문장으로 대체하지 않는다.

![[review/audio/lecture1-1/clips/0053.m4a]]

근거 파일: [[review/audio/lecture1-1/0053.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또는 어떤 정체 시스템, 정체에 대해서 탐지하고 그런 기법을 만들어봤고 이거는 뭐였냐면 야구 좋아하시는 분들은

2차 전사:  정체에 대해서 탐지하고 분류하는 그런 기법들도 들어봤고 이거는 이제 뭐였냐면

## lecture1-1 창 0054 · 00:39:24–00:39:53 · 학습 보류

머니볼 배우의 이름이 브레이트 비트/브래디 피트로 달라진다. 야구 변수 목록도 수작 버튼/스페어 파트 등으로 손상되어 어떤 변수까지 말했는지 확정할 수 없다. 현 PDF 본문에 없는 사례이며 외부 상식으로 인명을 고치지 않는다.

![[review/audio/lecture1-1/clips/0054.m4a]]

근거 파일: [[review/audio/lecture1-1/0054.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어떤 사람, 선수들에 대한 성적을 다 보여준다는 얘기예요. 그래서 우리가 게임 야구와 관련돼서도 브레이트 비트가 나왔던 머니볼이라는 영화에서도 제가 이걸 했던 이유는 뭐냐면 네이버에서 이런 야구 선수들에 대한 현재까지의 승률, 패, 이닝, 투구수, 기타 등의 수작 버튼을 정형화된 데이터를 가져올 수 있었어요. 두 번째로 어떤 걸 가져올 수 있었냐면 각각의 팀마다 팀과 팀별로 1 경기가 있었다면

2차 전사:  성적을 다 보여준다는 얘기에요 그래서 우리가 야구와 관련해서도 브래디 피트가 나왔던 머니볼이라는 그 영화에서도 이걸 얘기했었는데 제가 이걸 했던 이유는 뭐냐면 네이버에서 이런 야구 선수들에 대한 현재까지의 어떤 승률, 패 또는 이닝, 타자, 투구수, 타수 기타 등등의 여러 스페어 파트를 정형화된 데이터를 가지고 올 수가 있었어요 두 번째로 어떤 걸 가지고 올 수 있었냐면

## lecture1-1 창 0055 · 00:40:05–00:40:13 · 중요한 의미 차이 미발견

이미지의 패턴을 보고 경기 후반의 타격을 설명하는 겹치는 내용은 같다. 홈런으로 의심되는 창 앞부분과 안타 뒤 문장은 절단으로 보이며 해당 단어를 새로 채워 넣지 않았다.

![[review/audio/lecture1-1/clips/0055.m4a]]

근거 파일: [[review/audio/lecture1-1/0055.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어디 자꾸 포월만 떨어지고 보이는 거예요. 이 패턴이 이미지가 보여지는 의미가 뭐냐면 사람들이 좀 한식적으로 알고 있어요. 아무래도 후반으로 갈수록 안타를 쳐도

2차 전사:  보이는 거예요 이 패턴이 이미지가 보여지는 의미가 뭐냐면 사람들이 좀 알고 있어요 아무래도 후반으로 갈수록

## lecture1-1 창 0056 · 00:40:27–00:40:37 · 학습 보류

정형/비정형 데이터 결합 취지는 같지만 스퀴드/스큐어 표현의 실제 영상 특징 변형이 불명확하다. 현 PDF에 야구 이미지 예시가 없어 구체 용어를 교정하지 않는다.

![[review/audio/lecture1-1/clips/0056.m4a]]

근거 파일: [[review/audio/lecture1-1/0056.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 진짜로 히트넷 같은 전체적인 야구의 오형의 이미지 상에서 이 해당되는 빨간 점 노란 점에 해당되는 부분들이 좀 더 축소되거나 스퀴드 되거나 이런 부분들 중에 있습니다. 이런 정해야 된 데이터와 이미지의 비정형성 데이터를 합쳐서

2차 전사:  이 빨간 점, 노란 점에 해당되는 부분들이 좀 더 축소되거나 스큐어되거나 이런 부분들이 있습니다. 이런 정해된 데이터와 이미지에 대한...

## lecture1-1 창 0057 · 00:40:39–00:40:48 · 학습 보류

예측 대상이 기대 직점/기대 실점에서 기대 직전/기대 실전으로 달라져 득점·실점인지 읽기 어렵다. 현 PDF에 이 멀티모달 야구 예측 본문이 없어 이름/출력 변수를 확정하지 않는다.

![[review/audio/lecture1-1/clips/0057.m4a]]

근거 파일: [[review/audio/lecture1-1/0057.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 정해야 된 데이터와 이미지의 비정형성 데이터를 합쳐서 변수를 추출해봤고요. 에 대해서 멀티모탈 딥러닝을 구축해서 이거에 대한 기대 직점과 기대 실점을 예측했고요.

2차 전사:  이다를 합쳐서 변수를 추출을 해봤고요. 그에 대해서 멀티모탈 딥러닝을 구축해서 이거에 대한 기대 직전과 기대 실전을 예측을 했고요.

## lecture1-1 창 0058 · 00:42:04–00:42:19 · 학습 보류

시멘틱/시멘트 세그멘테이션, 긴급 변기/변제/이동/배송 등 자율주행 과제의 용어가 달라진다. 현 제공 PDF에서 제조 응용 본문을 찾지 못해 semantic segmentation이나 특정 배송 과제라고 확정하지 않는다.

![[review/audio/lecture1-1/clips/0058.m4a]]

근거 파일: [[review/audio/lecture1-1/0058.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 품질 예측에 항상 부분이 관련된 연구도 좀 했었고요. 그 외에는 자율주행 차량들을 가지고 긴급 변기 하기 위해서 시멘틱 세그멘테이션 기반에서 긴급 이동하는 그런 연구들을 좀 했었습니다. 그리고 비주얼 AI 기반에서 디스패칭, 인공지능 기반에서 디스패칭을 하기 위한

2차 전사:  항상 부분이 관련된 연구도 좀 했었고요. 그 외에는 자율주행 차량들을 가지고 긴급 변제하기 위해서 시멘트 세그멘테이션 기반에서 긴급 배송하는 그런 연구들을 좀 했었습니다. 비주얼 AI 기반에서 디스패칭, 인공지능 기반에서 디스패칭

## lecture1-1 창 0059 · 00:42:36–00:42:43 · 중요한 의미 차이 미발견

해외와 국내의 도로/노면 관리 상태를 비교하려는 겹치는 취지는 같다. 두 출력이 도면으로 일치하더라도 실제 노면 발화를 확인한 것은 아니며 외부 상식으로 자동 교정하지 않았다.

![[review/audio/lecture1-1/clips/0059.m4a]]

근거 파일: [[review/audio/lecture1-1/0059.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 모델들은 기존에도 있었고 우리 도면은 사실 외국 도로 어떻게 비교했느냐에 따라서 알 수 있는데 도면 관리가 상당히 잘 되어 있는 독일

2차 전사:  우리 도면은 사실 외국 도로가 어떻게 비교했는지 알 수 있는데 도면 관리가 상당히 잘 되어 있는데

## lecture1-1 창 0060 · 00:43:10–00:43:18 · 중요한 의미 차이 미발견

탑승자가 차량을 불편하게 느낀다는 내용과 성능이 불구하다는 표현 차이는 평가 문장 수준이다. 새 수치·부정·사례 분류를 바꾸는 차이로 세지 않았다.

![[review/audio/lecture1-1/clips/0060.m4a]]

근거 파일: [[review/audio/lecture1-1/0060.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 큰 문제가 될 수도 있고 사람이 그 안에 타고 있는데 아 상당히 불편한 차량이구나 라고 인식을 할 수가 있기 때문에 이런 부분들을 갖다가

2차 전사:  수도 있고 사람이 그 안에 타고 있는데 아 성능이 불구한 차량이구나 라고 인식을 할 수가 있기 때문에 이런 부분들을

## lecture1-1 창 0061 · 00:43:21–00:43:37 · 학습 보류

영상 배달과 영상 데이터로 도로 이상을 탐지한다는 표현이 달라진다. 두 번째가 파트월을 새로 반복하지만 현 PDF에 해당 도로 응용 본문이 없어 pothole 등 용어를 원음 없이 확정하지 않는다.

![[review/audio/lecture1-1/clips/0061.m4a]]

근거 파일: [[review/audio/lecture1-1/0061.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 눈으로 보고 판단할 수 있게 영상 배달 기반으로 해서 탐지할 수 있는 모델을 만들어 보겠습니다. 해당되는 부분도 이렇게 잘 찾아진 것을 좀 알 수가 있고 현재 도면상에서 이런 이상물체에 해당되는 파트월 또는 어떤

2차 전사:  보고 판단할 수 있게 눈으로 보고 판단한다기보다는 영상 데이터를 기반으로 해서 탐지할 수 있는 모델을 만들어보고요. 여기 지금 파트월에 해당되는 부분들이 이렇게 잘 찾아진 것을 알 수가 있고, 상태 도면상에서 이런 이상물체에 해당되는 파트월...

## lecture1-1 창 0062 · 00:43:53–00:44:01 · 중요한 의미 차이 미발견

45분이 되었다는 상대 시간과 수업 마무리라는 겹치는 내용은 같다. 두 번째의 학습 동기 문장 잘림은 창 끝 절단이므로 새 부정/숫자 오류로 세지 않았다.

![[review/audio/lecture1-1/clips/0062.m4a]]

근거 파일: [[review/audio/lecture1-1/0062.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 빨리가 안되네요. 이렇게 하다보니까 또 45분에 대해 해버렸어요. 이 영상에서 여러분들한테 말하고 싶었던 건 데이터마이닝을 우리가 왜 배워야 되냐. 데이터마이닝이 배우게 되는 가장 큰 기획이 됐던 것은 학습을 시킬 만한 데이터들이 많이 쌓이게 됐다.

2차 전사:  보니까 또 45분이 되어버렸어요. 자 이 영상에서 여러분들한테 말하고 싶었던 건 뭐 있냐면 데이터마이닝을 내가 우리가 왜 그래요

## lecture1-1 창 0063 · 00:44:05–00:44:20 · 자료 근거 정정 있음

협의·광의 정의를 두 번째가 협의·권위로 인식한다. PDF17의 Macro/Micro definition 표기를 통해 광의/협의의 개념 구분을 보존하는 표기 제안을 남긴다. 3V/5V 수는 같다.

![[review/audio/lecture1-1/clips/0063.m4a]]

근거 파일: [[review/audio/lecture1-1/0063.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 데이터마이닝을 우리가 왜 배워야 되냐. 데이터마이닝이 배우게 되는 가장 큰 기획이 됐던 것은 학습을 시킬 만한 데이터들이 많이 쌓이게 됐다. 우리가 최근에 빅데이터를 부르고 있고 이 빅데이터를 구성하는 요소를 우리가 3V, 5V로 정의할 수 있다고 말씀드렸습니다. 데이터마이닝에 대한 협의의 정의, 광의의 정의에 대해서도 말씀을 드렸고요. 데이터마이닝과 인공지능의 사이에 대해서도 간단하게 말씀을 드렸습니다.

2차 전사:  학습을 시킬 만한 데이터들이 많이 쌓이게 됐다. 우리가 최근에는 빅데이터라고 부르고 있고 이 빅데이터를 구성하는 요소를 우리가 3V, 5V로 정의할 수 있다고 말씀드렸습니다. 데이터 마이닝에 대한 협의의 정의, 권위의 정의에 대해서

**자료·검토에 따른 정정:** 광의의 정의 (Macro definition)

근거: PDF17의 Macro definition과 Micro definition 구분을 직접 확인했다. 원래 광의/협의 구분을 보존하고 두 번째의 권위라는 개념명으로 대체하지 않는다. 실제 PDF 렌더의 표기 근거이며 원음 발화 확정은 아니다.

자료: 1.2_Introduction_of_multivariate_data_analysis · 물리 페이지/슬라이드 17

[[pdf/1.2_Introduction_of_multivariate_data_analysis/page-017.jpg|자료 화면 열기]]