Connecting HW and SW

주요 항목세부 내용비고데이터의 종류 및형태 다양화ü멀티 모달(Multi-modal) 데잍 확산ü실시간 스트리밍 데이터의 중요성 증대ü물리적 세계와의 연동 데이터ü합성 데이터(Synthetic Data) 부상 : 실제 데이터를 모방한 인공 데이터•데이터 공해 및 정보 과부하 문제데이터 품질 및편향 관리의 고도화ü자동화된 데이터 클리닝 및 전처리ü편향 감지 및 완화 기술 내재화 : 공정성 제약 조건 기반 학습 등ü레이블링의 효율화 및 자동화 : 능동 학습, 준지도 학습 등•데이터 주권 및개인정보 보호 강화ü연합 학습(Federated Learning)의 확산 : 엣지 디바이스에서 학습 후 파라미터 공유ü차등 프라이버시(Differential Privacy) 및 동형 암호(Homomorphic Encrypti..

아두이노 메인 함수에서 Preference를 정의하고 begin()한 다음에 .h 및 .cpp 클래스 파일 내에서 preference를 저장하고 불러오는 예제 코드를 작성하시오. 아두이노(ESP32 등)에서 Preferences 라이브러리를 사용할 때, 메인 파일(.ino)에서 객체를 초기화하고 이를 별도의 클래스(.h, .cpp)에서 공유하여 사용하는 가장 깔끔한 방법은 클래스 생성자에 Preferences 객체의 주소(포인터)를 전달하는 방식입니다.이 방식을 사용하면 메인에서 관리하는 설정을 클래스 내부에서 자유롭게 읽고 쓸 수 있습니다.1. 클래스 헤더 파일 (MySettings.h)클래스 내부에서 Preferences 객체에 접근할 수 있도록 포인터 변수를 선언합니다.C++#ifndef MY_SE..

부모 반응 예시부모 유형경향 또는 의도“밥 맛있어? 오늘 있었던 일 이야기해 줄래?”“우와, 네가 잘 먹네!”E식사시간에도 대화를 이어감.“밥 더 줄까?”“천천히 씹어”I조용히 식사에 집중. 필요할 때만 짧게 언급“이 당근은 토끼가 먹는 당근이랑 똑같네. 토끼처럼 먹어볼까?”“이 국은 몸을 따뜻하게 해 주는 마법 물 같아.”N음식을 상상/이야기로 연결“밥이 뜨겁지? 식혀서 먹어.”“이것은 시금치야. 비타민이 많아.”S구체적 사실, 감각 중심 표현“야채를 먹어야 건강해져.”“편식하면 몸에 필요한 영양이 부족해져.”T논리/규칙적 설명 중심“야채를 먹으면 엄마가 정말 기쁠거야.”“네가 잘 먹으니까 마음이 따뜻해진다.”F정서적 공감 중심“밥 먹을 땐 앉아서 먹어야 해.”“반찬은 하나씩 다 먹고 그 다음에 국을 ..

항목세부 내용비고데이터 편향ü성별 편향(남성 이력서만 학습), 인종 편향(백인 위주 학습), 지역 편향(미국 도로 학습), 언어 편향(영어권 주로 학습)ü나머지 데이터에 대한 정확도 저하 또는 차별(면접 등)적인 의사결정 우려•데이터 부족ü특정 도메인(예, 희귀 질병 의료 데이터)ü충분한 학습이 이뤄지지 않아 정화도 저하 또는 과적합 위험 증대•데이터 품질 문제ü오류, 불일치, 누락, 중복, 부정확한 레이블링 등ü오작동 또는 부정확한 결과•비표준 데이터ü일관되지 않는 형식이나 단위, 구조를 가진 데이터 집합ü동일한 내용이 다른 형식으로 제출된 경우ü데이터 전처리에 시간/비용 과다, 오류 발생 가능성 증대•개인정보 및 보안ü프라이버시 침해 : 개인식별정보가 포함된 데이터를 무단 사용 또는 유출ü정보 유출 ..

부모 반응 예시부모 유형경향 또는 의도“와, 저기 강아지 봤어? 진짜 귀엽지? 우리 인사할까?”E즉각적으로 반응하며 아이와 대화를 확장시킴.“응, 강아지네.”“네가 발견했구나.”I아이가 먼저 이야기할 때 반응하는 편“저 새가 멀리 여행을 간다면 어디로 갈까?”“저 구름은 뭐랑 닮았니?”N관찰을 스토리/상상으로 확장“저 새는 참새야. 날개가 작지?”“꽃이 노란색이구나.”S구체적인 사실 중심으로 반응“저 나무가 큰 이유는 햇빛을 많이 받아서야.”“저 강아지가 짖는 건 낯선 사람을 봐서야.”T논리적/원인 결과 설명 중심“강아지가 반갑다고 인사하는 것 같아.”“꽃이 피니까 기분이 좋아지지?”F아이의 감정 상태와 연결, 정서적 공감/느낌 중심“우리 공원에 오면 먼저 꽃을 보고, 그 다음 놀이터에 가자.”J아이의..

항목세부 내용비고지식과 패턴의 원천üAI모델은 명식적으로 프로그래밍되는 것이 아니라,데이터에 내재된 패턴과 관계를 학습하여 지식을 획득üAI가 세상을 이해하고, 문제를 해결하며, 의사결정을 내리는 데 필요한유일한 정보원•성능 향상과 정확도 개선üAI모델은 데이터 학습량이 많을 수록 성능이 향상되고 예측 정확도가 높아짐.ü정확하고 편향되지 않으며 노이즈가 적은 고품질 데이터일수록모델이 올바른 패턴을 학습하는 것이 가능해짐.ü다양하고 질좋은 데이터를 많이 학습할수록인공지능의 일반화 능력이 향상됨.•인공일반지능(AGI)특정 문제 해결을 위한맞춤형 학습ü해결하고자 하는 특정한 문제(예, 스팸 메일 분류, 의료영상 진단 등)에 따라 필요한 데이터가 달라짐.ü특정 산업이나 분야(도메인)에 특화된 AI를 개발하려면 ..

부모 반응 예시부모 유형경향 또는 의도“와, 자동차가 엄청 빠르네! 나도 같이 해볼래.”“공룡이 으르렁! 우와, 재밌겠다.”E아이의 놀이에 적극적으로 반응하고 대화/소리를 곁들임.“응, 자동차네.”“좋아 보인다.”I차분히 관찰하며 필요할 때만 언어 반응“이 자동차가 다른 나라로 여행간다면 어디로 갈까?”“공룡이 사람을 만나면 어떤 일이 생길까?”N놀이를 상상/이야기로 확장“자동차 바퀴가 잘 굴러가네.”“레고 블록이 빨간색이구나.”S구체적이고 눈앞의 사실에 집중“이 레고는 이렇게 끼워야 튼튼해.”“자동자가 빠른 이유는 바퀴가 잘 돌아가기 때문이지.”T원리나 구조 중심 반응“와, 네가 만든 게 정말 멋지다!”“너무 즐겁게 노는 모습 보니까 엄마(아빠)도 행복해.”F감정 교류와 칭찬 중심 반응“자동차는 도로 ..

구분XGBoost딥러닝 (Deep Learning)주요 장점•강력한 예측 성능•과적합 방지 가능 (Regularization)•빠른 학습 속도 및 병렬 처리•결측치 자동 처리•비정형 데이터 학습 가능 (이미지, 음성, 텍스트)•자동 Feature Learning•대규모 데이터에서 높은 성능•전이 학습 가능*1주요 단점•패턴 학습 능력 제한•Feature Engineering 필요•온라인 학습/스트리밍 처리 비효율•많은 데이터 필요•학습 불안정/과적합 가능•해석 어려움 (“Black Box”)•연산 비용 높음한계/제약•구조적/연속적 패턴 학습 어려움•복잡한 비정형 데이터에는 성능 제한•데이터 의존성 높음•모델 크기와 배포 환경 제한•잡음 데이터 민감활용 사례 및 적용 분야•금융: 신용평가, 부도 예측, 사..

구분내용판매방식의 혁신•소비자가 제품을 먼저 사용해보고 스스로 가치를 느끼게 함.•‘무료 샘플 배포‘ + ‘백화점 카운터 시연‘ 등 직접적 체험형 마케팅 개척•기존 경쟁자들은 고급 살롱, 광고, 유통망 독점에 의존럭셔리와 접근성의 결합•“모든 여성이 아름다워질 권리가 있다＂는 메시지로 중산층 여성까지 고객층 확대•기존처럼 고급 이미지를 유지하면서도 접근성을 강화해 시장을 넓힘.제품 포지셔닝의 혁신•단순 향수가 아니라 ‘목욕 오일 + 향수＇라는 새로운 하이브리드 포뮬러 개척•경쟁사들을 전통적 제품 카테고리 유지브랜드 경험 중심•화장품을 단순 제품이 아니라 ‘라이프스타일 경험＇으로 포지셔닝

부모 반응 예시부모 유형경향 또는 의도“좋은 질문이야! 그건 말이지 …”E풍부하게 대답하고 대화를 확장“응, 그건 이렇게 되는 거야.”I간결하고 차분하게 대답“왜 하늘이 파래? à 빛이랑 공기랑 만나서 그래. 그래서 … 우주는 …”N아이의 질문을 새로운 상상/연결로 확장시킴.“왜 하늘이 파래? à 빛이랑 공기랑 만나서 파란거야.”S지금 상황에 맞는 간단한 설명에 집중“그건 이 원리 때문이야. 한 번 생각해볼래?”T아이가 이해할 수 있는 수준에서 논리적/분석적으로 답변‘좋은 궁금증이네! 네가 궁금해 해서 엄마(아빠)는 기뻐＂F아이의 질문 의도를 존중하고 칭찬을 곁들임.“이건 이런 이유 때문이야. 나중에 궁금하면 책을 찾아보자.”J체계적/명확한 답변, 방향 제시“좋은 질문이네! 너는 어떻게 생각해?”P자유롭..