이번 문서의 목표: 딥러닝 시험에서 반복되는 객관식 함정 패턴을 알아채고, 계산형 문제를 빠뜨리지 않고 푸는 루틴과 서술형 답안을 구성하는 방법, 제한 시간 안에서 문제 유형별로 시간을 배분하는 전략을 세울 수 있게 한다.
왜 “시험 스킬”을 별도 편으로 다루는가
쉽게 말하면: 개념을 알아도 시험장에서 실수하면 틀린다. 이 편은 “아는 것을 정확히 답으로 옮기는 기술”을 다룬다.
지금까지 01~03편에서 시험 구조와 용어, 머신러닝과의 관계를 정리했다. 이 편은 내용이 아니라 시험 응시 기술을 다룬다는 점에서 다른 편과 성격이 다르다. 독학사 3단계는 개념형·계산형·서술형이 섞여 나오므로(01편 참고), 세 유형 각각에 맞는 접근법을 미리 훈련해 두지 않으면 아는 내용도 시간 부족이나 실수로 놓치기 쉽다.
객관식 함정 유형 다섯 가지
쉽게 말하면: 객관식은 “몰라서” 틀리기도 하지만, “알면서도 보기의 함정에 걸려서” 틀리는 경우가 더 많다.
딥러닝 객관식 문항에서 반복적으로 나타나는 함정 패턴을 정리하면 다음과 같다.
- “옳지 않은 것을 고르시오” 유형에서 질문을 놓침: 보기 넷 중 셋은 맞는 설명이고 하나만 틀린 설명인데, 급하게 읽다가 “옳은 것”을 고르는 착각을 한다. 문제를 읽고 밑줄이나 표시로 “않은”을 체크하는 습관을 들인다.
- 비슷한 개념을 뒤섞은 보기: 예를 들어 “Dropout은 학습 시에만 적용되고 추론(inference) 시에는 적용되지 않는다”는 옳은 설명이지만, “Batch Normalization은 학습 시에만 적용되고 추론 시에는 전혀 사용되지 않는다”는 틀린 설명이다(추론 시에는 학습 때 계산해 둔 이동평균 통계량을 사용한다). 두 정규화 기법의 학습·추론 시 동작 차이를 정확히 구분해야 걸리지 않는다.
- 방향을 반대로 뒤집은 보기: “그라디언트가 양수이면 그 방향으로 파라미터를 이동시켜 손실을 줄인다”처럼 부호나 방향을 반대로 서술한 보기다. 02편에서 정리한 경사하강법 갱신 규칙 의 마이너스 부호를 정확히 기억하고 있어야 걸리지 않는다.
- 범위를 과장하거나 축소한 보기: “항상”, “모든 경우에”, “전혀”처럼 단정적인 표현이 들어간 보기는 예외가 존재하는 경우가 많다. 예를 들어 “딥러닝은 항상 전통적 머신러닝보다 성능이 우수하다”는 03편에서 다룬 것처럼 옳지 않은 진술이다.
- 숫자나 공식의 일부만 바꿔치기한 보기: CNN 출력 크기 공식이나 이터레이션 계산처럼 숫자가 들어가는 문제에서, 계산 과정 중 한 단계만 살짝 틀린 값을 보기로 제시한다. 이 경우 암산으로 어림잡지 말고 끝까지 손으로 계산해야 함정에 걸리지 않는다.
계산형 문제 풀이 루틴
쉽게 말하면: 공식을 떠올리는 것과 정답을 실제로 맞히는 것 사이에는 “대입 → 계산 → 검산”이라는 세 단계가 더 필요하다.
딥러닝 계산형 문제(역전파 1스텝, CNN 출력 크기, 혼동행렬 지표 등)는 다음 네 단계 루틴으로 접근하면 실수를 줄일 수 있다.
- 필요한 공식을 정확히 떠올린다: 예를 들어 CNN 출력 크기 공식은 이다(11편에서 자세히 다룬다). 비슷하게 생긴 공식(풀링 출력 크기 등)과 헷갈리지 않는지 먼저 확인한다.
- 문제에서 주어진 값을 표로 정리한다: 입력 크기, 필터 크기, 패딩, 스트라이드처럼 값이 여러 개 주어지는 문제는 머릿속으로만 계산하지 말고 종이에 값을 나열한 뒤 대입한다.
- 대입부터 답까지 한 줄씩 적는다: 중간 단계를 건너뛰면 어디서 실수했는지 찾을 수 없다. 아래 예시처럼 분수 계산, 나눗셈, 반올림까지 전부 적는다.
- 답의 타당성을 검산한다: 출력 크기가 음수이거나 정수가 아니면 계산이 잘못됐다는 신호다. 확률 값이 0~1 범위를 벗어나거나 정밀도·재현율이 1을 넘는 경우도 마찬가지다.
계산 루틴 실전 예시: CNN 출력 크기
입력 이미지 크기 , 필터 크기 , 패딩 , 스트라이드 일 때 출력 크기 를 구해 보자.
- : 입력의 한 변 크기(가로 또는 세로)
- : 필터(커널)의 한 변 크기
- : 패딩(padding, 입력 가장자리에 덧붙이는 0의 두께)
- : 스트라이드(stride, 필터가 한 번에 이동하는 칸 수)
- 먼저 괄호 안 곱셈:
- 분자 계산:
출력 크기는 이 된다. 입력과 출력 크기가 같게 나온 이유는 패딩 가 필터 크기 에 맞춰 크기를 유지하는 패딩(same padding에 가까운 설정)이 되도록 계산되었기 때문이다. 이 계산 절차는 11편에서 다양한 패딩·스트라이드 조합으로 반복 연습한다.
서술형(주관식) 답안 구조
쉽게 말하면: 서술형은 아는 것을 나열하는 것이 아니라, “정의 → 이유 → 예시”라는 완결된 흐름으로 써야 점수를 받는다.
독학사 3단계에서 서술형이 출제된다면(정확한 출제 여부와 배점은 공고 확인 필요), 다음과 같은 답안 구조를 쓰는 것이 안전하다.
| 단계 | 내용 | 예시(문제: “과적합을 줄이는 방법을 두 가지 설명하라”) |
|---|---|---|
| 1. 정의 | 묻는 개념의 정의를 한 문장으로 먼저 밝힌다 | ”과적합이란 모델이 학습 데이터에는 잘 맞지만 새로운 데이터에는 성능이 떨어지는 현상이다.” |
| 2. 방법 나열 | 요구한 개수만큼 방법을 명확히 구분해 제시한다 | ”첫째, L2 정규화는 손실 함수에 가중치 크기에 비례하는 페널티를 더해 가중치가 지나치게 커지는 것을 억제한다. 둘째, Dropout은 학습 시 일부 노드를 무작위로 꺼서 특정 노드에 과하게 의존하는 것을 막는다.” |
| 3. 근거·효과 | 왜 그 방법이 과적합을 줄이는지 메커니즘을 덧붙인다 | ”두 방법 모두 모델이 학습 데이터의 세부 잡음까지 암기하지 못하도록 모델의 유효 복잡도를 낮추는 효과를 낸다.” |
이 구조를 지키면 채점자 입장에서 “정의를 아는지”, “구체적 방법을 아는지”, “원리를 이해했는지”를 한 번에 확인할 수 있다. 반대로 용어만 나열하고 근거를 생략하면 부분 점수만 받을 가능성이 높다.
서술형 문항의 실제 출제 여부, 배점, 글자 수 제한은 회차 공고에 따라 다르다. 여기서 제시한 답안 구조는 일반적인 서술형 답안 작성 원칙이며, 정확한 출제 형식은 응시 회차의 공식 공고를 확인해야 한다.
시간 배분 전략
쉽게 말하면: 모든 문제에 같은 시간을 쓰지 말고, 어려운 계산형 문제는 나중으로 미루는 순서 전략이 필요하다.
시험 시간은 회차마다 다르므로(공고 확인 필요) 절대적인 분 단위 배분보다 상대적인 순서 전략을 세우는 것이 더 안전하다.
- 1차 통과: 정의를 바로 알 수 있는 개념형 문항과 공식 하나로 끝나는 짧은 계산형 문항을 먼저 처리해 확실한 점수를 확보한다.
- 2차 통과: 여러 단계를 거쳐야 하는 계산형(예: 역전파 1스텝, CNN 여러 층 출력 크기 누적 계산)과 서술형 문항에 집중한다.
- 3차 통과: 1차에서 답을 확신하지 못해 표시해 둔 문항, 함정 유형이 의심되는 문항을 다시 검토한다.
이 순서를 지키면 시간이 부족해도 “아는 문제를 놓쳐서” 점수를 잃는 상황을 막을 수 있다. 이 시리즈의 25~27편(기출·모의 편)에서 실제 시간 제한을 두고 이 전략을 연습한다.
자주 틀리는 점
- “옳지 않은 것”과 “옳은 것”을 헷갈림: 문제를 다 풀고 나서야 질문을 잘못 읽었다는 걸 깨닫는 경우가 많다. 문제 읽는 즉시 질문 유형에 표시하는 습관을 들인다.
- 계산 중간 단계를 암산으로 건너뜀: 딥러닝 계산형 문제는 값이 여러 개 얽혀 있어 암산으로 어림잡으면 함정 보기(숫자만 살짝 다른 오답)에 걸리기 쉽다.
- 서술형에서 정의 없이 방법만 나열: 정의를 생략하고 바로 방법을 나열하면 채점 기준의 앞부분 점수를 놓칠 수 있다.
- 어려운 문제에 시간을 다 쓰고 쉬운 문제를 놓침: 시간 배분 전략 없이 문제 순서대로만 풀면, 뒤쪽의 쉬운 개념형 문항을 시간 부족으로 놓칠 위험이 있다.
핵심 정리
- 객관식 함정은 “옳지 않은 것” 오독, 비슷한 개념 뒤섞기, 방향(부호) 뒤집기, 과장된 단정 표현, 숫자 바꿔치기의 다섯 유형으로 정리된다.
- 계산형 문제는 공식 확인 → 값 정리 → 한 줄씩 계산 → 답의 타당성 검산의 네 단계 루틴으로 접근한다.
- 서술형은 정의 → 방법 나열 → 근거·효과 순서로 답안을 구성해야 부분 점수를 놓치지 않는다.
- 시간 배분은 개념형·짧은 계산형 → 복잡한 계산형·서술형 → 재검토의 3단계 통과 전략을 따른다.
- 구체적인 시험 시간·배점·문항 구성은 회차 공고 확인 필요하다.