인공지능·머신러닝 기초
한마디로정답을 주고 배우면 지도, 정답 없이 묶으면 비지도, 보상으로 배우면 강화학습이에요.
3D 해설 영상

정답이 붙은 데이터로 배우면 지도학습, 정답 없이 데이터만 보면 비지도학습, 보상으로 배우면 강화학습이에요.
직접 해 보기
데이터에 무엇이 있나로 갈라요
문제를 보면 먼저 데이터에 정답(레이블)이 붙어 있는지부터 확인하세요. 정답이 있으면 지도학습, 없으면 비지도학습, 정답 대신 보상을 받으면 강화학습이에요.
준지도학습은 레이블이 일부에만 붙은 데이터를 레이블 없는 데이터와 함께 써요. 자기지도학습은 데이터에서 정답을 스스로 만들어 배워요. 문장의 가린 단어나 다음 단어 맞히기가 그 예예요. 대규모 언어 모델(LLM)의 사전 학습이 이 방식이에요.
상황 가르기
0/10문항 · 0개 맞음
상황마다 학습 방법과 하는 일을 하나 골라요. 답이 범주인지 숫자인지, 정답 없이 묶거나 줄이는지, 보상이 있는지를 보세요.
1봉투 사진 수만 장에 칸마다 '이 숫자는 3' 같은 정답을 달아 학습시킨 뒤, 새 봉투의 손글씨 우편번호를 읽어요.
2지난 3년 동안의 날짜·요일·명절 여부와 그날의 소포 접수량으로 학습해, 다음 주 월요일 접수량이 몇 개일지 예측해요.
3구매 기록만 있고 미리 정한 고객 등급은 없어요. 비슷하게 쇼핑하는 고객끼리 묶어 마케팅 대상을 나눠요.
4'스팸'·'정상' 표시가 달린 메일 10만 통으로 학습해, 새로 온 메일을 스팸함으로 보낼지 정해요.
5면적·층·지은 해·역까지 거리와 실제 거래 가격이 함께 있는 아파트 자료로 학습해, 새 매물의 가격을 예측해요.
6설문 문항 40개의 응답을, 정보를 되도록 잃지 않게 두세 개의 축으로 줄여 평면 그림으로 살펴봐요.
7배달 로봇이 장애물에 부딪히면 점수를 잃고 목적지에 빨리 닿으면 점수를 얻으며, 시행착오 끝에 길 고르는 법을 익혀요.
8'사기'로 확인된 거래에 표시가 붙은 카드 결제 기록으로 학습해, 새 결제가 사기인지 아닌지 판정해요.
9주제 표시가 없는 뉴스 기사 수천 건을 내용이 비슷한 것끼리 묶어요.
10게임 프로그램이 스스로 수만 판을 두며, 이기면 보상을 받는 방식으로 어떤 수를 둘지 익혀요.
알고리즘은 어느 쪽?
0/10문항 · 0개 맞음
시험에는 알고리즘 이름만 주고 지도·비지도를 고르게 하는 문제가 자주 나와요. k-NN과 k-평균, 로지스틱 회귀를 특히 조심하세요.
1선형 회귀
2로지스틱 회귀
3결정 트리
4k-최근접 이웃 (k-NN)
5서포트 벡터 머신 (SVM)
6나이브 베이즈
7k-평균 (k-means)
8주성분 분석 (PCA)
9Apriori (연관 규칙)
10Q-러닝
신경망과 딥러닝은 어디에 쓰나
신경망은 학습 방법이 아니라 모델의 모양이에요. 그래서 지도·비지도·강화학습 어디에나 쓸 수 있어요. 시험에는 어떤 구조를 어떤 데이터에 쓰는지가 나와요.
k-NN: 가까운 이웃 k개에게 물어봐요
메일마다 링크 수(가로)와 광고성 단어 수(세로)를 재서 점으로 찍었어요. 채운 점은 정답이 붙은 학습 데이터예요. 그림을 누르거나 숫자를 바꾸면 새 메일(◆)이 옮겨 가요. 그러면 가장 가까운 학습 점 k개가 다수결로 스팸인지 정해요.
연한 파랑 칸에 새 메일이 오면 스팸, 연한 회색 칸이면 정상으로 분류돼요. 점선 원 안이 투표하는 이웃이에요.
스팸 2표 · 정상 1표 → 스팸으로 분류
| 순위 | 학습 점 (링크, 광고) | 정답 | 거리 |
|---|---|---|---|
| 1 | (14, 13) | 정상 | 1.00 |
| 2 | (13, 12) | 스팸 | 2.24 |
| 3 | (12, 13) | 스팸 | 3.00 |
거리는 두 점 사이의 직선거리(유클리드 거리) √((Δ링크)² + (Δ광고)²)예요. 거리가 같은 점이 여럿이면 목록에서 앞선 점부터 넣었어요.
k는 검증 데이터로 고르고, 테스트는 마지막에 한 번
k처럼 학습 전에 사람이 정하는 값을 하이퍼파라미터라고 해요. 그래프의 k 숫자를 누르거나 위 막대를 움직여, k에 따라 학습 정확도와 검증 정확도가 어떻게 달라지는지 보세요.
표로 보기
| k | 학습 | 검증 |
|---|---|---|
| 1 | 24/24 (100.0%) | 10/12 (83.3%) |
| 3 | 23/24 (95.8%) | 11/12 (91.7%) |
| 5 | 23/24 (95.8%) | 12/12 (100.0%) |
| 7 | 22/24 (91.7%) | 12/12 (100.0%) |
| 9 | 22/24 (91.7%) | 12/12 (100.0%) |
| 11 | 22/24 (91.7%) | 11/12 (91.7%) |
| 13 | 21/24 (87.5%) | 11/12 (91.7%) |
| 15 | 21/24 (87.5%) | 11/12 (91.7%) |
| 17 | 20/24 (83.3%) | 9/12 (75.0%) |
| 19 | 15/24 (62.5%) | 6/12 (50.0%) |
| 21 | 15/24 (62.5%) | 6/12 (50.0%) |
| 23 | 15/24 (62.5%) | 6/12 (50.0%) |
k = 3 · 학습 정확도 95.8% · 검증 정확도 91.7%
k가 작아서 바로 옆 점 몇 개를 그대로 따라가요. 심지어 잡음(스팸 무리 안의 정상 메일)까지 따라가요. 학습 정확도(95.8%)보다 검증 정확도(91.7%)가 낮아요. 학습 데이터만 너무 잘 외운 과적합 쪽이에요.
데이터가 적으면 교차 검증을 써요. 학습 데이터를 여러 묶음으로 나눠, 한 묶음씩 돌아가며 검증에 쓰고 평균을 내요. k-겹 교차 검증이라고도 하는데, 여기서 k는 묶음 수예요.
과적합 대책일까, 과소적합 대책일까
0/8문항 · 0개 맞음
과적합은 학습 성적은 좋은데 새 데이터 성적이 나쁜 것, 과소적합은 둘 다 나쁜 것이에요. 방법마다 무엇을 줄이는지 골라요.
1학습 데이터를 더 많이 모아요.
2가중치가 클수록 손실 함수에 벌점이 붙게 해요 (L1·L2 규제).
3학습할 때마다 신경망의 뉴런 일부를 무작위로 꺼요 (드롭아웃).
4검증 오차가 다시 커지기 시작하면 학습을 멈춰요 (조기 종료).
5k-NN에서 k를 1에서 7로 키워요.
6은닉층과 뉴런 수를 늘려 더 복잡한 모델을 써요.
7학습을 더 오래(에포크를 더 많이) 시켜요.
8직선 하나로는 잡히지 않는 관계라서 쓸 만한 특성(입력 변수)을 더 넣어요.
k-평균: 정답 없이 중심 k개로 묶어요
고객마다 한 달 이용 횟수(가로)와 한 번에 쓰는 금액(세로)을 점으로 찍었어요. 정답(고객 등급)은 없어요. k와 출발점을 고르고 ‘한 단계’를 눌러 배정과 중심 이동을 번갈아 돌려 보세요. 그림을 누르면 고객 점을 더할 수 있어요.
고객 18명 · 거리 비교는 유클리드 거리의 제곱으로 해요.
시작 전
| 중심 | 위치 (이용, 결제) | 배정된 고객 |
|---|---|---|
| 1 | (3.0, 6.0) | — |
| 2 | (16.0, 4.0) | — |
| 3 | (10.0, 16.0) | — |
혼동 행렬: 찾으려는 쪽을 양성으로 두어요
스팸 필터가 메일마다 0~100점의 스팸 점수를 매겼어요. 기준값 이상이면 스팸으로 분류해요. 혼동 행렬은 예측과 실제를 맞대어 네 칸으로 센 표예요. 찾으려는 스팸을 양성, 정상을 음성이라고 해요. 기준값을 옮기면 네 칸과 지표가 바로 바뀌어요. 칸에 숫자를 직접 넣어 계산해 볼 수도 있어요.
실제 스팸 실제 정상. 동그라미 테두리가 쳐진 메일이 틀린 것(FP·FN)이에요. 점에 마우스를 올리면 제목이 보여요.
메일 20통 자세히 보기
| 점수 | 제목 | 실제 | 칸 |
|---|---|---|---|
| 97 | [광고] 오늘만 전 품목 90% 할인 | 스팸 | TP |
| 91 | 축하합니다! 경품 당첨, 링크에서 수령 | 스팸 | TP |
| 88 | 무직자도 대출 한도 즉시 조회 | 스팸 | TP |
| 83 | [광고] 해외 직구 특가 마감 임박 | 스팸 | TP |
| 79 | 주문하신 상품의 배송이 시작됐어요 | 정상 | FP |
| 74 | 수익률 보장 투자 리딩방 초대 | 스팸 | TP |
| 66 | 회원님 계정이 곧 정지됩니다(링크 확인) | 스팸 | TP |
| 61 | 이번 달 카드 이용 대금 안내 | 정상 | FP |
| 52 | 택배 주소가 맞지 않아요. 링크에서 수정하세요 | 스팸 | TP |
| 47 | 구독하신 뉴스레터: 이번 주 할인 소식 | 정상 | TN |
| 43 | 비밀번호 변경 확인 메일 | 정상 | TN |
| 38 | 안녕하세요, 지난번 문의하신 건입니다 | 스팸 | FN |
| 34 | 동창회 날짜 투표 부탁해 | 정상 | TN |
| 28 | 다음 주 회의 자료 첨부합니다 | 정상 | TN |
| 22 | 도서관 반납 예정일 안내 | 정상 | TN |
| 17 | 여행 사진 공유해요 | 정상 | TN |
| 12 | 보고서 검토 의견 보내요 | 정상 | TN |
| 8 | 주말에 점심 같이 먹을래? | 정상 | TN |
| 4 | 과제 제출 확인 | 정상 | TN |
| 1 | 김치 보냈다, 받으면 연락해 | 정상 | TN |
| 구분 | 예측: 스팸 (양성) | 예측: 정상 (음성) | 합 |
|---|---|---|---|
| 실제 스팸 | TP 참 양성7 | FN 거짓 음성1 | 8 |
| 실제 정상 | FP 거짓 양성2 | TN 참 음성10 | 12 |
| 합 | 9 | 11 | 20 |
고른 지표 정밀도: 파란 칸이 분모, 형광펜 숫자가 분자예요.
정밀도와 재현율이 비슷해요. 둘을 하나로 묶어 보는 값이 F1이에요.
기준값을 올리면 대체로 정밀도↑ 재현율↓
기준값을 올리면 확실한 것만 스팸이라고 해요. 그래서 정밀도는 대체로 오르고 재현율은 떨어져요. 내리면 반대예요. 이 데이터에서는 기준값을 35점에서 40점으로 올리면 정밀도가 66.7%에서 63.6%로 떨어져요. 그래프의 열을 누르면 그 기준값으로 옮겨 가요.
기준값 50점: 정밀도 77.8% · 재현율 87.5% · F1 82.4%
정밀도와 재현율은 한쪽을 올리면 다른 쪽이 내려가기 쉬워요. 그래서 둘을 조화평균인 F1 = 2 × 정밀도 × 재현율 ÷ (정밀도 + 재현율)로 함께 봐요. 둘 중 하나만 높은 모델이 좋아 보이지 않게 하려는 거예요. 조화평균은 작은 쪽에 끌려가요. 그래서 하나가 0이면 F1도 0이에요.
어느 지표를 더 봐야 할까
0/4문항 · 0개 맞음
놓치는 것(FN)과 잘못 잡는 것(FP) 중 무엇이 더 큰 손해인지 따져 보세요. FP가 비싸면 정밀도, FN이 비싸면 재현율이에요.
1회사 메일 필터예요. 거래처 메일이 스팸함으로 가면 큰일이라, 스팸을 조금 놓치더라도 '스팸'이라고 한 것만큼은 정말 스팸이어야 해요.
2감염병 검사예요. 실제 환자를 음성으로 놓치면 병이 퍼져요. 건강한 사람이 재검사를 받는 건 감수해요.
3공항 검색대예요. 위험물을 하나라도 놓치면 안 되고, 괜히 가방을 한 번 더 여는 건 괜찮아요.
4쇼핑몰 추천이에요. 목록이 짧아도 되니, 추천한 상품만큼은 손님이 정말 살 만한 것이어야 해요.
맨 위 '보기'에서 네 실험실을 골라요. k-NN 탭은 그림을 눌러 새 메일을 옮기거나 k를 바꾸면 이웃 투표와 학습·검증 정확도가 바로 바뀌고, k-평균 탭은 배정과 중심 이동을 한 단계씩 돌려요. 혼동 행렬 탭은 기준값을 옮기거나 네 칸에 숫자를 넣으면 지표가 공식과 함께 계산돼요(메일과 고객 데이터는 모두 연습용으로 만든 값).
핵심 정리
지도학습: 정답을 붙여 주고 배워요
'스팸/정상' 정답을 붙인 메일로 배우게 하면, 새 메일이 스팸인지 맞힐 수 있어요. 이렇게 입력과 정답(레이블)을 함께 주고, 새 입력의 정답을 맞히는 규칙을 배우는 게 지도학습이에요. 맞힐 답이 정해진 범주면 분류, 집값처럼 연속된 숫자면 회귀예요. 대표 알고리즘은 선형 회귀(회귀), 로지스틱 회귀(이름과 달리 분류), 결정 트리, k-NN, SVM, 나이브 베이즈예요.
비지도학습: 정답 없이 비슷한 것끼리
쇼핑몰 고객을 이용 횟수와 결제 금액만 보고 비슷한 무리로 나누는 건 비지도학습이에요. 레이블 없이 데이터 안에 숨은 구조를 찾고, 묶인 무리가 무엇을 뜻하는지는 사람이 해석해요. 비슷한 것끼리 묶는 군집화(k-평균, 계층적 군집), 정보를 되도록 남기며 특성 수를 줄이는 차원 축소(PCA), 함께 나타나는 항목을 찾는 연관 규칙(Apriori)이 있어요.
강화학습: 보상을 보고 배워요 (준지도·자기지도도 함께)
바둑 AI가 이기면 보상, 지면 벌점을 받으며 스스로 두는 법을 익히는 게 강화학습이에요. 정답 대신 행동의 결과로 받는 보상(또는 벌점)을 보고 배우는 거예요. 에이전트(배우는 쪽)가 환경에서 상태를 보고 행동하며, 보상의 합이 가장 커지는 행동 방식(정책)을 시행착오로 찾아요(Q-러닝). 레이블이 일부에만 붙은 데이터를 함께 쓰면 준지도학습, 가린 단어 맞히기처럼 데이터에서 정답을 스스로 만들어 배우면 자기지도학습이에요.
학습·검증·테스트 데이터와 과적합
학습 정확도는 99%인데 테스트 정확도가 70%라면, 학습 데이터의 잡음까지 외운 과적합(과대적합)이에요. 학습 데이터로 모델을 맞추고, 검증 데이터로 k 같은 하이퍼파라미터(학습 전에 사람이 정하는 설정값)와 모델을 고르고, 테스트 데이터로 마지막에 한 번 성능을 재요. 반대로 모델이 너무 단순해 학습 데이터조차 못 맞히면 과소적합이에요. 과적합은 데이터 늘리기, 규제(L1·L2), 드롭아웃, 조기 종료, 모델 단순화로 줄여요.
혼동 행렬과 평가 지표
메일 1,000통 중 스팸이 10통뿐인데 모두 정상이라고 하면, 정확도는 99%지만 스팸은 하나도 못 잡아요. 그래서 양성이 드문 데이터에서는 정밀도와 재현율을 함께 봐야 해요. 찾으려는 쪽(스팸)을 양성으로 두면 TP(스팸을 스팸으로 맞힘)·FP(정상을 스팸으로 잘못 잡음)·FN(스팸을 놓침)·TN(정상을 정상으로 맞힘) 네 칸이 생겨요. 정확도 = (TP+TN) ÷ 전체, 정밀도 = TP ÷ (TP+FP), 재현율 = TP ÷ (TP+FN), F1 = 2 × 정밀도 × 재현율 ÷ (정밀도 + 재현율)이에요.
신경망·딥러닝과 생성형 AI
사진 속 고양이를 알아보는 데는 CNN을, 문장·음성처럼 순서가 있는 데이터에는 RNN(LSTM)을 주로 써요. 인공 신경망은 입력에 가중치를 곱해 더하고 활성화 함수를 거친 값을 층층이 넘기며, 오차 역전파로 가중치를 고쳐요. 은닉층을 깊게 쌓으면 딥러닝이고, CNN은 합성곱으로 지역 특징을 뽑고 RNN은 앞의 상태를 이어 받아요. LLM(대규모 언어 모델)은 대개 방대한 글로 다음 토큰(글을 잘게 나눈 조각)을 맞히도록 학습한 트랜스포머 기반 언어 모델이라 새 글을 만들어 내지만, 그럴듯한 오답(환각)도 낼 수 있어요.
이렇게 외워요
세 갈래 가르기
정답(레이블)이 있으면 지도, 없으면 비지도, 보상이면 강화. 답이 범주면 분류, 숫자면 회귀 / 묶으면 군집, 줄이면 차원 축소
k가 둘
k-NN은 이웃 k개에게 묻고(지도), k-평균은 중심 k개로 묶어요(비지도). 로지스틱 회귀는 이름만 회귀, 하는 일은 분류
TP·FP·FN·TN 읽는 법
뒤 글자(P·N)는 모델의 예측, 앞 글자(T·F)는 그 예측이 맞았는지. 정밀도는 예측 양성(TP+FP)으로, 재현율은 실제 양성(TP+FN)으로 나눠요
암기 카드
남은 카드 9장. ‘다시 볼래요’를 누르면 맨 뒤로 가요.
OX 퀴즈
- 1
로지스틱 회귀는 집값처럼 연속된 수치를 예측하는 회귀 알고리즘이다.
- 2
k-평균 군집화는 학습 데이터에 정답 레이블이 있어야 쓸 수 있다.
- 3
강화학습은 정답 레이블 대신 행동에 따라 받는 보상을 이용해 학습한다.
- 4
재현율은 모델이 양성이라고 예측한 것 가운데 실제 양성의 비율이다.
- 5
양성이 1%뿐인 데이터에서 모두 음성이라고 예측하면 정확도는 99%이지만 재현율은 0이다.
- 6
과적합된 모델은 학습 데이터에서는 오차가 작지만 새로운 데이터에서는 오차가 크다.
- 7
하이퍼파라미터를 고를 때는 테스트 데이터로 성능을 반복해서 비교한다.
- 8
F1 점수는 정밀도와 재현율의 산술평균이다.
컴퓨터일반 자료 전체의 카드와 OX를 한 번에 풀려면 컴퓨터일반 카드·OX 모아 풀기로 가요.
근거
- T. M. Mitchell, Machine Learning, McGraw-Hill, 1997 (학습의 정의, 결정 트리, 인공 신경망과 역전파, k-최근접 이웃)
- T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, 2nd ed., Springer, 2009 (지도·비지도 학습, 학습·검증·테스트 분할과 교차 검증, k-NN, k-평균, 주성분 분석, 연관 규칙)
- R. S. Sutton, A. G. Barto, Reinforcement Learning: An Introduction, 2nd ed., MIT Press, 2018 (에이전트·환경·보상·정책, Q-러닝)
- I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016 (규제·드롭아웃·조기 종료, 합성곱 신경망, 순환 신경망과 LSTM)
- T. M. Cover, P. E. Hart, "Nearest neighbor pattern classification", IEEE Transactions on Information Theory, 1967
- J. MacQueen, "Some methods for classification and analysis of multivariate observations", 5th Berkeley Symposium, 1967 · S. P. Lloyd, "Least squares quantization in PCM", IEEE Transactions on Information Theory, 1982
- D. Arthur, S. Vassilvitskii, "k-means++: The Advantages of Careful Seeding", SODA, 2007
- C. Cortes, V. Vapnik, "Support-vector networks", Machine Learning, 1995
- Y. LeCun et al., "Backpropagation Applied to Handwritten Zip Code Recognition", Neural Computation, 1989
- S. Hochreiter, J. Schmidhuber, "Long Short-Term Memory", Neural Computation, 1997 · A. Vaswani et al., "Attention Is All You Need", NeurIPS, 2017
- C. J. van Rijsbergen, Information Retrieval, 2nd ed., Butterworths, 1979 (정밀도·재현율과 F 척도)
- 2026년 계리직 컴퓨터일반(지도학습)과 같은 유형, 예시 상황과 데이터는 새로 만들었어요
- 계리직 컴퓨터일반 출제 범위는 우정사업본부 공고 확인
학습을 돕는 자료예요. 법령과 제도는 바뀔 수 있으니 시험 직전에는 공식 자료로 다시 확인하세요.
컴퓨터일반 다른 개념
- OSI 7계층 한 번에 끝내기3D로 쌓은 7개 층을 하나씩 눌러 보며 층마다 하는 일, 데이터 이름, 프로토콜, 장비를 익혀요.3D 해설 영상컴퓨터일반 · 3D 모델 · 계리직
- 기억장치 계층 구조층을 하나씩 눌러 보며 레지스터부터 보조기억장치까지 속도·용량·가격이 어떻게 달라지는지 익혀요.3D 해설 영상컴퓨터일반 · 3D 모델 · 계리직
- CPU 스케줄링 시뮬레이터프로세스마다 도착 시간과 실행 시간을 넣고 CPU를 줄 순서를 정하는 규칙(FCFS·SJF·SRT·RR·HRN)을 바꾸면, 누가 언제 CPU를 쓰는지 그린 간트 차트와 평균 대기 시간이 바로 나와요.3D 해설 영상컴퓨터일반 · 시뮬레이터 · 계리직
- 페이지 교체 알고리즘참조열(페이지를 부르는 순서)과 프레임 수(메모리 칸 수)를 넣고 FIFO·LRU·LFU·OPT 등을 고르면, 언제 페이지 부재가 나고 무엇을 왜 내보내는지 표로 한 칸씩 보여 줘요.3D 해설 영상컴퓨터일반 · 시뮬레이터 · 계리직
- 메모리 배치와 디스크 관리빈 메모리에 프로그램을 넣고, 주소를 바꾸고, 디스크의 이동 거리와 고장에 견디는 범위를 직접 계산해요.3D 해설 영상컴퓨터일반 · 주소 변환·디스크 스케줄링 · 계리직
- 파이프라인·입출력·오류 검출명령어가 기다리는 이유를 찾고, 데이터를 옮기는 담당자와 오류를 고치는 과정을 직접 확인해요.3D 해설 영상컴퓨터일반 · 파이프라인 타임라인·해밍 코드 실험 · 계리직
- 운영체제 구조·시스템 호출·리눅스 권한파일 권한을 바꾸고, 커널에 일을 부탁하는 과정과 디스크에 파일을 놓는 방식을 직접 비교해요.3D 해설 영상컴퓨터일반 · 권한 계산기·시스템 호출 따라가기 · 계리직
- 접근통제·방화벽·전자봉투·백업등급에 맞는 접근을 고르고, 전자봉투를 조립하고, 통신 규칙과 백업 순서를 직접 확인해요.3D 해설 영상컴퓨터일반 · 등급 판정·방화벽 규칙·백업 복원 계산 · 계리직
- 코드 읽기: 파이썬·C·자바 출력 따라가기출력을 먼저 예상하고, 한 문장씩 실행하며 변수와 출력이 어떻게 바뀌는지 확인해요.3D 해설 영상컴퓨터일반 · 코드 따라가기·출력 예측 · 계리직
- 기초영어 어휘·관용 표현 덱영어 낱말은 비슷한 뜻끼리 묶고, 생활 표현은 대화에 넣어 보며 외워요.3D 해설 영상컴퓨터일반 · 어휘·관용 표현 덱·유의어 퀴즈 · 계리직
- 엑셀 셀 참조 복사 시뮬레이터D6에 수식 하나를 넣고 오른쪽·아래로 복사해 보면서, $를 어디에 붙여야 표 전체가 맞게 채워지는지 직접 찾아봐요.3D 해설 영상컴퓨터일반 · 복사 시뮬레이터 · 계리직
- 엑셀 함수 결과 실험실작은 표에 수식을 넣고 결과와 참조 셀을 확인하면서 자주 나오는 엑셀 함수를 익혀요.3D 해설 영상컴퓨터일반 · 미니 시트·결과 맞히기 · 계리직
- 정규화 단계 따라가기수강신청 표 하나를 1NF부터 BCNF까지 직접 나눠 보면서, 단계마다 무엇을 떼어 내고 어떤 문제가 사라지는지 확인해요.3D 해설 영상컴퓨터일반 · 단계별 풀이 · 계리직
- SQL 쿼리 실험실사원·부서 표에 SELECT 문을 한 절씩 붙여 보면서, 어떤 행이 걸러지고 어떻게 묶이는지, NULL과 조인이 결과를 어떻게 바꾸는지 눈으로 확인해요.3D 해설 영상컴퓨터일반 · 쿼리 실험실 · 계리직
- 데이터베이스 기초학생 표에서 키를 찾고, 표를 합치거나 부모 행을 바꾸면서 데이터베이스의 규칙을 확인해요.3D 해설 영상컴퓨터일반 · 키 판별기·관계대수 실험 · 계리직
- IPv4 서브네팅 계산기IP 주소와 프리픽스를 넣어 32비트가 네트워크와 호스트로 갈리는 모습과 네트워크·브로드캐스트 주소·호스트 수를 보고, 두 주소가 같은 서브넷인지와 몇 개로 나눌 수 있는지도 직접 따져 봐요.3D 해설 영상컴퓨터일반 · 서브넷 계산기 · 계리직
- 자료구조와 정렬스택·큐에 직접 넣고 꺼내 보고, 우리가 쓰는 식(중위식)을 연산자를 뒤에 쓰는 식(후위식)으로 바꾸고, 트리를 순서대로 돌아보고, 정렬이 회전마다 배열을 어떻게 바꾸는지 한 단계씩 확인해요.3D 해설 영상컴퓨터일반 · 자료구조 실험실 · 계리직
- 컴퓨터 구조: 수 표현·논리회로·명령어·메모리10진수를 2의 보수와 IEEE 754 비트로 바꿔 보고, 카르노 맵을 눌러 식을 줄이고, 같은 계산을 0·1·2·3-주소 명령어로 실행하고, 명령어가 값을 어디서 찾는지 따라가며, 상황에 맞는 메모리(SRAM·DRAM·플래시)를 골라 봐요.3D 해설 영상컴퓨터일반 · 수 표현·회로 실험실 · 계리직
- 프로세스·인터럽트·교착상태 실험실CPU 하나에 프로세스 여럿을 올려 상태가 바뀌는 모습을 보고, 한꺼번에 몰린 인터럽트를 차례로 처리하고, 교착상태를 만들었다 풀고, 은행원 알고리즘으로 안전한 순서를 직접 찾아봐요.3D 해설 영상컴퓨터일반 · 상태·교착 실험실 · 계리직
- 소프트웨어공학 실험실상황에 맞는 생명 주기 모형을 고르고, 경계값·커버리지·순환 복잡도로 테스트 케이스를 직접 만들고, 가상의 우체국 앱 기능을 세어 기능 점수까지 계산해 봐요.3D 해설 영상컴퓨터일반 · 테스트·FP 실험실 · 계리직
- 트랜잭션과 동시성 제어·회복계좌 이체 두 건을 섞어 실행해 갱신 분실·오손 읽기·모순성을 직접 만들어 보고, 2PL을 켜면 누가 기다리는지, 장애가 나면 무엇을 REDO·UNDO하는지 확인해요.3D 해설 영상컴퓨터일반 · 스케줄·회복 실험실 · 계리직
- 인터넷 프로토콜: 메일·웹·DNS·TCP/UDP메일 한 통을 SMTP로 보내고 POP3·IMAP으로 받아 어디에 남는지 보고, DNS 질의·TCP 연결·DHCP와 ping을 한 단계씩 따라가고, 포트 번호와 IPv6 줄여 쓰기를 연습해요.3D 해설 영상컴퓨터일반 · 프로토콜 실험실 · 계리직
- 정보보안 핵심 실험실어떤 키로 잠가야 하는지 골라 보고, 해시·전자서명·블록 사슬을 일부러 깨뜨려 보고, 공격 사례와 ISMS-P 의무 대상, 침입탐지·클라우드 책임까지 직접 판정해 봐요.3D 해설 영상컴퓨터일반 · 보안 실험실 · 계리직
- 클라우드와 신기술 실험실서비스 책임 범위를 직접 칠하고, 블록을 고쳐 해시 연결을 깨 보고, IoT·빅데이터·엣지 개념을 사례로 골라 봐요.3D 해설 영상컴퓨터일반 · 누가 관리할까?·블록체인 실험 · 계리직
- 계리직 기초영어 핵심우체국·은행·전화 장면의 대화 빈칸을 채우고, 밑줄 친 곳이 맞는지 틀린지 가리고, 자주 나오는 어휘와 독해 유형별 푸는 순서를 직접 풀면서 익혀요.3D 해설 영상컴퓨터일반 · 기초영어 연습 · 계리직