자연어 처리 퀴즈

다음 중 순환 신경망은?

• NN

• CNN

• RNN

• BTS

'Good morning'이라는 텍스트를 이해하기 위해 알파벳을 올바른 철자 순서대로 나열해야 하듯이 글에서 단어와 문자의 순서는 중요하다. 이처럼 텍스트는 문자가 일련의 순서대로 배치되어 있는 연속형 데이터라고 볼 수 있으며, 이러한 연속형 데이터를 ( ) 데이터라고 한다. 괄호 안에 들어갈 단어는?

• 인공지능

• 시퀀스

• 넘파

• 코인

다음 중 자연어 전처리(preprocessing)에 해당하는 것을 모두 고르면?

• 텍스트 토큰화

• 원-핫 인코딩

• 레코딩

• 합성곱

다음 중 (1)에 해당하는 것은?

오늘 좋은 아침이야!

(1) -> [0, 1, 2]

(2) -> [[1, 0, 0], [0, 1, 0], [0, 0, 1]]

• 텍스트 코인화

• 텍스트 토큰화

• 핫-브레스 인코딩

• 원-핫 인코딩

다음 중 (2)에 해당하는 것은?

오늘 좋은 아침이야!

(1) -> [0, 1, 2]

(2) -> [[1, 0, 0], [0, 1, 0], [0, 0, 1]]

• 텍스트 코인화

• 텍스트 토큰화

• 핫-브레스 인코딩

• 원-핫 인코딩

다음은 'first time to learn natural language processing'을 '단어 수준 토큰화'를 위한 사전은?

• {'human': 0, 'use': 1, 'natural': 2, 'language': 3, 'first': 4, 'time': 5, 'to': 6, 'learn': 7, 'processing': 8}

• [[[1. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 1. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 0.]]

• {'h': 0, 'u': 1, 'm': 2, 'a': 3, 'n': 4, ' ': 5, 's': 6, 'e': 7, 't': 8, 'r': 9, 'l': 10, 'g': 11, 'f': 12, 'i': 13, 'o': 14, 'p': 15, 'c': 16}

• first time to learn natural language processing

다음은 'first time to learn natural language processing'을 '단어 수준 원-핫 인코딩'한 결과는?

• {'human': 0, 'use': 1, 'natural': 2, 'language': 3, 'first': 4, 'time': 5, 'to': 6, 'learn': 7, 'processing': 8}

• [[0. 0. 0. 0. 1. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 1. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 1. 0.] [0. 0. 1. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 1. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0. 0. 0. 1.]]

• {'h': 0, 'u': 1, 'm': 2, 'a': 3, 'n': 4, ' ': 5, 's': 6, 'e': 7, 't': 8, 'r': 9, 'l': 10, 'g': 11, 'f': 12, 'i': 13, 'o': 14, 'p': 15, 'c': 16}

• first time to learn natural language processing

그림은 의사코드로 표현한 순환 신경망이다. 빈 괄호 안에 들어갈 단어는?

• x_t

• h_t

• output_t

• intput_t

딕셔너리가 char_dic = { 'a' : 0, 'd' : 1, 'g' : 2, 'o' : 3, 'y' : 4, ' ' : 5 } 로 주어졌을 때, "good day"을 문자 수준 토큰화 한 결과를 적으시오.

순환 신경망 모델을 구성하는 코드를 순서대로 적으시오. (예: 1234)

(1) model = Sequential()

(2) model.add(Activation('softmax'))

(3) model.add(TimeDistributed(Dense(num_classes)))

(4) model.add(SimpleRNN(num_classes, input_shape = (timesteps, data_dim), return_sequences = True))