인쇄 배경색
※ 브라우저 인쇄 설정에서 배경 그래픽 인쇄를 반드시 활성화하십시오.
분류 모형 최적화 시뮬레이터 실습 및 과정 중심 평가
| 교과 및 대상 | 고등학교 진로선택 과목 <인공지능 수학> |
|---|---|
| 수업 주제 | 경사하강법과 인공신경망을 활용한 예측 모형 최적화 탐구 |
| 실습 및 채점 사이트 |
• 학생용 활동지: https://rubric.kr/platform/MathEdu/AIMath/minideeplearning/index.html • 교사용 채점 사이트: https://rubric.kr/platform/MathEdu/AIMath/minideeplearning/teacher.html • 교사용 비밀번호: aimath3141
|
| 교육과정 성취기준 |
• [12인수01-01] 인공지능의 개념을 이해하고 학습 방식을 수학적으로 해석할 수 있다. • [12인수01-02] 인공지능에서 수학을 활용한 역사적 사례를 탐구하고 설명할 수 있다. • [12인수04-02] 공학 도구를 사용하여 데이터의 경향성을 추세선으로 나타내고 이를 예측에 이용할 수 있다. • [12인수04-03] 손실함수를 이해하고 최적화된 추세선을 찾을 수 있다. • [12인수04-04] 경사하강법을 이해하고 최적화된 예측을 위한 인공지능의 학습 방법을 설명할 수 있다. • [12인수05-02] 인공지능과 관련된 수학 주제를 선정하여 탐구할 수 있다. |
| 학습 목표 |
1. 퍼셉트론의 가중합을 계산하고, 선형 결정 경계의 기하학적 의미를 파악한다. 2. 일변수함수로 정의된 손실함수에서 이차함수의 미분계수를 구하고, 경사하강법의 계산식을 이용하여 가중치 갱신 과정을 설명한다. 3. 다층퍼셉트론과 다항 특성을 활용하여 비선형 분류 경계를 조정하고, 새로운 데이터에 대한 예측의 타당성을 논리적으로 서술한다. |
가 퍼셉트론과 인공신경망
인공신경망은 생물학적 뉴런의 정보 전달 과정을 모형화한 퍼셉트론을 기반으로 한다. 입력 데이터와 가중치, 편향을 이용하여 가중합을 구하고, 이 값이 활성화함수를 거쳐 출력값으로 산출된다. 단층퍼셉트론은 선형 결정 경계만 표현할 수 있어 배타적논리합과 같은 비선형 문제 해결에 한계가 있으나, 은닉층을 포함한 다층퍼셉트론은 여러 선형 경계를 조합하여 비선형 결정 경계를 구성할 수 있다.
나 손실함수와 최적화
예측 모형의 성능은 실제값과 예측값 사이의 오차를 기준으로 판단한다. 오차를 하나의 함수로 나타낸 것을 손실함수라고 한다. 인공지능 학습은 손실함수의 값이 최소가 되도록 가중치와 편향 등 학습 요소를 조정하는 최적화 과정으로 이해할 수 있다.
다 미분과 경사하강법
손실함수의 최솟값을 찾기 위해 미분계수를 활용한다. 경사하강법은 현재 위치에서 미분계수의 부호와 반대 방향으로 점진적으로 이동하며 최적값을 탐색하는 수학적 방법이다. 경사하강법의 계산식 $a_1 = a_0 - \eta E^{\prime}(a_0)$을 사용하며, 이동 보폭을 결정하는 학습률이 과도하게 크면 최솟값을 지나쳐 진동하거나 발산할 수 있다.
| 단계 | 학습 내용 | 교수·학습 활동 (교사 및 학생) | 시간 | 유의점 및 매체 |
|---|---|---|---|---|
| 도입 | 동기 유발 및 실습 환경 세팅 |
[교사] 이전 시간에 배운 가중합, 경사하강법의 계산식 개념을 칠판에 적으면서 상기시킨다. [교사] 웹 시뮬레이터를 활용하여 데이터 분류 과정에서 인공신경망의 구조와 학습 요소 변화가 예측 오차에 미치는 영향을 탐구하도록 안내한다. [학생] 태블릿 또는 컴퓨터로 학생용 활동지(rubric.kr 학생용 활동지)에 접속하여 준비한다. |
5분 |
• 태블릿 또는 컴퓨터 접속 상태 및 원활한 네트워크 환경 확인 • 화면 이탈 및 탭 전환 시 부정행위로 간주되어 데이터가 자동 초기화됨을 공지 |
|
전개 (과정 중심 실습) |
단계 1. 선형 분류와 1차함수 시각화 |
[활동] 학생은 본인의 학번을 난수 생성 기준으로 입력하여 개별 난수 기반의 실습 데이터를 생성한다. [관찰] 은닉층이 0개인 단층퍼셉트론 상태에서 캔버스에 그려진 1차함수 직선($w_1x_1+w_2x_2+b=0$)과, 강조된 내 데이터 $X$의 기하학적 위치를 파악한다. [평가 Q1] 부여된 가중치 벡터 $W$와 데이터 $X$의 예측값(가중합, $W \cdot X$)을 대수적으로 정확히 산출한다. [평가 Q2] 가중합의 부호에 따라 데이터의 분류 영역과 위치가 결정됨을 서술한다. |
10분 |
• 학번 기반 난수를 적용하여 학생별 실습 데이터와 수치가 학생마다 다르게 제시됨 • 시각화된 1차함수 직선과 대수적 연산 결과의 기하학적 관계를 강조 |
| 단계 2. 오차 미분과 경사하강법 |
[활동] 학생 화면에 제시된 일변수함수로 정의된 손실함수 $E(a)$ 식을 확인한다. [평가 Q3] 부여된 2차 손실함수 식을 미분하여 초기 가중치에서의 미분계수를 도출한다. [평가 Q4] 경사하강법의 계산식 $\big(a_1 = a_0 - \eta E^{\prime}(a_0)\big)$에 직접 대입하여 다음 가중치를 계산한다. [실습] 시뮬레이터 속도를 관찰 모드 0.5초당 1회로 두고, 학습률을 3.0의 큰 값으로 설정하여 학습을 진행한다. [평가 Q5] 미분계수와 학습률의 곱으로 정해지는 이동량이 너무 커서 최솟값을 지나치고 경계선이 진동하는 현상을 서술한다. |
15분 |
• 수식 $E(a)$는 화면에서 자동으로 표시됨 • 관찰 모드를 통해 가중치 갱신 과정을 육안으로 명확히 확인하도록 돕는다 |
| 단계 | 학습 내용 | 교수·학습 활동 (교사 및 학생) | 시간 | 유의점 및 매체 |
|---|---|---|---|---|
|
전개 (과정 중심 실습) |
단계 3. 비선형 분류와 은닉층 노드 |
[관찰] 데이터를 원형의 비선형 구조로 바꾼 뒤, 단층의 직선 1개만으로는 데이터를 분리하기 어렵다는 점을 인지한다. [탐구] 은닉층 노드 수를 1~5개로 점진적으로 추가해 학습 애니메이션을 구동한다. [평가 Q6] 단순한 직선의 한계를 극복하기 위해 여러 직선을 조합하여 비선형 경계를 만들어내는 은닉층의 시각적·구조적 역할을 서술한다. |
10분 | • 신경망 미니맵을 통해 공간이 다차원으로 분할되는 시각적 개념을 이해하도록 돕는다. |
| 단계 4. 차원 확장 및 예측 타당성 점검 |
[수행 과제 Q7] 모델 조정 결과 평가 손실 최소화하기 화면에 제시된 훈련 데이터와 별도로 평가 데이터가 적용됨을 안내한다. 학생은 다항 특성($x_1^2$ 등), 은닉층 노드 수, 학습률을 순차적으로 조정하고 훈련 손실과 평가 손실의 변화 양상을 비교해 평가 손실을 최대한 낮춘다. [평가 Q8] 학습 요소를 과도하게 늘릴 때 훈련 손실은 낮아지지만 평가 손실이 증가할 수 있는 원인을 파악하고, 훈련 데이터에 지나치게 맞춘 경우 새로운 데이터에 대한 예측 성능이 낮아짐을 자신의 진로에 맞게 논술한다. |
10분 | • 화면에 보이는 훈련 손실만 낮추는 것이 아니라 평가 데이터에 대한 예측 성능을 함께 고려하도록 지도한다. | |
| 정리 | 결과 제출 및 성찰 |
[제출] 웹 활동지 하단의 [평가 제출]을 클릭하여 암호화된 [교사] 교사용 채점 사이트의 결과를 바탕으로 다음 차시에 채점기준에 따른 피드백을 진행할 것임을 안내하고 수업을 마무리한다. |
5분 | • 평가의 공정성과 보안을 위해 학생 화면에는 채점 총점이 비공개됨 |
※ 본 평가는 총점 100점 만점으로 구성되며, 단답형 계산, 실습형 수행 과제, 서논술형 핵심 개념 판독으로 학생의 수학적 역량을 종합적으로 평가한다.
| 문항 | 유형 | 성취기준 | 배점 | 측정 목표 및 평가 기준 |
|---|---|---|---|---|
| Q1 | 단답 | [12인수01-01] | 10점 | [수치 계산] $y = W_1X_1 + W_2X_2 + b$ 수식에 따른 가중합 계산값 산출 |
| Q2 | 서술 | [12인수01-01] | 10점 | [분류 원리] 가중합의 부호에 따라 데이터의 분류 영역과 위치가 결정됨을 서술 |
| Q3 | 단답 | [12인수04-03] | 10점 | [미분 기초] 손실함수 $E(a)$에서 이차함수의 미분계수 계산 |
| Q4 | 단답 | [12인수04-04] | 10점 | [가중치 갱신] 경사하강법의 계산식 $a_1 = a_0 - \eta E^{\prime}(a_0)$을 이용한 다음 가중치 값 도출 |
| Q5 | 서술 | [12인수04-04] | 10점 | [학습률 이해] 미분계수와 학습률의 곱만큼 가중치가 이동함을 서술 |
| Q6 | 서술 | [12인수01-02] | 20점 | [은닉층 필요성] 단순한 직선의 한계를 극복하기 위해 여러 직선을 조합하여 비선형 경계를 만듦을 서술 |
| Q7 | 수행 | [12인수04-02] | 10점 | [최적화 과제] 모델 구조와 학습 조건을 조정하여 평가 손실을 최대한 낮추는 탐구 수행 능력 |
| Q8 | 서술 | [12인수05-02] | 20점 | [예측 타당성] 훈련 데이터에 지나치게 맞춘 경우 새로운 데이터에 대한 예측 성능이 낮아짐을 서술 |
aimath3141)는 정규표현식의 또는 연산을 통해 학생 답변의 핵심
개념어를 1차적으로 판별하여 점수를 산출한다.※ 서논술형 문항(Q2, Q5, Q6, Q8)의 핵심 개념 도달 정도를 판별하기 위한 기준이다.
| 문항 | 평가 요소 | 수준 | 채점기준 |
|---|---|---|---|
| Q2 |
[분류 원리] 가중합 부호에 따른 결정 |
A (매우 우수) | 가중합의 양·음 부호와 결정 경계 양쪽 영역을 연결하여 분류 원리를 정확히 설명함. |
| B (우수) | 부호와 영역 개념을 모두 포함하여 데이터의 분류 결과를 설명함. | ||
| C (보통) | 부호 또는 위치 개념을 활용하여 선형 분류의 기본 원리를 설명함. | ||
| D (기초) | 결정 경계 또는 분류 결과를 관찰한 내용을 중심으로 설명함. | ||
| E (초기) | 가중합, 부호, 직선 등 관련 용어를 사용하여 활동 내용을 제시함. | ||
| I (기초 확인) | 개별 확인 대상으로 분류함. | ||
| Q5 |
[학습률 이해] 미분계수와 학습률의 곱 |
A (매우 우수) | 미분계수, 학습률, 보폭의 관계와 최솟값을 지나쳐 진동하는 현상을 수식·그래프 변화와 연결하여 설명함. |
| B (우수) | 미분계수와 학습률이 가중치 이동량을 정한다는 점을 설명함. | ||
| C (보통) | 학습률 증가에 따른 보폭 확대 또는 경계선 진동 현상을 설명함. | ||
| D (기초) | 시뮬레이터에서 관찰한 경계선 변화와 학습률 변화를 연결하여 설명함. | ||
| E (초기) | 학습률, 기울기 등 관련 용어를 사용하여 활동 내용을 제시함. | ||
| I (기초 확인) | 개별 확인 대상으로 분류함. | ||
| Q6 |
[은닉층 필요성] 비선형 경계의 생성 원리 |
A (매우 우수) | 선형 경계의 한계와 은닉층의 여러 경계 조합이 비선형 경계를 형성함을 설명함. |
| B (우수) | 은닉층이 여러 직선을 조합하여 복잡한 분류를 가능하게 함을 설명함. | ||
| C (보통) | 은닉층 추가와 곡선 또는 비선형 경계 생성 결과를 설명함. | ||
| D (기초) | 은닉층 개수 변화에 따른 화면상 분류 경계 변화를 관찰하여 설명함. | ||
| E (초기) | 은닉층 또는 비선형 분류 관련 용어를 사용하여 활동 내용을 제시함. | ||
| I (기초 확인) | 개별 확인 대상으로 분류함. | ||
| Q8 |
[예측 타당성] 훈련 데이터와 평가 데이터 비교 |
A (매우 우수) | 훈련 손실과 평가 손실의 변화를 바탕으로 새로운 데이터에 대한 예측의 타당성을 설명함. |
| B (우수) | 훈련 데이터에 지나치게 맞춘 경우 새로운 데이터의 예측 오차가 커질 수 있음을 설명함. | ||
| C (보통) | 훈련 손실과 평가 손실의 차이를 바탕으로 예측 타당성 확인의 필요성을 설명함. | ||
| D (기초) | 학습 요소 증가에 따른 훈련 손실과 평가 손실 변화 관찰 내용을 제시함. | ||
| E (초기) | 훈련 데이터, 평가 데이터, 예측 오차 중 일부 용어를 사용하여 활동 내용을 제시함. | ||
| I (기초 확인) | 개별 확인 대상으로 분류함. |
※ 본 종합 성취수준은 총점(100점 만점), 실습 로그, 서논술형 답안을 함께 검토하여 산출한다.
| 수준 | 기준 점수 | 학생이 달성한 능력 |
|---|---|---|
| A (매우 우수) |
80점 이상 | 가중합, 손실함수, 이차함수의 미분계수, 경사하강법의 계산식의 관계를 정확히 설명하고 계산함. 은닉층 노드 수, 다항 특성, 학습률을 조정하며 훈련 손실과 평가 손실을 비교하여 평가 손실 0.1 미만을 달성함. 새로운 데이터에 대한 예측의 타당성을 데이터의 경향성과 학습 요소의 관점에서 논리적으로 제시함. |
| B (우수) |
70점 이상 | 가중합 계산, 손실함수의 미분계수 계산, 가중치 갱신 과정을 안정적으로 수행함. 모델 구조와 학습 조건을 조정하여 평가 손실을 낮추는 전략을 수립하고, 은닉층, 학습률, 예측 오차의 핵심 개념을 활용하여 주요 원리를 설명함. |
| C (보통) |
55점 이상 | 가중합과 미분계수 계산 등 기본 연산을 수행함. 시뮬레이터 관찰 결과를 선형·비선형 분류, 학습률, 예측 오차 등의 개념과 연결하여 설명하고, 훈련 손실과 평가 손실의 차이를 바탕으로 모델 평가의 필요성을 제시함. |
| D (기초) |
40점 이상 | 가중합, 손실함수, 학습률 등 핵심 용어를 활용하여 실습 과정을 설명함. 학습 요소 변화에 따른 그래프, 경계선, 손실값 변화를 관찰하여 기록하고, 학습률과 모델 구조가 결과에 영향을 준다는 점을 제시함. |
| E (초기) |
25점 이상 | 시뮬레이터 조작 절차에 참여하고 훈련 손실, 평가 손실, 은닉층, 학습률 등 주요 용어를 활용하여 활동 결과를 제시함. 화면 변화와 손실값 변화를 관찰하며 인공지능 학습 과정의 기본 흐름을 확인함. |
| I (기초 확인) |
25점 미만 | 개별 확인을 통해 좌표, 가중합, 함수값 계산 등 기초 개념 학습의 출발점을 파악함. |
| 수준 | 지도 방향 |
|---|---|
| A | 모형 비교, 추가 데이터 검증, 학습률 변화 실험 등 심화 탐구를 제공하고 세특에는 자율적 탐구 과정과 수학적 근거를 중심으로 기록한다. |
| B | 경사하강법의 계산식과 시뮬레이션 결과의 연결, 훈련 손실과 평가 손실의 비교 근거를 말과 식으로 다시 정리하도록 지도한다. |
| C | 핵심 개념어와 그래프 변화, 수식 값을 일대일로 연결하는 보충 질문을 제공한다. |
| D | 예시 수치를 활용한 단계별 계산 연습과 용어 재정리를 병행한다. |
| E | 용어 카드, 계산 예시, 교사 시범을 통해 기초 개념을 재확인하고 최소 성취기준 도달 여부를 점검한다. |
| I | 개별 보충 지도를 통해 기본 계산 절차와 시뮬레이터 조작 방법을 재안내하고, 짧은 재평가 과제로 성취 여부를 확인한다. |