데이터분석전문가(ADP)

데이터분석전문가(ADP) 🤖 [예시문제] (2026-08-15)

2. [예시문제] 대규모 데이터 처리 아키텍처에서 데이터를 추출(Extract), 변환(Transform), 적재(Load)하는 방식에 대한 설명으로 가장 적절하지 않은 것은 무엇인가?

  1. ETL은 데이터 웨어하우스에 데이터를 적재하기 전에 필요한 모든 변환을 수행하는 방식이다.
  2. ELT는 원본 데이터를 먼저 데이터 레이크에 적재한 후, 필요에 따라 변환을 수행하는 방식이다.
  3. ELT는 데이터의 규모가 매우 크고, 다양한 분석 요구사항에 유연하게 대응해야 할 때 더 유리할 수 있다.
  4. ETL은 데이터 레이크 환경에서 원시 데이터에 대한 빠른 접근과 다양한 분석 기법 적용에 ELT보다 항상 더 유리하다.

4. [예시문제] 기계 학습 모델 학습 시 발생하는 문제 중, 과적합(Overfitting)과 과소적합(Underfitting)에 대한 설명으로 옳은 것은 무엇인가?

  1. 과적합은 모델이 훈련 데이터에 너무 민감하게 반응하여 복잡도가 높은 상태로, 훈련 성능은 낮고 테스트 성능은 높은 경향이 있다.
  2. 과소적합은 모델이 훈련 데이터의 패턴을 충분히 학습하지 못해 단순한 상태로, 훈련 성능과 테스트 성능 모두 낮은 경향이 있다.
  3. 과소적합을 해결하기 위해서는 일반적으로 모델의 복잡도를 높이는 대신, 정규화(Regularization) 기법을 강하게 적용해야 한다.
  4. 과적합을 해결하기 위해서는 더 많은 특징(Feature)을 추가하거나, 모델의 파라미터 수를 늘리는 것이 효과적이다.

5. [예시문제] 효과적인 데이터 시각화 설계 원칙에 대한 설명으로 가장 적절하지 않은 것은 무엇인가?

  1. 시각화는 데이터의 본질적인 메시지를 명확하고 간결하게 전달해야 한다.
  2. 불필요한 장식이나 3D 효과는 데이터 전달을 방해하므로 최소화해야 한다.
  3. 다양한 색상을 사용하여 시각적인 즐거움을 제공하고 복잡성을 강조해야 한다.
  4. 데이터 잉크 비율(Data-ink Ratio)을 높여 비데이터 잉크를 줄이고 데이터 자체를 강조해야 한다.

6. [예시문제] 머신러닝 모델 학습 전 데이터 전처리 과정에서 특성 스케일링(Feature Scaling)을 수행하는 주요 목적이 아닌 것은 무엇인가?

  1. 서포트 벡터 머신(SVM)이나 k-최근접 이웃(k-NN)과 같이 거리를 기반으로 하는 알고리즘의 성능 향상
  2. 경사하강법(Gradient Descent) 기반의 최적화 알고리즘 학습 속도 개선
  3. 특성들의 단위나 범위 차이로 인해 특정 특성이 모델 학습에 과도하게 영향을 미치는 것을 방지
  4. 결정 트리(Decision Tree)나 랜덤 포레스트(Random Forest)와 같은 트리 기반 모델의 과적합(Overfitting) 방지

7. [예시문제] 데이터 거버넌스(Data Governance)의 주요 구성 요소와 역할에 대한 설명으로 가장 적절한 것은 무엇인가?

  1. 데이터 거버넌스는 주로 데이터 저장 공간의 효율성을 관리하는 기술적 아키텍처 수립에 중점을 둔다.
  2. 데이터 거버넌스의 핵심은 데이터에 대한 정책, 표준, 절차를 정의하고 이를 준수하도록 관리하는 것이다.
  3. 데이터 거버넌스는 데이터 분석 모델 개발 및 배포 과정의 효율성을 극대화하는 데 주된 목표가 있다.
  4. 데이터 거버넌스는 데이터 보안과는 무관하며, 독립적으로 운영되어야 한다.

8. [예시문제] 대규모 데이터 분산 처리 프레임워크인 Apache Spark의 주요 특징에 대한 설명으로 옳지 않은 것은 무엇인가?

  1. 인메모리(In-Memory) 연산을 통해 디스크 I/O를 최소화하여 Hadoop MapReduce보다 빠른 처리 속도를 제공한다.
  2. 스칼라(Scala), 자바(Java), 파이썬(Python), R 등 다양한 프로그래밍 언어를 지원하여 개발 유연성이 높다.
  3. 데이터 처리의 각 단계를 디스크에 저장하여 내결함성(Fault Tolerance)을 보장하며, 복잡한 DAG(Directed Acyclic Graph)를 지원하지 않는다.
  4. Spark SQL, Spark Streaming, MLlib, GraphX 등 다양한 라이브러리 및 모듈을 포함하는 통합 플랫폼이다.