🤖 AI를 이해하는 확률과 데이터 수학
『수학의 쓸모』 고교 수학·세특 수행평가 연계 가이드
추천 시스템, 예측 규칙, 베이즈 업데이트, 자연어 처리, 이상 탐지와 공중보건을 고교 확률·통계·함수와 연결한다.
이 책은 AI를 신비한 기계로 설명하지 않고, 입력과 출력 사이의 패턴을 데이터에서 찾는 확률적 예측 시스템으로 설명한다. 수행평가에서는 작은 데이터로 직접 규칙을 만들고 새로운 자료에 적용해 정확도와 실패 원인을 확인하는 활동이 적합하다.
책의 특징과 활용 방향
탐구의 핵심AI 프로그램을 크게 만드는 것보다 작은 자료에서 조건부확률·회귀식·분류 기준을 직접 계산하고, 학습 자료와 새 자료에서 성능이 어떻게 달라지는지 설명하는 편이 수학 수행평가에 적합하다.
고교 수학 단원 연계 지도
| 책의 내용 | 연계 과목·단원 | 연계 방식 | 수행평가 확장 아이디어 |
|---|---|---|---|
| 넷플릭스 추천과 조건부확률 | 확률과 통계 조건부확률 | 직접 연계 과거 행동이라는 조건에서 선호 확률 계산 | 학급의 영화 선호 자료로 간단한 추천표 제작 |
| 귀환 전투기와 생존성 편향 | 확률과 통계 조건부확률·표본 | 직접 연계 P(손상|귀환)과 P(귀환|손상)의 차이 | 누락 자료가 결론을 바꾸는 가상 교차표 분석 |
| 오이 분류와 입력·출력 | 공통수학2 함수 정보 분류 | 융합 연계 특징값을 입력으로 받아 범주를 출력 | 길이·무게 자료로 과일 분류 규칙 설계 |
| 최대 심박수 예측 규칙 | 공통수학2 함수 확률과 통계 산점도 | 직접 연계 일차함수로 입력과 출력 관계 근사 | 두 예측식의 오차와 평균절대오차 비교 |
| 최소제곱법으로 데이터에 맞는 선 찾기 | 확률과 통계 상관관계 미적분 최솟값 | 확장 연계 잔차 제곱합이 최소인 직선 | 작은 산점도에서 후보 직선들의 잔차 제곱합 비교 |
| 복잡한 모형과 과적합 | 함수 매개변수 확률과 통계 표본 | 융합 연계 학습 자료에만 지나치게 맞는 모형 | 고차식과 일차식의 학습·검증 오차 비교 |
| 특징 추출과 심층학습 | 공통수학1 행렬 정보 AI | 확장 연계 복잡한 입력을 단계별 수치 특징으로 변환 | 손글씨나 도형을 픽셀 합·대칭도 등 특징으로 분류 |
| 잠수함 탐색과 베이즈 업데이트 | 확률과 통계 조건부확률 | 직접 연계 사전확률과 새 관측으로 위치 확률 수정 | 격자 지도에서 단서를 하나씩 적용해 확률분포 갱신 |
| 의료 진단과 베이즈 규칙 | 확률과 통계 조건부확률 | 직접 연계 유병률·민감도·거짓양성의 결합 | 1만 명 자연도수표로 양성예측도 계산 |
| 펀드매니저의 연속 성공 | 확률과 통계 이항확률·조건부확률 | 직접 연계 실력과 우연을 사전확률과 관측으로 비교 | 동전 모형으로 연속 성공자의 수를 모의실험 |
| 자연어 처리와 단어 빈도 | 확률과 통계 빈도 정보 자연어 | 융합 연계 규칙 작성에서 통계적 예측으로 전환 | 두 종류 문서의 단어 빈도로 간단한 분류기 제작 |
| 단어를 벡터로 바꾸기 | 기하 벡터 공통수학1 행렬 | 확장 연계 단어의 특성을 여러 좌표로 표현 | 자체 특성표를 만들어 단어 간 거리·유사도 비교 |
| 이상 탐지와 변동성 | 확률과 통계 평균·표준편차 | 직접 연계 평균에서 벗어난 정도를 정상 변동 범위와 비교 | 스포츠·기온 자료에서 이상값 탐지 기준 비교 |
| 표본평균과 제곱근 규칙 | 확률과 통계 표본평균·표준오차 | 확장 연계 표본 크기가 커질수록 평균의 변동성 감소 | 난수 표본 크기별 평균 분포를 반복 실험 |
| 가정이 잘못된 장기 예측 | 확률과 통계 확률 모형 | 직접 연계 매년 같은 확률·독립성 가정의 위험 | 독립 가정과 조건 변화 가정의 누적확률 비교 |
| 구글 독감 예측과 모형 노후화 | 확률과 통계 상관관계·회귀 | 융합 연계 입력 분포 변화로 예측 모형 성능 저하 | 시기별 자료로 만든 예측식의 오차 변화 분석 |
| 나이팅게일과 공중보건 통계 | 확률과 통계 자료 시각화 | 직접 연계 사망 원인의 비교와 설득력 있는 그래프 | 동일 자료를 여러 그래프로 표현하고 전달 효과 비교 |
세특·수행평가 추천 주제 6선
조건부확률로 추천 시스템 만들기
확률과 통계 · 조건부확률
- 두 콘텐츠의 선호 교차표 작성
- P(B|A)와 P(A|B) 비교
- 표본 수가 적을 때 추천의 한계 분석
생존자 자료만 보면 왜 틀리는가
확률과 통계 · 표본 편향
- 귀환·추락 자료가 포함된 교차표 구성
- 조건 방향을 바꾼 확률 계산
- 누락 자료가 결론을 뒤집는 사례 제작
데이터에 가장 잘 맞는 직선 찾기
함수·통계 · 회귀
- 산점도와 후보 직선 작성
- 잔차 및 잔차 제곱합 계산
- 학습 자료 밖 예측 오차 확인
베이즈 규칙으로 진단 결과 다시 읽기
확률과 통계 · 조건부확률
- 유병률과 검사 성능으로 자연도수표 작성
- 사전확률과 사후확률 비교
- 유병률 변화에 따른 양성 의미 분석
복잡한 모형이 항상 좋은가
함수·통계 · 과적합
- 같은 자료에 일차식과 고차식 적용
- 학습 오차와 새 자료 오차 비교
- 모형 복잡도와 일반화 관계 설명
표본 크기는 평균의 안정성을 어떻게 바꾸는가
확률과 통계 · 표본분포
- 표본 크기별 평균 반복 계산
- 평균 분포의 범위·표준편차 비교
- 1/√N 경향을 그래프로 확인
수행평가로 발전시키는 방법
① 교차표·확률형
추천, 진단, 생존 자료를 자연도수표로 구성하고 조건 방향에 따른 확률 차이를 해석한다.
② 회귀·예측형
입력과 출력 자료에 예측식을 맞추고 새 자료에서 오차를 검증한다.
③ 모의실험형
표본평균, 연속 성공, 베이즈 갱신을 난수 또는 카드 실험으로 반복해 이론과 비교한다.
④ 텍스트·분류형
단어 빈도나 간단한 수치 특징으로 문서·이미지를 분류하고 오분류 사례를 분석한다.
권장 탐구 흐름
문제와 자료
가정·변수 설정
학습 규칙 계산
새 자료로 검증
편향·오차·개선
예시: 간단한 추천 시스템학생들에게 영화 A와 B의 선호 여부를 익명 조사한다. P(B 선호|A 선호), P(B 선호|A 비선호)를 계산해 A를 좋아한 학생에게 B를 추천할 근거를 만든다. 조사 인원을 나누어 학습 집단과 검증 집단으로 사용하고 실제 추천 적중률을 비교한다.
세특과 연결하는 방법
세특에는 AI 도구를 사용했다는 사실보다 확률·함수·통계로 예측 규칙을 만들고 성능을 검증한 과정이 드러나야 한다.
세특 기록에 적합한 활동 서술 예시『수학의 쓸모』의 추천 시스템 사례를 조건부확률과 연결하여 학급의 익명 콘텐츠 선호 자료를 교차표로 구성함. P(B|A)와 P(A|B)가 다름을 수치로 확인하고 학습 집단에서 만든 추천 규칙을 별도 검증 집단에 적용하여 적중률을 측정함. 표본 수가 적은 항목에서 확률이 크게 흔들리는 현상을 분석하며 추천 결과의 신뢰 한계를 설명함.
피해야 할 서술인공지능에는 수학이 많이 사용되며 베이즈 규칙과 딥러닝에 대해 조사함. 미래에 AI가 중요하다고 생각함.
수행평가 평가 기준 제안
| 평가 요소 | 배점 | 우수 기준 |
|---|---|---|
| 교과 연계성 | 20점 | AI 사례를 조건부확률·함수·통계 개념과 정확히 연결함 |
| 자료와 가정 | 20점 | 표본, 변수, 가정, 학습·검증 자료를 명확히 구분함 |
| 계산·모형 | 25점 | 직접 확률 계산, 회귀, 모의실험 또는 분류 규칙을 수행함 |
| 성능 검증 | 20점 | 새 자료에서 오차·정확도·편향을 확인하고 개선점을 제안함 |
| 표현과 출처 | 15점 | 표·그래프·수식이 명확하고 자료 및 책의 출처를 표시함 |
과목·진로별 추천 로드맵
- 고1 공통수학: 입력-출력 함수, 간단한 분류 규칙, 행렬을 이용한 특징 자료 표현을 선택한다.
- 확률과 통계: 추천 시스템, 베이즈 진단, 생존자 편향, 이상 탐지, 표본평균의 안정성을 탐구한다.
- 대수·미적분: 회귀식의 매개변수, 잔차 제곱합의 최솟값, 복잡한 함수의 과적합을 분석한다.
- 컴퓨터·AI 진로: 작은 분류기나 추천기를 직접 구현하되 학습·검증 자료와 성능 지표를 분리한다.
- 의학·생명 진로: 베이즈 의료진단, 나이팅게일의 통계, 의료 AI의 거짓양성·거짓음성을 탐구한다.
- 경제·경영 진로: 펀드 성과의 우연성, 변동성, 이상 탐지와 추천 시스템의 소비자 영향을 분석한다.
- 언어·미디어 진로: 단어 빈도와 벡터, 통계적 자연어 처리, 추천 알고리즘의 정보 편향을 탐구한다.
주제 선정과 작성 시 주의점
- AI 서비스 소개에 그치지 말고 최소 하나의 조건부확률, 예측식, 오차 지표를 직접 계산한다.
- 학습 자료에서 잘 맞는다는 이유만으로 좋은 모형이라고 결론 내리지 말고 별도 자료로 검증한다.
- 상관관계를 인과관계로 해석하지 않고 누락 변수와 표본 편향 가능성을 검토한다.
- 개인 선호·건강 자료를 조사할 때는 익명화하고 민감한 정보는 수집하지 않는다.
- 딥러닝의 복잡한 구조를 흉내 내기보다 입력, 특징, 출력, 오류라는 기본 구조를 정확히 설명한다.
- AI 결과를 객관적 진실로 표현하지 말고 확률적 예측이며 가정과 데이터에 의존함을 밝힌다.
이 책을 활용한 좋은 탐구는 AI를 사용해 보는 활동이 아니라, AI가 어떤 확률과 데이터로 판단하며 언제 틀릴 수 있는지를 수학으로 확인하는 활동이다.
기반 자료
- 닉 폴슨·제임스 스콧, 『수학의 쓸모』 — 조건부확률, 예측 규칙, 베이즈 규칙, 자연어 처리, 변동성, 가정과 공중보건 데이터 관련 장.
- 2022 개정 고등학교 수학 교육과정의 공통수학·대수·미적분·확률과 통계·기하 및 정보·생명과학 교과와 연계하여 구성함.
