AI › AI 엔지니어링(AI 시스템 운영) › 데이터 준비

데이터 증강Data Augmentation

이미 모은 학습 표본에 레이블을 바꾸지 않는 변환(이동 · 뒤집기 · 가리기 · 단어 바꾸기 · 시간 왜곡 등)을 걸어 사본을 만들고, 모델이 그 변동에 흔들리지 않게 학습시키는 데이터 준비 기법이다.

1요약

  1. 데이터 증강은 학습 데이터 준비 단계에서 있는 표본에 레이블 보존 변환을 걸어 사본을 만드는 기법으로(Krizhevsky 2012 4.1절), 그 위에서 영상 분류 · 검출, 텍스트 분류, 센서 시계열 분류 모델이 학습된다.
  2. 표본이 적으면 모델은 위치 · 조명 같은 우연한 조건까지 외운다 — 같은 2계층 MLP 의 MNIST 오류가 증강 없이 1.6%, 탄성 변형 증강으로 0.7% 였다(Simard 2003 표 1).
  3. 「증강을 켰더니 나빠졌다」는 변환이 레이블을 바꿨는가, 강도가 운영 변동보다 큰가로 가른다 — 특정 두 클래스의 혼동만 늘면 앞쪽, 원래 시험 세트 전체가 떨어지면 뒤쪽이다.

2등장 배경

손글씨 숫자를 읽는 모델은 학습 때 본 획 굵기 · 기울기 · 위치만 맞힌다. 표본을 더 모으려면 사람이 다시 쓰고 레이블을 붙여야 하지만, 글씨가 조금 기울거나 옮겨 가도 숫자는 그대로라는 사실은 이미 알고 있다. 2003년 Simard 외는 이 지식을 아핀 · 탄성 변형으로 학습 세트에 넣어 합성곱 신경망의 MNIST 오류를 0.4% 까지 낮췄다(Simard 2003 표 1).

2012년 Krizhevsky 외는 256×256 영상에서 224×224 조각을 무작위로 자르고 좌우로 뒤집어 학습 세트를 2,048배로 늘렸고, RGB 주성분 방향의 색 세기 변환으로 top-1 오류를 1%p 넘게 줄였다(Krizhevsky 2012 4.1절). 같은 생각이 표 데이터(SMOTE · 2002), 센서 시계열(Um 2017 · 정확도 77.54% → 86.88%), 텍스트(EDA · 2019)로 퍼졌다.

2018년 AutoAugment 는 변환 정책을 검증 정확도 기준의 탐색 알고리즘으로 찾아 CIFAR-10 오류 1.5% 를 냈지만 탐색 공간이 10³² 가지였다(Cubuk 2018). 2019년 RandAugment 는 이를 «변환 개수 N · 강도 M» 두 값(10² 가지)으로 줄였고(Cubuk 2019 표 1), 지금 프레임워크는 이 방식을 v2.RandAugment(num_ops=2, magnitude=9) 같은 기본 변환으로 제공한다(torchvision 0.29). 새 표본을 생성 모델 · 시뮬레이션으로 만드는 일은 합성 데이터의 몫이다.

3쉽게 이해하기 — 숫자 카드로 배우는 아이

유치원 선생님 수진에게는 숫자 0 ~ 9 를 쓴 카드가 열 장씩밖에 없다. 수진은 카드를 살짝 옆으로 옮겨 보이고, 멀리 · 가까이 들어 보이고, 손으로 반쯤 가려 보이며 아이 지우에게 숫자를 묻는다. 다만 6 카드를 거꾸로 들면 9 가 되므로 그 동작만은 하지 않는다. 다음 날 지우는 다른 반 칠판에 조금 비뚤게 쓰인 숫자도 읽는다.

숫자 카드 0 ~ 9 를 열 장씩 원본 학습 표본 100장 1 카드 그대로만 봄 비뚤면 못 읽음 과적합 · 운영에서 틀림 증강 없이 선생님 수진 증강 정책 살짝 옮겨 보이기 이동 ±1픽셀 멀리 · 가까이 크기 · 자르기 손으로 반 가리기 지우기(Cutout) 2 6 카드 거꾸로 9 로 보여 빼기 3 아이 지우 원본 + 변형 카드 모델 · 학습 다른 반 칠판 조금 비뚤게 쓴 숫자 운영 입력 · 맞힘 4 데이터 사람 · 정책 모델 · 변환 운영 · 평가 실패 · 레이블 깨짐

그림 1 · 같은 카드를 옮기고 · 크기를 바꾸고 · 가려 보인 아이는 비뚤어진 칠판 숫자도 읽고, 뜻이 바뀌는 «거꾸로 들기»는 빼야 한다.

카드 열 장숫자마다 열 장뿐
옮겨 보이기살짝 옆으로
멀리 · 가까이크기를 바꿔
반쯤 가리기손바닥으로
거꾸로는 빼기6 이 9 가 됨
칠판 읽기비뚤어도 맞힘
비유 — 카드 보여 주기 실제 — 8×8 숫자 영상 레이블 옆으로 살짝 옮김 같은 7 카드 1픽셀 레이블 7 그대로 레이블 보존 변환 6 카드를 거꾸로 9 처럼 보임 180° «6» 붙이면 거짓 6 ↔ 9 혼동 0 → 21건 진하기 = 화소 값 0 ~ 16 · 영상 = UCI 손글씨 숫자 학습 세트 표본 · 왼쪽 = 원본 · 오른쪽 = 사본

그림 2 · 옆으로 옮긴 7 은 여전히 7 이지만, 거꾸로 돌린 6 은 9 처럼 보여 «6» 레이블을 붙이면 거짓 표본이 된다.

비유 속 역할실제 이름실제로 하는 일
숫자 카드 열 장씩원본 학습 표본숫자마다 10장 · 모두 100장
선생님 수진증강 정책어떤 변환을 얼마나 세게 걸지 사람이 정함
살짝 옮겨 보이기기하 변환(이동)영상을 ±1픽셀 옮긴 사본
멀리 · 가까이크기 · 자르기 변환무작위 영역을 잘라 원래 크기로
손으로 반 가리기지우기(Cutout)정사각형 영역을 0 으로 채움
6 카드 거꾸로레이블을 바꾸는 변환180° 회전 — 숫자 영상에서는 제외
아이 지우모델원본 + 사본으로 학습
다른 반 칠판운영 입력조건이 조금 다른 새 표본

⚠ 비유가 맞지 않는 곳: 아이는 카드 한 장을 옮겨 보면 «같은 카드»라는 것을 알지만, 모델은 사본을 서로 다른 표본으로 받아 외울 수도 있다. 또 선생님은 거꾸로 든 카드를 눈으로 알아채지만, 증강 정책은 사람이 변환 목록을 정하기 전에는 레이블이 바뀌는지 모른다.

4구조 — 변환 정책과 증강 파이프라인

증강은 «무엇을 바꾸나(변환 종류) · 얼마나(강도) · 얼마나 자주(확률 · 사본 수)» 세 값으로 된 변환 정책과, 그 정책을 학습 세트에만 거는 파이프라인으로 이루어진다. Krizhevsky 외는 사본을 학습 중 CPU 에서 만들어 디스크에 두지 않았고(Krizhevsky 2012 4.1절), 이 «온라인» 방식이 프레임워크의 기본 형태다.

학습 경로 — 변환 정책은 학습 세트에만 원본 표본 원본 ID 붙임 분할 원본 ID 단위 학습 세트 여기만 증강 변환 정책 종류 · 강도 · 확률 사본 생성 미니배치마다 모델 학습 원본 + 사본 평가 경로 — 변환 없이 원본 그대로 검증 · 테스트 원본 그대로 평가 변환 없이 잼 변환 정책을 거치지 않음 학습된 모델 금지 — 분할 전에 증강 같은 원본의 사본이 학습과 검증 · 테스트에 함께 들어가 점수가 부풀려짐(누수) 데이터 규칙 · 모델 평가 누수 · 실패 사본(파생 데이터)

그림 3 · 분할을 원본 단위로 먼저 하고 학습 세트에만 변환 정책을 걸며, 검증 · 테스트 세트는 변환 없이 잰다.

요소대표 변환 · 값정할 값레이블 위험근거
영상자르기 · 좌우 뒤집기 · 색 세기 · 탄성 변형자르기 크기 224/256 · 강도글자 · 방향 표지를 뒤집음Krizhevsky 2012 4.1절 · Simard 2003
텍스트동의어 바꾸기 · 무작위 넣기 · 순서 바꾸기 · 지우기바꿀 단어 비율 α 0.05 · 사본 16(학습 500문장)부정어가 빠져 감성이 뒤집힘Wei 2019 표 3 · 4.3절
센서 시계열잡음 · 크기 조정 · 축 회전 · 구간 섞기 · 시간 왜곡구간 수 N 1 ~ 5순서가 뜻인 신호를 섞음Um 2017 그림 2
표소수 클래스 표본과 이웃 사이 선분 위 점(SMOTE)이웃 수 k = 5 · 늘릴 비율클래스 경계 너머로 보간Chawla 2002
가리기 · 섞기Cutout(정사각형 가리기) · mixup(두 표본 · 레이블의 볼록 결합)16×16 화소(CIFAR-10) · λ ~ Beta(α, α)mixup 레이블은 원핫이 아님DeVries 2017 · Zhang 2018 2절
정책 탐색변환 14종에서 N개를 강도 M 으로 무작위 선택N · M(0 ~ 10)강도 과다Cubuk 2019 표 1
검증 · 테스트변환하지 않음원본 ID 단위 분할사본이 섞이면 누수그림 3

🔑 증강은 표본 «수»가 아니라 모델이 «무시해야 할 변동»을 가르친다 — 잡음 사본 800장을 더해도 이동 시험 세트 정확도는 0.149 에서 0.147 로 그대로였다.

5동작 — 손글씨 숫자 100장에 이동 증강 걸기

Python 3.14.0 · NumPy 2.4.3 으로 공개 데이터 UCI 손글씨 숫자(8×8 · 화소 값 0 ~ 16 · Alpaydin 1998)를 쓴 직접 실행 사례다. 모델은 은닉 단위 64개 ReLU 신경망을 직접 구현했다(미니배치 32 · 학습률 0.1 · 갱신 6,000회 · 난수 시드 고정).

  1. 학습 풀 3,823장에서 숫자마다 10장, 모두 100장을 뽑는다(default_rng(2026)). 시험 세트는 따로 공개된 1,797장이다.
  2. 증강 없이 학습하면 학습 정확도 1.000, 시험 정확도 0.884(1,589/1,797)다.
  3. 운영 카메라가 어긋난 상황을 흉내 내 시험 영상 전부를 가로 · 세로 1픽셀씩 대각선으로 옮기면(default_rng(99)) 정확도가 0.149(268장)로 떨어진다.
  4. 원본마다 ±1픽셀 무작위 이동 사본 8장을 더해 900장으로 학습하면(default_rng(7)) 시험 0.873 · 이동 시험 0.748(1,345장)다.
  5. 이동 대신 잡음(표준편차 0.1) 사본 8장을 쓰면 시험 0.876 · 이동 시험 0.147 로, 운영 변동과 다른 변환은 이동에 대한 정확도를 올리지 못한다.
  6. 180° 회전 사본을 더하면 시험 정확도가 0.809 로 내려가고 6 ↔ 9 혼동이 0건에서 21건이 된다 — 레이블을 바꾸는 변환이다.
  7. 이동 강도를 ±2 · ±3픽셀로 키우면 시험 0.825 · 0.793, 이동 시험 0.671 · 0.447 로 함께 떨어진다. 8×8 화소 영상에서 획이 영상 밖으로 밀려 잘린다.
  8. 학습 표본 시드를 2026 ~ 2030 다섯 번 바꿔도 순서는 같다 — 증강 없음 0.884 · 0.173, ±1 이동 0.867 · 0.746(평균).
시험 정확도 — 학습 100장 · 시험 1,797장(시드 2026) 0 0.5 1 0.884 0.149 증강 없음 단계 2 · 3 0.876 0.147 잡음 σ 0.1 단계 5 0.873 0.748 이동 ±1 단계 4 0.841 0.157 좌우 뒤집기 단계 5 0.809 0.168 180° 회전 단계 6 6 ↔ 9 혼동 21건 원래 시험 세트 1픽셀 대각선 이동 시험 세트(운영 조건)

그림 4 · ±1픽셀 이동 증강만 이동 시험 세트 정확도를 0.149 에서 0.748 로 올리고, 잡음은 효과가 없으며, 180° 회전은 원래 시험 세트까지 떨어뜨린다.

이동 증강 강도와 정확도 — 학습 표본 시드 다섯 개 평균 운영 변동 = 1픽셀 0 0.5 1 0.884 0.173 0.867 0.746 0.803 0.677 0.772 0.460 0(없음) ±1 ±2 ±3 이동 증강 강도(픽셀) · 학습 정확도는 모든 강도에서 1.000 획이 8×8 밖으로 위치를 외움 원래 시험 세트 1픽셀 이동 시험 세트 운영 변동 범위

그림 5 · 정확도는 증강 강도가 운영 변동(1픽셀)과 같을 때 가장 높고, 그보다 세면 원래 시험과 이동 시험이 함께 떨어진다.

🔑 증강 강도의 기준은 학습 정확도가 아니라 운영에서 실제로 생기는 변동의 크기다 — 이 사례에서 ±1픽셀은 이동 시험을 0.746 으로 올렸고, ±3픽셀은 학습 정확도 1.000 을 유지한 채 0.460 에 그쳤다.

6비교 — 증강 방식과 합성 데이터

기준기하 · 색 변환가리기 · 섞기자동 정책(RandAugment)합성 데이터
만드는 법표본 한 장에 사람이 고른 변환일부를 가리거나 두 표본을 섞음변환 14종에서 N개를 강도 M 으로생성 모델 · 시뮬레이터가 새 표본을 만듦
레이블원본 그대로Cutout 그대로 · mixup 은 λ 비율로 섞음원본 그대로생성 조건으로 붙임
정할 값변환 목록 · 강도가림 크기 · αN · M 두 값(10² 가지)생성기 · 현실성 검증 기준
공개 결과2계층 MLP 의 MNIST 오류 1.6% → 0.7%(Simard 2003 표 1)CIFAR-10 PreAct ResNet-18 오류 5.6% → 4.2%(Zhang 2018)EfficientNet-B7 ImageNet 84.0% → 85.0%(Cubuk 2019 표 1)따로 토픽 있음
못 하는 것원본에 없는 조건(새 결함 종류)섞은 표본은 사람이 봐도 뜻이 없음영상 연산이라 텍스트 · 표에는 바로 못 씀생성 분포와 실제 분포의 차이

분석운영 변동을 알면 기하 · 색 변환을 그 범위만큼 걸고, 모르면 RandAugment 의 N · M 을 격자 탐색하며, 원본에 없는 조건이 필요할 때만 합성 데이터로 넘어간다. 근거는 표의 「못 하는 것」 행과 사례 5단계(운영 변동과 다른 잡음 사본은 이동 정확도를 0.147 에 묶어 둠)다.

7실무 진단 — 증강 문제의 단계 가르기

분석누수부터 확인하고, 그다음 혼동 쌍 · 강도 · 변환 종류 순으로 본다. 누수가 있으면 검증 점수 자체를 믿을 수 없어 뒤의 비교가 모두 흔들리기 때문이다(그림 3).

#증상의심 원인단계확인 자료판정 기준(근거)
1검증 점수가 운영보다 크게 높음분할 전에 증강해 같은 원본의 사본이 검증에 섞임분할표본마다 원본 ID · 세트별 ID 교집합교집합이 0 이 아니면 누수 — 원본 ID 로 분할한 뒤 학습 세트만 증강(그림 3)
2특정 두 클래스의 혼동만 늘어남변환이 레이블을 바꿈(6 ↔ 9 · 좌우 화살표 · 부정어 삭제)변환 종류증강 전후 혼동 행렬 · 사본 표본 눈으로 확인늘어난 쌍이 그 변환으로 서로 바뀌면 제외(사례 6단계 0 → 21건 · Wei 2019 4.3절)
3원래 시험 정확도가 전반적으로 떨어짐강도가 운영 변동보다 큼변환 강도강도별 검증 정확도(픽셀 · M)강도를 낮출수록 오르면 과다(사례 7단계 · Cubuk 2019 4.1절 격자 탐색)
4운영의 특정 조건(조명 · 각도)에서만 틀림변환 목록이 그 변동을 덮지 못함변환 목록오분류 표본의 조건 집계 ↔ 변환 목록몰린 조건에 맞는 변환이 없으면 추가(사례 4 · 5단계)
5에포크가 느리고 GPU 가 자주 놂온라인 증강이 CPU 병목입력 파이프라인배치 대기 시간 · 데이터 로더 작업자 수대기가 학습 시간보다 길면 작업자 수를 늘리거나 무거운 변환을 GPU 로(Krizhevsky 2012 4.1절)

1행에서 누수가 없음을 확인한 뒤 2행의 혼동 행렬을 본다. 혼동이 특정 쌍에 몰리지 않고 고르게 늘었을 때 3행의 강도를, 강도를 낮춰도 운영 오류가 남을 때 4행의 변환 목록을 본다.

8시험 대비

시험에서는 증강의 정의 · 기법 · 효과를 묻는 정의 · 특징형과, 합성 데이터 · 규제와의 차이를 묻는 비교형이 나올 수 있다. 기법 이름을 나열하기보다 «레이블 보존»과 «운영 변동에 맞춘 강도» 두 원칙을 실제 값으로 보이면 답안이 갈린다.

답안 목차
  1. 개요 — 정의(레이블 보존 변환으로 사본 생성) · 필요성(표본 부족 · 운영 변동) · 합성 데이터와의 경계 한 줄
  2. 구성 — 그림 3 파이프라인(원본 단위 분할 먼저 · 학습 세트만 · 변환 정책 = 종류 · 강도 · 확률)
  3. 데이터 종류별 기법 — 구조 표(영상 · 텍스트 · 센서 시계열 · 표 · 가리기 · 섞기 · 정책 탐색)
  4. 효과 사례 — 그림 4 이동 시험 0.149 → 0.748 · 잡음 0.147 · 180° 회전 6 ↔ 9 혼동 21건
  5. 설계 원칙 — 그림 5 강도 곡선(운영 변동 1픽셀에서 최고) · 레이블 보존 확인 방법
  6. 비교 · 주의 — 기하 변환 · 가리기 · 섞기 · RandAugment · 합성 데이터 비교표 · 누수 방지

꼭 쓸 키워드
레이블 보존 변환불변성온라인 증강변환 강도RandAugmentmixupCutoutEDASMOTE데이터 누수

다른 답안과 차이를 내는 한 가지는 그림 5 의 강도 곡선이다 — 강도가 운영 변동을 넘으면 학습 정확도는 그대로인데 시험 정확도가 떨어지는 모습을 실제 값으로 보인다.

9오해와 사실

  • 오해증강은 세게, 많이 할수록 좋다.
    사실사례에서 이동 강도를 ±1 에서 ±3 픽셀로 키우자 다섯 시드 평균 이동 시험 정확도가 0.746 에서 0.460 으로 떨어졌고, RandAugment 도 강도 M 을 데이터 · 모델 크기에 맞춰 고른다(Cubuk 2019 4.1절).
  • 오해좌우 뒤집기는 어떤 영상에도 안전하다.
    사실숫자 영상에 좌우 뒤집기 사본을 더하면 시험 정확도가 0.884 에서 0.841 로 내려간다 — 글자 · 방향 표지처럼 좌우가 뜻인 대상에는 레이블을 바꾸는 변환이다.
  • 오해공정하게 재려면 검증 · 테스트 세트도 증강해야 한다.
    사실평가 세트에 사본을 섞으면 같은 원본을 두 번 재는 누수가 된다. 시험 때 조각 10개의 예측을 평균하는 방식(Krizhevsky 2012 4.1절)은 예측을 안정시키는 별도 기법이고 평가 표본 수를 늘리지 않는다.

10핵심 정리

구분모델에 가르치는 불변성맞는 운영 변동사례 · 공개 값실패 신호
이동 · 자르기위치카메라 · 물체 위치 어긋남이동 시험 0.149 → 0.748(±1픽셀)강도 과다 시 획 잘림(±3 → 0.447)
색 · 잡음조명 · 센서 잡음조명 세기 · 색온도top-1 오류 1%p 넘게 감소(Krizhevsky 2012)위치 변동에는 효과 없음(0.147)
회전 · 뒤집기방향방향이 뜻이 아닌 대상숫자 180° 회전 6 ↔ 9 혼동 21건특정 클래스 쌍 혼동 증가
가리기 · 섞기일부 가림 · 클래스 사이 매끄러운 경계가림 · 경계 표본CIFAR-10 오류 5.6% → 4.2%(mixup)레이블이 원핫이 아님
자동 정책정책 전체미리 모를 때탐색 공간 10³² → 10²(RandAugment)M 과다
텍스트 EDA단어 선택 · 순서표현 차이학습 50% 로 전체 학습과 같은 정확도(Wei 2019)부정어 삭제 · 뜻 반전
센서 시계열축 방향 · 시간 간격착용 방향 · 동작 속도77.54% → 86.88%(Um 2017)순서가 뜻인 신호
합성 데이터원본에 없는 조건새 결함 · 드문 사고따로 토픽 있음생성 분포 차이

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ ImageNet Classification with Deep Convolutional Neural Networks (NIPS 2012) — 레이블 보존 변환 · 학습 중 CPU 에서 사본을 만드는 온라인 증강의 원형(4.1절)을 볼 때
    NeurIPS · 2012-12 · papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html · 확인 2026-11-12
  3. ★ Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis (ICDAR 2003) — 같은 모델에서 증강 없음 · 아핀 · 탄성 변형의 MNIST 오류 차이(표 1)를 볼 때
    P. Y. Simard · D. Steinkraus · J. C. Platt · IEEE · 2003-08 · www.microsoft.com/en-us/research/publication/best-practices-for-convolutional-neural-networks-applied-to-visual-document-analysis/ · 확인 2026-11-12
  4. ★ RandAugment: Practical automated data augmentation with a reduced search space (arXiv 1909.13719) — 변환 정책을 개수 N · 강도 M 두 값으로 줄인 방법과 탐색 공간 크기(표 1)를 볼 때
    E. D. Cubuk 외 · arXiv · CVPR Workshops 2020 · 2019-09 · arxiv.org/abs/1909.13719 · 확인 2026-11-12
  5. ★ EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks (EMNLP-IJCNLP 2019 · arXiv 1901.11196) — 텍스트 증강 네 연산 · 권장 값(표 3) · 레이블 보존 확인(4.3절)을 볼 때
    J. Wei · K. Zou · arXiv · 2019-01 · arxiv.org/abs/1901.11196 · 확인 2026-11-12
  6. ★ Data Augmentation of Wearable Sensor Data for Parkinson's Disease Monitoring using Convolutional Neural Networks (ICMI 2017 · arXiv 1706.00527) — 센서 시계열에서 변환별 정확도 차이를 볼 때
    T. T. Um 외 · arXiv · 2017-06 · arxiv.org/abs/1706.00527 · 확인 2026-11-12
  7. 본문 근거
  8. AutoAugment: Learning Augmentation Policies from Data (arXiv 1805.09501) — E. D. Cubuk 외 · arXiv · CVPR 2019 · 2018-05 · arxiv.org/abs/1805.09501 · 확인 2026-11-12
  9. Improved Regularization of Convolutional Neural Networks with Cutout (arXiv 1708.04552) — T. DeVries · G. W. Taylor · arXiv · 2017-08 · arxiv.org/abs/1708.04552 · 확인 2026-11-12
  10. mixup: Beyond Empirical Risk Minimization (ICLR 2018 · arXiv 1710.09412) — H. Zhang 외 · arXiv · 2017-10 · arxiv.org/abs/1710.09412 · 확인 2026-11-12
  11. SMOTE: Synthetic Minority Over-sampling Technique (Journal of Artificial Intelligence Research 16 321-357) — N. V. Chawla 외 · JAIR · 2002-06 · doi.org/10.1613/jair.953 · 확인 2026-11-12
  12. Optical Recognition of Handwritten Digits (UCI Machine Learning Repository · DOI 10.24432/C50P49 · CC BY 4.0) — E. Alpaydin · C. Kaynak · UCI · 1998-06 · archive.ics.uci.edu/dataset/80/optical+recognition+of+handwritten+digits · 확인 2026-11-12
  13. Torchvision 0.29 documentation - Transforming and augmenting images · v2.RandAugment — PyTorch Foundation · 2026-11 · docs.pytorch.org/vision/stable/transforms.html · 확인 2026-11-12
  14. NumPy 2.4 Reference - Random Generator (numpy.random.default_rng) — NumPy Developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-12