Please enable JavaScript.
Coggle requires JavaScript to display documents.
인공지능과 학습(1123 조건희) - Coggle Diagram
인공지능과 학습(1123 조건희)
기계학습의 유형과 알고리즘
기계학습:기계 학습은 컴퓨터 시스템이 패턴과 추론에 의존하여 명시적 지시 없이 태스크를 수행하는 데 사용하는 알고리즘과 통계 모델을 개발하는 과학
지도학습:지도학습은 주어진 정답 데이터에 가장 가깝게 접근할 수 있는 학습 방법
강화학습:자율 에이전트의 의사 결정에 초점을 맞춘 일종의 머신 러닝 프로세스
비지도 학습:라벨이 없는 데이터셋을 사용하여 데이터의 구조나 패턴을 학습하는 방법
휘귀:어떤 상황에 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 함수로 표현해 연속적인 수치를 예측하는 기계학습
분류:미리 정의된 여러 범주로 데이터를 구분하기 위한 경계를 학습하여 새로운 입력이 들어오면 여러 범주 중 하나를 선택하는 과정
군집:비지도학습 알고리즘의 일종으로, 데이터가 어떻게 그룹화되어야 하는지 미리 정의하지 않고 컴퓨터가 스스로 찾아내는 방식이다.
기계학습과 데이터
전통적 프로그래밍:사람이 집의 가격을 결정하는 원리나 규칙을 찾아 프로그램을 작성함
전통적 프로그래밍을 이용한 문제 해결 방식은 이러한 자동화 능력을 구현하기 위해 규칙을 프로그래머가 직접 만들고, 규칙을 표현한 알고리즘에 데이터를 입력하면 컴퓨팅 시스템이 알고리즘에 따라 처리한 결과를 출력함.
기계학습:입력된 데이터로부터 규칙을 도출해 가격을 예측하는 프로그램을 만들어 냄
기계학습을 이용하면 컴퓨터는 입력된 데이터 속성들 간의 규칙을 학습해 모델을 생성한 후 새로운 입력 데이터의 결과를 판단하거나 예측한다.
기계학습을 통한 문제 해결 과정
1.훈련 데이터 수집
2.인공지능 학습하기
3.인공지능 모델
4.문제 해결을 위한 새로운 데이터
5.결과(정보)
데이터 선정 및 수집하기
데이터를 이루는 데이터 속성은 기계학습에서 매우 중요한 역할을 한다.데이터를 선정할 때의 고려 사항은 다음과 같다.
정보보호
데이터의 품질
수집 가능성
데이터 수집 비용
문제 적합성
데이터 수집 시 고려 사항
2.편향되지 않은 데이터인가?
3.필요한 속성에 대한 내용을 담고 있는 데이터인가?
1.기계학습을 위해 충분한 양의 데이터인가?
4.신뢰 가능한 최신의 데이터인가?
데이터를 수집하는 다양한 방법
웹크롤링
방문 수집
다양한 센서
인터넷 검색
데이터 전처리와 핵심 속성 추출
데이터 전처리: 결측치와 이상치의 유무를 파악하고 문제 해결에 필요한 속성이 무엇인지 선별한 다음 문제 해결에 적합한 형태로 데이터를 가공하는 과정
결측치:퍼즐이 빠져 있는 것처럼 수집된 데이터에서 비어 있는 값 혹은 누락된 값
이상치:색깔이 다른 한 개의 사과처럼 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값
핵심속성: 문제 해결에 필요한 속성