Please enable JavaScript.
Coggle requires JavaScript to display documents.
인공지능과 학습(1115 염이루다) - Coggle Diagram
인공지능과 학습(1115 염이루다)
데이터 선정 및 수집하기
인공지능이 어떤 문제를 해결하기 위해서는 문제 해결과 관련 있는 데이터를 학습해 적합한 모델을 생성하는 것이 중요하다. 인공지능 모델의 성능이 좋지 않다면 훈련 데이터를 추가 또는 변경하거나 인공지능 학습 알고리즘을 변경한 후 다시 학습하여 인공지능 모델의 성능을 향상시켜야 한다.
데이터 선정하기
기계학습을 위한 데이터를 선정할 때에는 우리가 해결하고자 하는 문제와 관련 있는 데이터인지 확인해야 한다. 또한 데이터의 수집 가능성, 정보 보호 여부, 데이터의 품질, 데이터 수집 비용 등의 요인을 고려하여 조건에 부합하는 데이터를 선정해야 한다.
-
-
수집 가능성
수집할 방법이 없거나 수집하기 어려운 데이터는 피하고, 수집할 수 있는 데이터를 선정한다.
-
-
데이터 수집하기
데이터 분석가들이 분석을 위해 가공한 데이터들을 데이터 포털 등의 사이트에 업로드하면 그것을 내여받아 활용할 수 있다. 개인이 만들어 공유한 데이터뿐만 아니라 여러 기업이나 공공 기관에서 제공하는 데이터를 활용할 수도 있다. 기업이나 공공 기관에서는 데이터셋을 파일 또는 API형태로 만들어 공공 데이터롤 제공하기도 한다. 이렇듯 제공된 데이터를 활용할 때, 원 저작권을 침해하지 않도록 유의해야 한다.
-
전통적 프로그래밍과 기계학습
기계학습
-
기계학습을 통한 문제 해결 과정
-
문제 해결을 위한 데이터
인공지능은 훈련 데이터를 바탕으로 학습하기 때문에 대용량의 품질 좋은 훈련 데이터가 필요하다. 만약 훈련 데이터의 질이 좋지 않거나 질이 좋더라도 데이터의 양이 충분하지 않으면 기계학습 모델의 성능은 높지 않을 것이다.
예시
체형에 따라 옷의 사이즈를 추천하는 인공지능을 만든다고 가정해 보자. 이를 위해서는 사람들의 성별에 따른 키, 팔과 다리의 길이, 몸무게, 허리둘레,어깨너비, 옷 사이즈 들의 신체적 특성이 필요할 것이다. 다양한 유형의 신체적 특성을 충분히 많이 수집한 훈련 데이터를 이용하여 기계학습 모델을 만든다면 문제를 해결할 가능성이 높다고 할 수 있다.
데이터 공정성
데이터 수집, 처리, 사용, 공유 과정에서 공평성과 투명성을 의미한다. 데이터 공정성은 기계학습및 인공지능 분야에서 올바른 인공지능 활용을 위해 고려해야 하는 중요한 주제 중 하나다.
-
기계학습의 유형과 알고리즘
기계학습은 데이터를 활용하는 방식에 따라 지도학습, 비지도학습, 강화학습으로 구분할 수 있다.
-
-
강화학습:판단할 때만다 외부 환경에서 보상을 제공하고, 이 보상의 값을 최대화하기 위한 방향으로 학습을 진행한다.
-