Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습 (1126 함민재) - Coggle Diagram

- - - - 전통적 프로그래밍: 규칙을 프로그래머가 직접 만들고 알고리즘에 따라 처리한 결과 출력
      - 기계학습: 입력된 데이터 속성들 간의 규칙을 학습해 모델을 생성한후 새로운 입력데이터의 결과를 판단하거나 예측
    - - 인공지능은 훈련데이터를 바탕으로 학습하고 규칙을 발견
      - 학습된 기계학습 모델에 문제 해결을 위해 사용할 데이터 적용하면 결괏값 출력
      - 훈련 데이터 수집
        
        인공지능 학습하기
        3.인공지능 모델
        4.문제 해결을 위한 새로운 데이터
        5.결과 (정보)
      - 현재상태와 목표상태를 알아야하며 문제해결 방향을 명확히 설정할수 있으므로 문제 정의 단계는 매우 중요함
      - 정의한 문제가 해결가능한 문제인지 확인
      - 해결할수있는 문제인지 여부는 훈련데이터의 양과 질, 프로그램의 성능, 기술발전 양상에 따라 달라짐
    - - 인공지능은 대용량의 품질 좋은 훈련 데이터가 필요
      - 질이 좋지 않거나 데이터의 양이 충분하지 않으면 성능이 높지 않을거임
      - 수집한 훈련데이터가 편향을 띄면 학습 결과도 정확지 않음
      - 편향: 한쪽으로 치우치는 성질을 의미,
        균형있게 고려하기 어려운 경우에 발생
      - 데이터 편향을 방지하는 방법
        
        양과 질에 편향성이 포함되어 있지 않은지 확인
        
        데이터셋에 어떤 데이터가 들어 있는지에 대한 정보와 함께 보관
        
        개인의 주관이 들어가지 않은 데이터를 수집
      - 데이터 공정성: 데이터 수집,처리,사용,공유 과정에서의 공평성과 투명성을 의미
        
        데이터 처리 및 분석의 공정성: 편향되거나 불공정한 결과를 도출하면 안된다
        
        데이터 사용의 공정성: 불필요한 차별이나 편견이 존재해서는 안된다
        
        데이터 수집 과정의 공정성: 한쪽으로 치우쳐서는 안된다
        
        투명성과 설명 가능성: 투명하고 설명이 가능해야함
  - - - 데이터 선정시 고려사항
        
        정보 보호: 개인정보를 포함하거나 저작권 침해의 문제가 없는지 살펴본다
        
        데이터의 품질: 정확성이나 제공자의 신뢰도가 떨어지는 데이터는 제외
        
        수집 가능성: 수집할 방법이 없거나 수집하기 어려운 데이터는 피하고, 수집할수있는 데이터 선정
        
        데이터 수집 비용: 비용을 고려하여 선정
        
        문제 적합성: 문제와 관련있는 데이터인지 확인한다
    - - 데이터 수집시 고려사항
        
        충분한 양의 데이터인가
        
        편향되지 않은 데이터인가
        
        필요한 속성에 대한 내용이 있는가
        
        신뢰 가능한 최신의 데이터인가
      - 데이터셋은 주제별로 모은 데이터의 집합
      - 개인이 만들어 공유한 데이터( 민간데이터), 여러기업이나 공공 기관( 공공데이터)에서 제공하는 데이터 활용 가능
      - 파일, API 형태로 만들어 공공 데이터로 제공
        이렇게 제공된 데이터를 사용할때 원저작권을 침해하지 않도록 유의해야함
- - - - 결측치: 빠져있는 것처럼 비어있는 값 혹은 누락된 값
      - 이상치: 지나치게 높거나 낮은 수치의 값
    - - 결측치가 있으면 에러가 발생하거나 잘못된 결과가 산출되어 부정적인 영향을 미칠수있음
      - 행이나 열을 삭제하는 방법과 대푯값으로 결측치를 대체하는 방법이 있음
      - 결측치: 데이터의 값이 비어있거나 누락된 상태
    - - 이상치: 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값
      - 이상치를 처리하기 위해 정상 범위의 기준을 정해야함
  - - - 데이터중 더 이상 분리되지 않는 최소한의 기본 단위
    - - 문제 해결에 필요한 속성만 선택하여 사용해야 기계학습의 성능을 높일수있음
      - 문제 해결에 필요한 속성을 핵심 속성이라함
      - 핵심속성이 부족하면 추가 자료를 수집해야함
    - - 시각화하면 직관적으로 판단 가능
        
        막대그래프, 히스토그램, 원그래프, 산점도, 히트맵
      - 핵심 속성을 추출할때는 히트맵을 주로 사용
        
        히트맵은 상관관계를 시각화한 그래프 핵심속성들을 상관관계로 찾아내기가 쉬워진다
      - 상관관계 분석
        
        상관계수의 값은 절댓값 1에 가까울수록 두 속성 간의 관련성이 높은것
        
        한변수가 증가할때 다른 변수도 증가하면 양의 상관관계,
        한변수가 증가할때 다른 변수는 감소하면 음의 상관관계
      - 산점도 그래프는 점을 찍어 시각화한것
- - - - 회귀,분류 알고리즘
    - - 군집 알고리즘
    - - 입력 데이터와 정답데이터를 함께 사용
      - 오류 여부와 성능을 쉽고 명확하게 평가가능
      - 훈련 데이터와 테스트 데이터를 사용
        
        훈련 데이터는 학습 모델을 만들기 위해 사용
        
        데스트 데이터는 모델의 성능을 평가하기 위해 사용
    - - 정답데이터 없이 입력 데이터만으로 이루어짐
      - 유사한 속성값을 갖는 그룹을 묶는다
      - 입력 데이터의 특징을 분석하여 패턴이나 특정 규칙을 찾아내야한다
      - 숨겨진 새로운 정보를 찾고자 할때 유용하다
    - - 보상을 제공하고 이 보상의 값을 최대화하기 위한 방향으로 학습
      - 현재 상태에서 선택 가능한 행동들 중 보상이 가장 큰 경우를 선택하여 해당 방향으로 학습을 진행함
      - 환경에 대한 명확한 정답이 없는 상황에서 학습하고 적응하는 과정을 따르기 때문에 지능 에이전트의 학습 과정에 유용하게 활용
      - 마케팅 전략 수집등 최적화 문제에 주로 사용
  - - - 회귀는 영향을 미칠수있는 여러 요인과 특정 결과 사이의 관계를 함수로 표현해 연속적인 수치를 예측하는 기계학습 방법
      - 훈련 데이터로 학습한 모델을 사용하여 입력값에 대한 수치 결과를 예측하는 것
      - 독립변수는 주로 입력값을 의미
      - 종속 변수는 주로 결괏값을 의미
      - 선형 회귀 알고리즘
        
        예측값과 실젯값의 오차를 최소화하는 가설함수를 찾고 최적화하며 학습
        
        좌표 평면위의 점들을 가장 알맞게 이어주는 추세선을 그림 직선의 Y=WX +B의 형태로 표현
        
        예측값과 실젯값의 오차를 구하는 손실함수를 이요해 오차를 최소화하면서 예측의 정확도를 높일수있다
    - - 미리 정의된 여러 범주로 데이터를 구부하기 위한 경계를 학습하여 새로운 입력이 들어오면 여러 범주 중 하나를 선택하는 과정 지도학습의 한형태
      - 이진 분류는 주어진 데이터를 2개의 클래스로 분류하는 것,
        다중 분류는 주어진 데이터를 3개 이상의 클래스로 분류하는 것
      - 대표적인 알고리즘: 로지스틱 회귀, K-최근접 이웃 알고리즘
        
        K- 최근접 이웃 알고리즘은 가장 가까이에 있는 K개의 학습 데이터가 가장 많이 속한 그룹을 따라 분류하는 모델
    - - 비지도 학습 알고리즘, 데이터가 어떻게 그룹화되어야 하는지 미리 정의하지않고 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식
      - 서로 유사한 특성을 가진 데이터끼리 그룹화
      - 대표적인 군집 알고리즘: K-평균 알고리즘
        
        임의의 군집 중심으로부터 가까운 거리에 있는 데이터를 같은 군집으로 할당, 군집의 중심을 변경되지 않을때까지 계속 바꾸며 조정하는 방식