Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습 (1118 이동현) - Coggle Diagram

- - - - 전통적 프로그래밍은 자동화를 위해 규칙을 프로그래머가 직접 만들고, 규칙을 표현한 알고리즘에 데이터를 입력하면 컴퓨팅 시스템이 알고리즘에 따라 처리한 결과를 출력한다,
      - 우리는 컴퓨터가 스스로 학습하고 프로그래밍해 문제를 해결할 수 있으며기계학습 모델도 민들고, 새로운 입력 데이터의 결과를 판단하거나 예측한다.
      - 전통적 프로그래밍: 'A라는 입력에 B라는 규칙을 적용해 Y를 출력한다' 즉, 원리나 규칙을 찾아 프로그램을 작성한다.
        기계학습: A라는 데이터가 입력될 때 결과가 Y가 되는 규칙 B' 즉, 입력된 데이터로부터 규칙을 도출해 예측하는 프로그램
    - - 훈련 데이터: 이를 바탕으로 학습하고, 규칙을 발견해 기계학습 모델을 만든다. 즉, 인공지능에 입력하는 데이터이다.
      - 기계학습 모델: 문제 해결을 위해 사용할 데이터를 적용하면 결과값이 나온다. 즉, 데이터와 기계학습 알고리즘을 이용해 규칙을 찾고 이를 근거로 판단을 내리는 프로그램을 뜻한다.
      - 기계학습으로 해결할 수 있는 문제인지 여부: 훈련 데이터의 양과 질, 활용하는 프로그램의 성능, 앞으로의 기술 발전 양상
    - - 인공지능은 훈련 데이터를 바탕으로 학습하기에 대용량의 품질 좋은 훈련 데이터가 필요하다. 이 밖에도 훈련 데이터가 질이 낮거나, 데이터의 양이 충분하지 않거나, 편향을 띤다면 학습 결과는 좋지 않을 것이다.
      - 데이터가 편향을 띠지 않을려면 개인의 주관이 들어가지 않고, 편향성이 있는지 확인하고, 데이터셋에 어떤 데이터 인지도 함께보관한다.
      - 데이터의 공정성
        
        데이터 수집 과정의 공정성: 데이터가 편향성을 띠지 말아야한다.
        
        데이터 처리 및 분석의 공정성: 분석과 모델도 편향성을 띠지 않고, 불공정한 결과가 나와선 안된다.
        
        데이터 사용의 공정성: 데이터가 활용될 때에도 불필요한 차별이나 편견이 존재해선 안된다.
        
        투명성과 설명 가능성: 데이터를 처리할 때에도 투명하고 설명이 가능해야 한다.
      - 데이터 편향의 영향력: 데이터가 한쪽으로 치우친 성질을 말하는 것
  - - - 데이터를 이루는 데이터 속성은 기계학습에서 매우 중요한 역할을 한다.
      - 기계학습을 위한 데이터를 선정
        
        문제 적합성: 문제와 관련 있는 데이터인지 확인하다.
        
        수집 가능성: 수집할 수 있는 데이터를 선정한다,
        
        정보 보호: 개인 정보 포함, 저작권 침해의 문제 등이 없는지 살펴본다.
        
        데이터의 품질: 데이터 정확성, 신뢰도 떨어지는 데이터는 제외한다.
        
        데이터 수집 비용: 데이터 수집할 때 비용도 고려해야 한다.
    - - 데이터 수집 시 고려 사항
        
        데이터가 충분한가?
        
        데이터가 편향되지 않았는가?
        
        필요한 속성이 담긴 데이터인가?
        
        신뢰가 가능한 데이터인가?
      - 데이터셋: 주제별로 모은 데이터이 집합
      - API: 응용 프로그램 개발에 활용 가능한 인터페이스
      - 데이터를 직접 모으고 싶다면 인터넷 검색, 웹크롤링, 설문 조사, 인터뷰 결과 정리 등이 있다.
- - - - 핵심 속성: 문제 해결에 필요한 속성
    - - 히트맵: 상관관계를 시각화한 그래프
- - - - 지도학습은 입력 데이터와 정답 데이터를 함께 사용하여 기계학습 모델을 학습시키는 방법이다. 학습 결과에서의 오류 여부와 성능을 쉽고 명확하게 평가할 수 있다. 지도학습은 훈련 데이터, 테스트 데이터를 사용한다.
      - 훈려 데이터: 모델을 생성하는 데 활용
      - 테스트 데이터: 모델의 성능을 평가하는 데 활용
    - - 비지도학습은 정답 데이터 없이 입력 데이터만으로 이루어진 훈련 데이터를 사용하여 모델을 학습시키는 방법이다. 데이터를 유사한 속성값을 갖는 그룹으로 묶는다.
  - - - 회귀는 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 함수로 표현해 연속적인 수치를 예측하는 기계학습 방법으로 즉, 새로운 입력값에 대한 수치 결과를 예측하는 것이다.
      - 회귀 모델은 훈련데이터를 기반으로 독립 변수, 종속 변수 사이의 규칙을 파악하고 수식해야 한다.
      - 독립변수: 종속 변수에 영향을 미치는 변수로, 결괏값을 의미한다.
      - 종속변수: 예측하고자 한는 변수로, 입력값을 의미한다.
      - 회쉬 모델은 선형 회귀 알고리즘이 있다.
      - 선형 회귀 알고리즘: 예측값과 실젯값의 오차를 최소화한느 각설 함수를 찾고 최적화하며 학습한다.
      - 추세선을 그릴 때 직선은 y = wx + b로 나타내며 이를 가설 함수라 한다.
      - 손실함수: 예측값 실젯값의 오차를 구하는 것
    - - 분류는 미리 정의된 여러 범주로 데이터 구분하기 위한 경계를 학습하여 새로운 입력이 들어오면 여러 범주 중 하나를 선택하는 과정이다. 분류를 이용한 기계학습은 이진 분류와 다중 분류가 있다.
      - 분류 모델: 로지스틱 회귀, k-쵝근접 아웃 앍고리즘 등이 있다.
    - - 구집은 비지도학습 알고리즘의 일종으로. 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식이다. 데이터의 비슷한 특성을 파악하고 이에 따라 데이터를 그룹으로 묶는 것이다.
      - 군집 모델로는 K-평균 알고리즘으로 군집의 중심을 변경되지 않을 때까지 계속 바꾸어 조정하는 방식이다.