Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습(1210 박요엘) - Coggle Diagram

- - - - 전통적 프로그래밍: 알고리즘(규칙) 만들기
      - 기계학습: 컴퓨터 스스로 입력된 데이터 속성들 간의 규칙 학습 --> 기계학습 모델 생성 --> 결과 판단 예측
    - - 문제 해결: 새로운 데이터 --> 인공지능 모델 --> 결과
      - 모델 생성: 훈련 데이터 수집 --> 인공지능 학습(규칙 발견) --> 인공지능 모델
  - - - 정보 보호
      - 데이터의 품질
      - 수집 가능성
      - 데이터 수집 비용
      - 문제 적합성
    - - 고려 사항
        
        기계학습을 위해 충분한 양의 데이터인가?
        
        편향되지 않은 데이터인가?
        
        필요한 속성에 대한 내용을 담고 있는 데이터인가?
        
        신뢰 가능한 최신의 데이터인가?
      - 수집 방법
        
        인터넷 검색
        
        웹크롤링
        
        다양한 센서
        
        방문 수집
- - - - 결측치: 데이터 값이 비어 있거나 누락된 상태, 모델 성능에 부정적 영향을 미칠 수 있음(에러, 잘못된 결과)
      - 처리 방법
        
        삭제
        
        대체(with 대표값)
    - - 이상치: 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값
  - - - 핵심 속성: 문제 해결에 필요한 속성
    - - 히트맵: 상관관계(by. 상관계수)를 시각화한 그래프, 색을 이용해 배열을 나타냄
      - 산점도 그래프: 두 변수간의 관계를 좌표평면 위에 나타냄
      - 막대 그래프: 데이터 속성 분포 파악하는데 적합
- - - - 인공신경망: 인간의 신경망 구조 모방하여 컴퓨터로 구현한 것
      - 퍼셉트론: 인공신경망을 실제로 구현한 연산 장치, 인공신경망의 최소 단위, 모든 입력값에 가중치와 편향을 더한 후 활성화 함수를 거쳐 0과 1 출력
        
        단층 퍼셉트론: 입력층 1개와 출력층 1개로 이루어진 구조
        
        연산 과정
        
        데이터 입력(수상 돌기)
        
        데이터 처리(신경 세포체)
        
        데이터 출력(축삭 돌기)
        
        다층 퍼셉트론: 입력층, 은닉층, 출력층의 구조를 갖춘 인공신경망
    - - 딥러닝: 여러 개의 은닉층을 포함한 심층 신경망을 이용한 기계학습의 한 종류, 은닉층이 많을 수록 복잡한 문제 해결 가능, BUT 시간 오래 걸림, 과대적합 발생 위험
    - - 학습: 최적의 가중치와 편향을 찾는 과정 --> 손실 함수의 최소값(= 기울기 0)
        
        활성화 함수: 일정 임곗값을 넘는지 판단 후 정보 전달 유무 결정
        
        시그모이드: S자 곡선 함수, 0과 1 사이의 값 출력(입력값은 출력값에 비례)
        
        렐루: 임력값이 0보다 크면 입력값 그대로 출력, 입력값이 음수면 0 출력
        
        손실함수: 훈련 데이터를 잘 학습했는지 파악하는 함수, 예측값과 실젯값이 일치할수록 값이 작아짐
        
        최적화: 오차 역전파를 사용해 손실함수의 값이 최소가 되도록 가중치와 편향을 갱신하는 과정
        
        경사 하강법: 무작위로 설정된 초기 가중치의 값을 수정하여 기울기가 0이 될 때까지 학습률 만큼씩 이동, 속도가 느리고 계산량이 많음
        
        보완: 확률적 경사 하강법, 미니 배치 경사 하강법, 모멘템, 아담 등
  - - - 합성곱 신경망: 동물의 시각 인지 과정을 모방한 인공신경망 모형, 사물의 탐지 등 이미지 처리에 높은 성능