Please enable JavaScript.
Coggle requires JavaScript to display documents.
2.인공지능과 학습(1201 강명구) - Coggle Diagram
2.인공지능과 학습(1201 강명구)
01기계학습과 데이터
1.기계학습과 문제 해결
전통적 프로그래밍과 기계학습
우리는 일상생활에서 다양한 문제 상황을 겪으며 이를 해결하기 위해 여러 가지 방법을 사용한다.그중 컴퓨터는 빠르고 정확한 계산 능력을 바탕으로,정해진 규칙대로 수행하는 자동화 능력을 이용해 문제를 해결한다.
기계학습을 통한 문제 해결 과정
기계학습을 이용하여 문제를 해결하는 과정은 다음과 같다.우선 인공지능은 입력받은 훈련 데이터(training data)를 바탕으로 학습하고 규칙을 발견해 기계학습 모델을 만든다. 학습된 기계학습 모델에 문제 해결을 위해 사용할 데이터를 적용하면 결괏값이 출력된다.
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 양이충분하지 않으면 기계학습 모델의 성능은 높지 않을 것 이다.
2.데이터 서정 및 수집하기
데이터 선정하기
데이터를 이루는 데이터 속성은 기계학습에서 매우 중요한 역할을 한다.데이터를 선정할 때의 고려 사항은 다음과 같다.문제 적합성,수집 가능성,정보 보호,데이터의 품질
데이터 수집하기
문제 해결을 위한 데이터를 수집하기 위해서는 다음 사항을 고려해야 한다.
1.기계학습을 위해 충분한 양의 데이터인가?
2.편향되지 않은 데이터인가?
3.필요한 속성에 대한 내용을 담고있는 데이터인가?
4.신뢰가능한 최신의 데이터인가?
-
03기계학습의 유형과 알고리즘
기계 학습의 유형
-
-
기ㅖ학습은 데이터를 활용하는 방식에 따라 지도학습,비지도 학습,강화학습으로 구분할 수 있다.
강화학습
강화학습은 판단 할 때마다 외부환경에서 보상으로 제공하고, 이 보상의 최대화하기 위한방향으로 학습을 진행한다.
기계 학습 알고리즘의 이해
-
분류
분류는 미리 정의 된 여러범주로 데이터를 구분하기 위한 경계를 학습하여 세로운입력이 들어오면 여러 범주 중 하나를 선택하는 과정으로, 지도학습의 한 형태이다.
-
군집
군집은 비지도 학습 알고리즘의 일종으로, 데이터가 어떻게 그룹화되어야 하는지 미리 정의하지 안호 컴퓨터가 데이터 패텬을 스슬 찾아내는 방식이다.
02데이터 전처리와 핵심 속성 추출
1데이터 전처리하기
기계 학습에 사용할 데이터를 선정하고 수집한 후에는 데이터 전처리 과정이 필요하다. 데이터 전처리란 결측치와 이상치의 유무를 파악하고 문제 해결에 필요한 속성이 무엇인지 선별한 다음 문제 해결에 적합한 형태로 데이터를 가공하는 과정을 말한다.
결측치 처리하기
결측치란 데이터의 값이 비어 있거나 누락된 상태를 뜻한다. 결측치가 있으면 데이터를 분석하는 과정에서 에러가 발생하거나 잘못된 결과가 산출되어 기계학습 모델 성능에 부정적인 영향을 미칠 수 있다.
이상치 처리하기
사람의 키 속성에서 200cm 이상의 값은 존재할 수 있지만,이는 매우 드문 경우로 이상치로 간주될 수 있다. 이처럼 이상치란 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값을 말한다.
2핵심 속성 추출하기
-
히트맵으로 핵심 속성 추출하기
데이터의 속성 중에서 기계학습에 필요한 핵심 속성을 찾는 과정이 필요하다.이떄 데이터를 시각화 하면 어떤 속성이 문제 해결에 필요하다. 이때 데이터를 시각화 하면 어떤 속성이 문제 해결에 필요한지 직관적으로 판단할 수 있으며,속성 간의 관계를 쉽게 파악할 수 있다.시각화할 때 사용하는 도구에는 막대그래프,히스토그램,원그래프,산점도 등이 있다.
데이터는 관찰이나 실험을 통해 수집되는 값들을 의미하며,하나의 데이터는 여러개의 속성 으로 구성되어 있다. 데이터 속성이란 데이터를 설명하는 특징이나 성질을 말한다.
1.인공신경망과 딥러닝
01 인공신경망과 퍼셉트론
인공신경망은 인간의 신경망 구조를 모방하여 컴퓨터로 처리할 수 있도록 구현한 것이다. 퍼셉트론은 이러한 인공신경망을 실제로 구현한 연산 장치로서,여러 개의 입력값을 처리하여 하나의 결괏값인 0또는1을 출력하는 인공신경망의 가장 작은 단위이다.
02 딥러닝의 개념
딥러닝은 여러 개의 은닉층을 포함하여 만든 심층 신경망을 통해 학습이 이루어지는 기계학습의 한 방법이다. 층이'깊다'는 의미의 심층 신경망은 다수의 은닉층을 통해 복잡하고 연속적인 연산이 이루어진다.
03 딥러닝의 학습 원리
딥러닝은 입력받은 데이터를 학습하기 위해 어떠한 원리로 동작할까? 딥러닝에서 '학습하다' 라는 것은 가중치와 편향을 찾아가는과정을 의미하며, 학습의 최종 목표는 최적의 가중치와 편향을 찾는 것이다.
인간의 뇌는 약 100억개의 뉴런으로 이루어진 거대한 생물학적 네트워크로서, 뉴런은 다른 뉴런으로부터 신호를 받아 또 다른 뉴런에 전달한다. 이러한 뉴런의 전달 방식을 모방하면, 인간의 지능을 구현할 수 있지 않을까?라는 아이디어에서 인공신경망 연구가 시작되었다.
2 딥러닝의 활용 분야
01 컴퓨터 비전
컴퓨터 비전은 사람이 눈으로 사물을 보고 인식하는 것처럼 컴퓨터의 활용을 통해 정지 영상이나 동영상을 분석하여 의미 있는 정보를 추출하는 기술이다. 컴퓨터 비전은 의료,금융,쇼핑 등의 다양한 산업에서 활용되는 것은 물론,자율주행 자동차를 구현하는 핵심 기술 중 하나다.
02 음성 인식과 자연어 처리
음성 인식과 자연어 처리는 사람이 사용하는 언어를 컴퓨터가 처리하기 위한 기술을 연구하는 분야다. 음성은 인간과 인공지능과의 상호 작용에 있어 가장 보편적이고 편리한 정보 전달 수단이기 때문에 음성 인식 기술은 매우 중요한 분야로 연구가 활발히 이루어지고 있다.
딥러닝은 많은 계산량과 대량의 데이터가 필요하지만 데이터 처리 기술의 발전과 컴퓨터 하드웨어의 발달로 인해 다양한 학문 분야 및 응용 분야에서 활용되는 사례가 늘고 있다. 특히 비정형 데이터를 다룰 떄 좋은 성능을 내고 있으며, 기존의 기ㅖ 학습 알고리즘으로 다루기 어려웠던분야에서 사용되면서 빠르게 발전하고 있다.
-