Please enable JavaScript.
Coggle requires JavaScript to display documents.
인공지능과 학습
(1209 박건우) - Coggle Diagram
기계학습과 데이터
우리는 컴퓨터가 데이터를 통해 스스로 학습하고 기계학습 모델을 만들도록 프로그래밍해 문제를 해결할 수도 있다 기계학습을 이용하면 컴퓨터는 입력된 데이터 속성들간의 규칙을 학습해 모델을 생성후 판단하거나 예측한다
기계학습을 통한 문제해결과정 기계학습을 이용하여 인공지능에 훈련 데이터를 바탕으로 학습하고 규칙을 발견해 기계학습 모델을 만든다 학습된 기계학습 모델에 문제 해결을 위해 사용할 데이터를 정용하면 결괏값이 출력된다
-
데이터 선정하기 데이터를 이루는 데이터 속성은 기계 학습에서 매우 중요한 역할을 한다 기계 학습을 위한 데이터를 선정 할 때는 우리가 해결하고자 하는 문제와 관련 있는 데이터인지 확인 해야 한다
데이터 수집 시 고려 사항
- 기계 학습을 위해 충분한 양의 데이터인가?
- 편향되지 않은 데이터인가?
- 필요한 속성에 대한 내용을 담고 있는 데이터인가?
- 신뢰 가능한 최신의 데이터인가?
-
데이터 전 처리와 핵심 추출
-
데이터 전 처리 하기
기계 학습에 사용할 데이터를 선정하고 수집한 후에는 데이터 전 처리가 필요하다 데이터 전 처리한 결측치와 이상치의 유무를 판단하고 문제 해결에 필요한 속성이 무엇인지 선별한 다음 문제 해결에 적합한 형태로 데이터를 가공하는 과정을 말한다
결측치 처리하기
결측 치란 데이터의 값이 비어있거나 누락한 상태를 말한다 결측 치가 있으면 데이터를 분석하는 과정에서 에러가 발생할 수도 있고 잘못된 결과가 산출되어 기계 학습 모델 성능에 부정적인 영향이 끼칠 수 있다 결측 치를 처리하는 방법은 결측 치가 있는 행이나 열을 삭제하는 방법과 대푯값으로 결측 치를 대신하는 방법이 있다
-
기계 학습의 유형과 알고리즘
-
-
기계 학습의 유형
기계 학습은 데이터를 활용하는 방식에 따라 지도 학습,비지도 학습,강화 학습 등이 있다
-
강화 학습: 답을 직접 알려주지 않고 컴퓨터가 제시한 답안에 대해 보상을 다르게 줌으로써 정답에 가까워 지도록 하는 방법으로 행동을 할 때마다 외부 환경에서 주어지는 보상이 최대치가 되도록 학습한다
-
-
손실 함수의 의미: 훈련 데이터를 잘 학습했는지 파악하는 함수로 예측 값과 실젯 값과의 차이를 구하는 함수다 예측 값과 실젯 값이 일치할수록 손실 함수의 값은 작아지므로 손실 함수의 값이 작을수록 학습이 잘된 모델이다
-
-