Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습(1518 양윤빈) - Coggle Diagram

- - - - 전통적 프로그래밍 : 사람이 원리나 규칙을 찾아 프로그램을 작성함
      - 기계학습 : 입력된 데이터로부터 규칙을 도출해 가격을 예측하는 프로그램을 만들어 냄
    - - 훈련 데이터 수집
        
        인공지능 학습하기
        
        인공지능 모델
        
        문제 해결을 위한 새로운 데이터 적용
        
        결괏값 출력
      - 기계학습을 이용하여 문제를 해결하기 위해서는 문제 상태를 정확히 파악하고 정의할 수 있어야 함. 주어진 상황의 현재 상태와 목표 상태가 무엇인지, 핵심 요소는 무엇인지 정의해야함.
        
        정의한 문제가 기계학습을 통해 해결할 수 있는 문제인지 확인해야 함.이는 훈련 데이터의 양과 질, 활용하는 프로그램의 성능, 앞으로의 기술 발전 양상에 따라 달라짐.
  - - - 데이터 선정 시 고려 사항
        
        문제 적합성 : 해결하고자 하는 문제와 관련 있는 데이터인지 확인
        
        수집 가능성 : 수집할 방법이 없거나 수집하기 어려운 데이터를 피하고, 수집할수 있는 데이터를 선정
        
        정보 보호 : 선정하려는 데이터가 개인 정보를 포함하거나 저작권 침해의 문제가 없는지 살펴본다.
        
        데이터의 품질 : 데이터의 정확성이나 데이터 제공자의 신뢰도가 떨어지는 데이터는 제외
        
        데이터 수집 비용 : 데이터를 수집하는 데 드는 비용을 고려하여 선정
    - - 데이터 수집 시 고려 사항
        
        기계학습을 위해 충분한 양의 데이터인가?
        
        편향되지 않은 데이터인가?
        
        필요한 속성에 대한내용을 담고 있는 데이터인가?
        
        신뢰 가능한 최신의 데이터인가?
      - 데이터셋 : 주제별로 모은 데이터의 집합
        데이터 분석가들이 분석을 위해 가공한 데이터들을 데이터 포털 등 사이트에 업로드, 그것을 내려받아 활용 가능. 제공된 데이터 활용 시 원 저작권을 침해하지 안도록 유의해야 함.
      - 데이터 포털 등에서 원하는 내용을 수집하기 어렵다면, 인터넷 검색 및 웹크롤링, 설문조사, 인터뷰 결과 정리 등 다양한 방식을 통해 직접 데이터 정리 가능. 피지컬 컴퓨팅도구와 컴퓨팅 시스템, 웨어러블 기기 등을 이용해 여러 센서를 통해 값 수집 가능.
  - - - 데이터 수집 과정의 공정성 : 데이터를 수집할 때 한쪽으로 치우쳐서는 안 됨.
      - 데이터 처리 및 분석의 공정성 : 데이터를 처리하고 분석할 때, 분석 방법이나 모델이 편향되거나 불공정한 결과를 도출하면 안 됨
      - 데이터 사용의 공정성 : 데이터는 공정하게 사용되어야 하며, 활용될 때에도 불필요한 차별이나 편견이 존재해서는 안 됨.
      - 투명성과 설명 가능성 : 데이터가 처리되는 과정은 투명하고 설명 가능해야 함
    - - 데이터 편향 : 데이터가 한쪽으로 치우진 성질, 잘못된 학습 결과를 도출해 기계학습의 정확도를 떨어뜨리는 원인
      - 다양한 데이터를 포함하지 않았거나 개인의 주관이 작용한 데이터를 사용하는 경우 등에 데이터 편향이 발생할 수 있음.
- - - - 결측치 : 데이터의 값이 비어 있거나 누락된 상태
        결측치가 있으면 데이터 분석 과정에서 에러 발생, 잘못된 결과가 산출되어 기계학습 모델 성능에 부정적 영향.
        
        결측치 처리 방법: 결측치가 있는 행이나 열 삭제/평균, 중앙값, 최빈값 등 대푯값으로 결측치 대체
    - - 이상치: 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값
        이상치가 데이터에 존재하면 분석 결과가 왜곡될 수 있음
        
        처리하기 위해서는 정상 범위의 기준을 정해야 함. 보편적으로 데이터를 시각호하여 속성들의 분포를 살펴봄.
  - - - 데이터의 모든 속성은 기계학습에 어떤 영향을 미치는지 확인해야 함. 문제 해결에 필요한 속성만 선택하여 사용해야 기계학습의 성능 높일 수 있음. 이때 문제 해결에 필요한 속성이 핵심 속성. 핵심 속성이 부족하다면 추가 자료 수집이 필요.
    - - 데이터 속성 중 기계학습에 필요한 핵심 속성을 찾을 때 데이터를 시각화면 직관적으로 판단 가능. 시각화 시 사용하느 도구 : 막대 그래프, 히스토그램, 원그래프, 산점도, 히트맵
      - 히트맵 : 상관관계를 시각화한 그래프, 색을 이용해 배열을 나타냄. 속성 간 상관관계 분석 후 히트맵으로 나타내면 핵심 속성들을 상관계수로 찾아내기 쉬웢ㅁ.
      - 상관관계 분석
        
        두 속성 간의 관련성을 -1.0 ~ 1.0 사이의 상관계수로 설명하는 분석 방법.
        
        양수는 양의 상관관계, 음수는 음의 상관관계를 의미.
        
        한 변수가 증가할 때 다른 변수도 증가 : 양
        
        한 변수가 증가할 때 다른 변수는 감소 : 음
        
        상관계수의 절댓값에 따른 상관관계 정도 해석
        
        0.0~0.2 상관관계가 거의 없다
        
        0.2~0.4 상관관계가 낮다
        
        0.4~0.6 상관관계가 있다
        
        0.6~0.8 상관관계가 높다
        
        0.8~1.0 상관관계가 매우 높다
        
        두 변수 사이에 상관 관계가 있다고 해서 인과관계를 나타낸다고 추측하면 안됨. 상관관계는 인과관계에 대한 정보 제공 불가능. 명확히 구분해야 함.
- - - - 입력 데이터와 정답 데이터를 함께 사용하여 기계학습 모델을 학습시키는 방법. 입력 데이터와 그 정답에 해당하는 속성 함께 제공되므로 학습 결과에서의 오류 여부와 성능을 쉽고 명확하게 평가 가능.
      - 훈련 데이터와 테스트 데이터를 사용
        훈련 데이터 : 학습 모델을 만들기 위해 사용
        테스트 데이터 : 모델의 성능을 평가하는데 사용
      - 인공지능은 훈련 데이터를 기반으로 지도학습이 끝난후 회귀(예측)와 분류 등의 작업 가능
    - - 정답 데이터 없이 입력 데이터만으로 이루어진 훈련 데이터를 사용하여 모델을 학습시키는 방법. 데이터를 입력하면 컴퓨터는 자체적인 방식으로 데이터를 유사한 속성값을 갖는 그룹으로 묶음. 정답 데이터가 주어지지 않으므로 입력 데이터의 특징을 분석하여 패턴이나 특정 규칙을 컴퓨터가 찾아냄.
    - - 판단할 때마다 외부 환경에서 보상을 제공. 이 보상의 값을 최대화하기 위한 방향으로 학습 진행.
      - 사전에 환경에 대한 명확한 정답 없는 사왕에서 학습하고 적응하는 과정을 따르므로 지능 에이전트의 학습 과정에서 유용하게 활용. 또한 소비 패턴 분석을 통한 마케팅 전략 수립 등의 최적화 문제에 주로 활용
  - - - 어떤 현상에 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 함수로 표현해 연속적인 수치를 예측하는 기계학습 방법
      - 훈련 데이터를 기반으로 독립 변수와 종속 변수사이의 규칙을 파악하여 수식으로 표현, 학습된 규칙에 새로운 입력값을 대입하여 예측값을 얻어냄. 독립 변수는 주로 입력값을 의미, 종속 변수는주로 결괏값을 의미
      - 대표적 알고리즘 : 선형 회귀 알고리즘
        
        데이터를 표현하는 좌표평면 위의점들을 가장 알맞게 이어주는 추세선 그림. 이때 그 직선을 나타내는 함수의 식을 가설 함수라고 함. 예측값과 실젯값의 오차를 구하는 손실 함수를 이용해 오차를 최소화하면서 예측 정확도 높일 수 있음.
    - - 미리 정의된 여러 범주로 데이터를 구분하기 위한 경게를 학습하여 새로운 입력이 들어오면 여러 범주 중 하나를 선택하는과정
        
        이진 분류
        
        주어진 데이터를 2개의 클래스로 분류
        
        다중 분류
        
        주어진 데이터를 3개 이상의 클래스로 분류
      - 대표적 알고리즘 : 로지스틱 회귀, k-최근접 이웃
    - - 데이터가 어떻게 그룹화되어야 하는지 미리 정의하지 않고 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식
- - - - 인공신경망 : 인간의 신경망 구조를 모방하여 컴퓨터로 처리할 수 있도록 구현한 것
      - 퍼셉트론 : 인공신경망을 실제로 구현한 연산 장치, 여러 개의 입력값을 처리하여 하나의 결괏값인 0 또는 1을 출력하는 인공신경망의 가장 작은 단위.
        
        입력층 1개와 출력층 1개로 이루어진 구조 : 단층 퍼셉트론
        
        단층 퍼셉트론은 복잡한 문제를 해결하기 못하는 한계를 드러냄 - 은닉층을 만들게 됨
        
        입력층,은닉층, 출력층의 구조를 갖춘 인공 신경망 : 다층 퍼셉트론
        
        입력층 : 외부로부터 데이터를 입력받는 층
        
        은닉층 : 이전 층에서 받은 값을 계산한 후 다음 층으로 전달하며 학습이 이루어지는 층
        
        출려층 : 은닉층으로부터 데이터를 입력 받아 결괏값을 출력하는 층
        
        퍼셉트론은 뉴런의 수상 돌기와 같이 데이터를 입력 받음. 신경 세포체처럼 입력 받은 데이터를 처리하여 축삭 돌기에서 다른 뉴런으로 전기 신호를 보내듯이 데이터를 출력.
        
        퍼셉트론은 노드 또는 인공 뉴런이라고도 불림
        
        퍼셉트론은 모든 입력값에 가중치를 곱하여 더한 값에 편향을 더한 후 활성화 함수를 거쳐 0 또는 1을 출력한다.
        
        가중치 : 출력값에 미치는 영향을 조정하는 변수, 입력에 대한 가치를 의미
        
        편향 : 측정값 또는 추정량의 분포 중심과 참값과의 편차를 나타내는 것. 활성화 함수를 거쳐 출력되는 값을 조정하는 변수를 말함.
        
        활성화 함수 : 출력할 값을 조정해 주는 함수로 계단 함수, 시그모이드 함수, 렐루 함수 등이 있음
    - - 딥러닝 : 여러 개의 은닉층을 포함하여 만든 심층 신경망을 통해 하습이 이루어지는 기계학습의 한 방법.
        
        심층 신경망은 다수의 은닉층을 통해 복잡하고 많은 데이터를 정교하게 처리 가능.
        
        은닉층의 개수를 늘려 층을 깊게 설계할수록 더 복잡한 문제를 해결할 수 있음. 하지만 층이 깊을수록 계산량이 많아져 학습 시간이 증가. 과대적합 발생 우려. 따라서 해결하고자 하는 문제에 맞게 적절한 층을 설계하는 것이 중요.
        
        과대적합 : 훈련 뎅터의 성능 평가가 테스트 데이터의 성능 평가보다 높은 경우.
    - - 딥러닝에서의 학습 : 가중치와 편향을 찾아는 과정을 의미./학습의 최종 목표 : 최적의 가중치와 편향을 찾는 것
      - 뉴런에서 다른 뉴런으로 전달되는 신호의 세기는 정보 중요도에 따라 달라짐.
        
        중요한 정보 : 높은 가중치를 곱하여 전달/반대의 경우 : 낮은 가중치를 곱하여 소멸
        
        최적의 가중치와 편향이란 손실함수의 최솟값으로 기울기가 0인 지점을 의미.
        
        손실함수 : 훈련 데이터를 잘 학습했는지 파악하는 함수, 예측값과 실젯값과의 차이를 구하는 함수.
        
        예측값과 실젯값이 일치할수록 손실함수의 값을 작아지므로, 손실함수의 값이 작을수록 학습이 잘된 좋은 모델임.
        
        최적화 : 손실함수의 값이 최소가 되도록 가중치와 편향을 갱신하는 과정. 오차 역적파를 통해 이루어짐. 가장 대표적인 방법으로는 경사 하강법이 있음.
        
        오차 역전파 : 순전파의 반대 방향으로 출력층에서 시작하여 거꾸로 거슬러 올라가면서 가중치와 편향을 갱신하는 과정.
        
        경사 하강법 : 무작위로 설정된초기 가중치의 값을 수정하며 아래 방향으로 일정한 거리인 학습률만큼씩 이동. 학습 할 때마다 전체 데이터릐 기울기를 구하여 속도가 느리고 계산량이 많다는 단점 존재.
        
        학습률 : 경사하강법에서 어느정도 이동할지, 가중치를 얼마나 수정할지를 결정. 학습률이 너무 크면 훈련 속도는 빠르지만 최적의 가중치를 건너뛸 수 있음. 학습률이 너무 작으면 훈련 속도가 느려짐. 적절한 학습률 설정이 필요.
        
        경사 하강법의 단점을 보완한 최적화 알고리즘 : 확률적 경사 하강법, 미니 배치 경사 하강법, 모멘텀, 아담
        
        상대적으로 가장 낮은 최저점 : 글로벌/나머지 최저점 : 로컬
        
        원하는 결과가 잘 나오도록 편향을 더하여 약간의 조정을 함.
      - 활성화 함수
        
        딥러닝에서 일정한 임곗값을 넘는지 판단한 후 정보의 전달 유무를 결정. (대표적 활성화 함수 : 시그모이드 함수, 렐루)
        
        시그모이드 함수
        
        S자 곡선을 그리는 함수
        
        출력값 : 0~1
        
        입력값이 커질수록 출력값은 1에 가까워짐. 바대로 입력값이 작아질수록 출력값을 0에 가까워짐.
        
        렐루 함수
        
        입력값이 0보다 크면 입력된 값을 그대로 출력, 입력값이 0 이하면 0을 출력.
      - 검증 데이터
        
        딥러닝 학습 과정 중 학습 단계에 사용되는 데이터인 훈련 데이터의 일부를 검증 데이터로 활용 가능.
        
        검증 데이터는 학습 과정 중간에 모델의 성능을 평가하기 위해 활용됨. 이 과정은 최종 평가 전 모의 평가에 비유 할 수 있음.
  - - - 사람이 눈으로 사물을 보고 인식하는 것처럼 컴퓨터의 활용을 통해 정지 영상이나 동영상을 분석하여 의미 있는 정보를 추출하는 기술. 자율주행 자동차를 구현하는 핵심 기술 중 하나.
      - 대표적 딥러닝 알고리즘 : 합성곱 신경망
        
        동물의 시각 인지 과정을 모방한 인공신경망 모형 중 하나.
        
        심층 신경망과 합성곰 신경망의 특징 비교
        
        심층 신경망 : 2차원 입력 데이터를 1차원 배열의 형태로 변환 2차원 평면에서 갖고 있던 이미지의 생김새 정보를 읽게 됨.
        
        합성곱 신경망 : 형태의 변환 없이 2차원 데이터를 사용. 인간의 뇌가 사물을 구별하듯 생김새의 정보 그대로 사물을 학습.
        
        합섭공 계층과 풀링 계층으로 구성됨. 두 계층을 반복하여 학습 진행하면서 이미지 특성을 추출.
        
        합성곱 계층 : 도장을 찍듯이 필터를 적용하여 이미지 특성을 추출
        
        풀링 계층 : 그 특성을 잘 드러내는 값을 선택하는 과정을 반복하며 이미지를 인식.
    - - 음성 인식과 자연어 처리 시스템의 동작 원리
        
        음성 입력
        
        음성 인식
        
        음성 신호 : 잡음 제거
        
        부호화 : 입력된 데이터를 일정 구간으로 나눠 숫자로 변환
        
        특징 추출 : 숫자에서 특징되는 자음, 모음 드으이 음소를 추출
        
        패턴 비교 : 기존 데이터와 비교 및 맞춤법 점검 등을 통해 텍스트 데이터로 변환
        
        인식
        
        자연어 처리
        
        형태소 분석 : 문장에서 단어를 나누는 단계.
        
        구문 분석 : 형태소 간 의존 관계 파악. 문법적으로 구조가 맞는지 파악
        
        의미 분석 : 개체명 분석, 단어의 중의적 표현 등을 파악하여 문맥상 의미를 파악
        
        담화, 의도 분석 : 대화의 맥락을 이해하고 생략된 의도를 파악
        
        명령 수행 및 상호 작용
      - 대표적 딥러닝 알고리즘 : 순환 신경망
        
        데이터 간의 관계나 순서가 중요한 순차적인 데이터를 입력받아 결과를 도출하는 딥러닝 모델.
        
        데이터의 중간 결과를 기억하는 특징 때문에 순환 신경망은 오른쪽 예시처럼 이전 입력값이 고려된 현재의 입력값에 따라 출력값을 결정.
        
        문장을 모두 읽고 최종적으로 감정을 도출하는 문제에 상당히 적합한 구조.
- - - - 기계학습 : 문제 해결에 필요한 핵심 속성을 사람이 추출. 추출 과정에서 많은 시간 소요. 속성 잘못 추출시 기계학습의 성능 저하.
      - 딥러닝 : 학습 과정에서 데이터의 특성을 스스로 찾음. 핵심 속성을 잘못 추출해 성능이 떨어질 가능성은 없음