Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습 (1516 변지원) - Coggle Diagram

- - - - 기계학습
        
        입력된 데이터 속성들 간의 규칙을 학습해 모델을 생성한 후 새로운 입력 데이터의 결과를 판단하거나 예측한다.
        
        입력된 데이터로부터 규칙을 도출해 가격을 예측하는 프로그램을 만들어 냄.
        
        기계학습을 통한 문제 해결 과정
        
        1.훈련 데이터 수집
        
        2.인공지능 학습하기
        
        인공지능 모델
        
        결과
        
        문제해결을 위한 새로운 데이터
      - 전통적인 프로그래밍
        
        자동화능력을 구현하기 위해 규칙을 프로그래머가 직접 만들고,
        규칙을 표현한 알고리즘에 데이터를 입력하면 컴퓨팅 시스템이 알고리즘에 따라 처리한 결과를 출력한다.
        
        사람이 집의 가격을 결정하는 원리나 규칙을 찾아 프로그램을 작성함.
      - 문제 해결을 위한 데이터
        
        인공지능은 훈련 데이터를 바탕으로 학습하기 때문에 대용량의 품질 좋은 훈련 데이터가 필요하다.
        
        수집한 훈련 데이터가 편향 되지 않고 공정성을 가져야하는데, 이때 데이터의 공정성이란 데이터 수집, 처리, 사용,공유 과정에서의 공평성과 투명성을 의미한다.
  - - - 데이터를 선정할 때는 수집 가능성, 정보 보호 여부, 데이터의 품질, 데이터 수집 비용등의 요인을 고려해야한다,
    - - 데이터 수집 시 고려사항은 편향의 여부, 신뢰, 최신 여부, 적절한 양, 필요한 속성을 담고있는 지를 고려해야한다.
      - 인터넷 검색, 웹크롤링, 다양한 센서, 방문 수집을 통해 데이터를 수집할 수 있다.
- - - - 결측치 : 퍼즐이 빠져 있는 것처럼 수집된 데이터에서 비어 있는 값 혹은 누락된 값
      - 이상치 : 색깔이 다른 한 개의 사과처럼 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값
    - - 결측치가 있는 행이나 열을 삭제하는 방법과 평균, 중앙값, 최빈값 등을 대푯값으로 결측치를 대체하는 방법으로 결측치를 처리할 수 있다.
        
        결측치가 포함된 행이나 열을 삭제할 때는 데이터의 손실이 크지 않은지, 삭제된 행이나 열이 꼭 필요한 데이터이닞 따져봐야한다.
    - - 정상범위의 기준을 정하고, 데이터를 시각화 하여 속성들의 분포를 살핀다.
  - - - 데이터의 모든 속성은 기계학습에 어떤 영향을 미치는 지 확인해야한다. 문제 해결에 필요한 속성만 선택하여 사용해야 기계학습의 성능을 높일 수 있다.
    - - 히트맵은 상관관계를 시각화한 그래프로 색을 이요해 배열을 나타낸다, 속성 간의 상관간계를 분석한 후 그 값을 히트맵으로 나타낸다.
- - - - 정답을 알려주지 않고 데이터만을 제시하여 학습하는 방법
        
        군집 알고리즘
        
        정답이 주어지지 않기 때문에 컴퓨터는 입력 데이터의 특징을 분석하여 패턴이나 특정 규칙을 찾아내야한다.
    - - 답을 직접 알려주지 않고 컴퓨터가 제시한답안에 대해 보상을 다르게 줌으로써 정답에 가까워지도록 하는 방법
        
        현재 상태에서 선택 가능한 행동들 중 보상이 가장 큰 경우를 선택하여 해당 방향으로 학습을 진행한다.
    - - 데이터를 이용하여 학습할 때 사전에 정답이 있는 데이터를 활용하여 학습하는 것
        
        회귀, 분류
        
        훈련데이터 : 모델을 생성하는 데 활용
        테스트 데이터 : 모델의 성능을 평가하는 데 활용
  - - - 회귀
        
        어떤 현상에 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 함수로 표현해 연속적인 수치를 예측하는 기계학습 방법
      - 분류
        
        미리 정의된 여러 범주로 데이터를 구분하기 위한 경계를 학습하여 새로운 입력이 들어오면 여러 범주중 하나를 선택하는 과정
      - 군집
        
        데이터가 어떻게 그룹화되어야 하는지 미리 정의하지 않고 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식
- - - - 인공신경망과 퍼셉트론
        
        인공신경만은 이간의 신경망 구조를 모방하여 컴퓨터로 처리할 수 있도록 구현한 것이다.
        
        퍼셉트론은 이러한 인공 신경망을 실제로 구현한 연산장치로서, 여러 개의 입력값을 처리하여 하나의 결괏값인 0또는 1을 출력하는 인공신경망의 가장 작은 단위이다,
        
        퍼셉트론은 모든 입력값에 가중치를 곱하여 더한 값에 편향을 더한 후 활성화 함수를 거쳐 0또는 1을 출력한다.
        
        입력층 1개와 출력층 1개로 이루어진 구조를 단층 퍼셉트론이락 한다.
        
        입력층, 은닉층, 출력층의 구조를 갖춘 인공신경망을 다층 퍼셉트론이라고 한다.
      - 딥러닝의 개념
        
        딥러닝은 여러 개의 은닉층을 포함하여 만든 심층 신경망을 통해 학습이 이루어지는 기계학습의 한 방법이다.
        
        해결하고자 하는 문제에 맞게 적절한 층을 설계하는 것이 중요하다.
      - 딥러닝의 학습 원리
        
        딥러닝에서 '학습하다'라는 것은 가중치와 편향을 찾아가는 과정을 의미하며, 학습의 최종 목표는 최적의 가중치와 편향을 찾는 것이다.
        
        딥러닝에서 일정한 임곘값을 넘는지 판단한 후 정보릐 전달 유무를 결정하는 활성화 함수는 시그모이드 함수와 렐루 등이있다.
        
        손실함수란 훈련데이터를 잘 학습했는지 파악하는 함수로, 예측값과 실젯값과의 차이을 구하는 함수이다. 그리고 최적화란 손실함수의값이 최소가 되도록 가중치와 편향을 갱신하는 과정이며, 이는 오차 역전파를 통해 이루어진다.
        
        경사하강법은 기울기가 0이 될때까지 학습을 거듭하여 가중치와 편향을 수정하는 것이다.
  - - - 컴퓨터 비전은 사람이 눈으로 사물을 보고 인식하는 것처럼 컴퓨터의 활용을 통해 정지 영상이나 동영상을 분석하여 의미 있는 정보를 추출하는 기술이다.
        
        ex) 합성곱 신경망 : 합성곱 신경망은 동물의 시각 인지 과정을 모방한 인공신경망 모형 중 하나로, 사물의 탐지 등 이미지 처리에 높은 성능을 보여준다.
        
        합성곱 신경망은 어떠한 형태의 변환 없이 2차원 배열의 입력 데이터를 사용한다.
        이는 합성곱 계층과 풀링 계층으로 구성된다.
      - 음성 인식과 자연어 처리
        
        음성 인식과 자연어 처리는 사람이 사용하는 언어를 컴퓨터가 처리하기 위한 기술을 연구하는 분야다.
        음성 입력-음성인식-자연어 처리-명령 수행 및 상호작용
        
        여기에 사용되는 대표적인 딥러닝 알고리즘은 순환신경망이다
        순환 신경망은 데이터 간의 관계나 순서가 중요한 순차적ㅇ니 데이터를 입력받아 결과를 도출하는 딥러닝 모델이다.
        또한 이전 입력값이 고려된 현재의 입력값에 따라 출력값을 결정힌다.
- - - - 기계학습은 문제 해결에 필요한 핵심 속성을 사람이 추출해야한다. 핵심 속성을 추출하는 과정에 대비하여 딥러닝은 학습 과정에서 데이터의 특성을 스스로 찾기 때문에 핵심 속성을 잘못 추출해 성능이 떨어질 가능성은 없다.
        
        3.딥러닝과 알고리즘 선정하기
        인공신경망 모델 구조 만들기
        인공신경망 학습시키기
        
        성능 평가하기
        모델의 학습 결과를 테스트하기위해 함수로 성능을 확인한다.