Please enable JavaScript.
Coggle requires JavaScript to display documents.
2.인공지능과 학습 (1509 노유정) - Coggle Diagram
2.인공지능과 학습 (1509 노유정)
01 기계학습과 데이터
-
02 기계학습을 통한 문제 해결 과정
- 훈련 데이터 수집 => 2. 인공지능 학습하기 => 3. 인공지능 모델 => 4. 문제해결을 위한 새로운 데이터 => 5. 결과(정보)
03 문제 해결을 위한 데이터
인공지능을 학습 시키기 위해서는 대용량의 품질 좋은 데이터가 필요하다. 만약 양이 부족하다면 데이터가 편향을 띈다. 그럼으로 충분한 데이터를 수집해 기계학습을 만든다면 문제해결 확률이 높아진다.
01 데이터 선정하기
-
-
정보 보호 : 데이터에 개인 정보, 처작권 침해 등이 있는지 살핀다.
-
-
02 데이터 수집하기
데이터 수집 시 고려 사항 1. 기계학습을 위해 충분한 양의 데이터인가?
- 편향되지 않은 데이터인가?
- 필요한 속성에 대한 내용을 담고 있는 데이터인가?
- 신뢰가 가능한 최신의 데이터인가?
-
-
-
-
-
-
02 데이터 전처리와 핵심 속성 추출
-
01 핵심 속성 이해하기 : 문제 해결에 필요한 속성을 핵심 속성이라고 한다, 단, 해결하고자 하는 문제 상황에 따라 필요한 속성이 달라질 수 있다.
-
03 기계학습의 유형과 알고리즘
지도학습 : 정답을 제공하고 훈련 데이터와 테스트 데이터를 사용한다. 지도학습이 끝난 후에는 회귀, 분류 등의 작업을 할 수 있다.
-
강화학습 : 판단할 때마다 외부 환경에서 보상을 제공하며, 보상 값을 최대화하기 위해 진행한다.
회귀 (예측) : 어떤 현상에 영향을 미칠 수 있는 여어 요인과 특정한 결과 사이의 관계를 함수로 표현해 예측하는 기계학습 , 가설 함수를 찾고 추세선을 그리고 손실함수를 이용해 오차를 최소화한다.
분류 : 여러 범주로 경계를 학습해 여러 범주 중 하나를 선택하는 과정, 데이터가 어떤 클래스에 속하는지를 찾는 것이다. 2개의 클래스로 분류하는 이진 분류와 3개 이상으로 분류하는 다중 분류로 나뉜다.
-