Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습(1513 박자연) - Coggle Diagram

- - - - 전통적 프로그래밍은 'A라는 입력에 B라는 규칙을 적용해 Y를 출력한다'는 것을 사람이 작성하는 데 비해, 기계학습은 'A라는 데이터가 입력될 때 결과가 Y가 되는 규칙 B'를 기계가 찾을 수 있도록 학습시킨다.
      - 예시. 전통적 프로그래밍: 사람이 집의 가격을 결정하는 원리나 규칙을 찾아 프로그램을 작성함
        기계학습: 입력된 데이터로부터 규칙을 도출해 가격을 예측하는 프로그램을 만들어 냄
    - - 입력받은 훈련 데이터를 바탕으로 학습하고 규칙을 발견해 기계학습 모델을 만든다. 학습된 기계학습 모델에 문제 해결을 위해 사용할 데이터를 적용하면 결괏값이 출력된다.
      - 기계학습을 이용하여 문제를 해결하기 위해서는 문제 상태를 정확히 파악하고 정의할 수 있어야 한다.
        주어진 상황의 현재 상태, 목표 상태, 핵심 요소 등을 정확히 분석해야 문제 해결 방향을 명확히 설정할 수 있으므로 문제 정의 단계는 매우 중요
      - 기계학습으로 해결할 수 있는 지 여부는 훈련 데이터의 양과 질,활용하는 프로그램의 성능, 앞으로의 기술 발전 양상에 따라 달라질 수 있음
        
        충분한 양과 우수한 품질을 갖춘 데이터가 있는지와 이를 활용해 적합한 모델을 생성할 수 있는지 여부에 따라 기계학습으로 해결할 가능성을 구분할 수 있음
    - - 인공지능은 훈련 데이터를 바탕으로 학습하기 때문에 대용량의 품질 좋은 훈련 데이터가 필요함
      - 훈련 데이터의 질의 상태와 상관없이 데이터의 양이 충분하지 않으면 기계학습 모델의 성능은 높지 않을 것
      - 수집한 훈련 데이터가 편향을 띤다면 이 데이터를 이용한 학습 결과도 정확하지 않을 것
  - - - 우리가 해결하고자 하는 문제와 관련 있는 데이터인지 확인해야 함
      - 데이터의 수집 가능성, 정보 보호 여부, 데이터의 품질, 데이터 수집 비용등의 요인을 고려해야 함
    - - 데이터 수집 시 고려 사항
        
        기계학습을 위해 충분한 양의 데이터인가?
        
        필요한 속성에 대한 내용을 담고 있는 데이터인가?
        
        편향되지 않은 데이터인가?
        
        신뢰 가능한 최신의 데이터인가?
      - 개인이 만들어 공유한 데이터, 여러 기업이나 공공 기관에서 제공하는 데이터를 활용한다.
      - 인터넷 검색 및 웹크롤링, 설문 조사, 인터뷰 결과 정리 등 직접 데이터를 수집할 수 있으며, 피지컬 컴퓨팅 도구와 컴퓨팅 시스템, 웨어러블 기기 등을 이용해 여러 센서를 통해 값을 수집할 수도 있다.
- - - - 결측치가 있으면 데이터를 분석하는 과정에서 에러가 발생하거나 잘못된 결과가 산출되어 기계학습 모델 성능에 부정적인 영향을 미칠 수 있음
      - 결측치 처리 방법
        
        행이나 열 삭제하기
        평균, 중앙값, 최빈값 등의 대푯값으로 결측치 대체하기
    - - 이상치가 존재하면 분석 결과가 왜곡될 수 있음
      - 이상치 처리 방법
        
        정상 범위의 기준 정하기
        
        데이터를 시각화하여 속성들의 분포 살피기
  - - - 문제 해결에 필요한 속성만 선택하여 사용해야 기계학습의 성능을 높일 수 있음
      - 이때 문제에 필요한 속성을 핵심 속성이라고 함
      - 만약 핵심 속성이 부족하다면, 추가 자료를 수집해야 함
- - - - 입력 데이터와 정답 데이터를 함께 사용하여 기계학습 모델을 학습시키는 방법
      - 입력 데이터와 그 정답에 해당하는 속성도 함께 제공되므로 학습 결과에서의 오류 여부와 성능을 쉽고 명확하게 평가할 수 있음
      - 훈련 데이터와 테스트 데이터를 사용함
        
        훈련 데이터는 학습 모델을 만들기 위해 사용되며, 테스트 데이터는 모델의 성능을 평가하기 위해 사용됨
    - - 정답 데이터 없이 입력 데이터반으로 이루어진 훈련 데이터를 사용하여 모델을 학습시키는 방법
      - 데이터를 입력하면 컴퓨터는 저체적인 방식으로 데이터를 유사한 속성값을 갖는 그룹으로 묶음
      - 정답 데이터가 주어지지 않기 때문에 컴퓨터는 입력 데이터의 특징을 분석하여 패턴이자 특정 규칙을 찾아내야 함
    - - 판단할 때마다 외부 환경에서 보상을 제공하고, 이 보상의 값을 최대화하기 위한 방향으로 학습을 진행
      - 현재 상태에서 선택 가능한 행동들 중 보상이 가장 큰 경우를 선택하여 해당 방향으로 학습을 진행
      - 사전에 환경에 대한 명확한 정답이 없는 상황에서 학습하고 적응하는 과정을 따르기 때문에 지능 에이전트의 학습 과정에 유용하게 활용됨
      - 소비 패턴 분석을 통한 마케팅 전략 수립 등 최적화 문제에 주로 사용됨
  - - - 어떤 현상에 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 합수로 표현해 연속적인 수치를 예측하는 기계학습 방법
      - 훈련 데이터로 학습한 모델을 사용하여 새로운 입력값이 대한 수치 결과를 예측하는 것
      - 희귀 모델은 훈련 데이터를 기반으로 독립 변수와 종속 변수 사이의 규칙을 파악하여 수식으로 나타내고, 학습된 규칙에 새로운 입력값을 대입하여 예측값을 얻어내는 모델
      - 독립 변수는 주로 입력값, 종속 변소는 주로 결괏값을 의미함
      - 희귀 모델을 만들 때 사용하는 대표적인 알고리즘: 선형 회귀 알고리즘
    - - 미리 정의된 여러 범주로 데이터를 구성하기 위한 경계를 학습하여 새로운 입력이 들어오면 여러 범주 중 하나를 선택하는 과정
      - 지도학습의 한 형태
      - 데이터가 어떤 클래스에 속하는 지 찾는 것
      - 분류를 이용한 기계학습은 주로 이진 분류와 다중 분류로 나뉨
        
        이진 분류: 주어진 데이터를 2개의 클래스로 분류하는 것
        
        다중 분류: 주어진 데이터를 3개 이상의 클래스로 분류하는 것
      - 분류 모델을 만들 때 사용하는 대표적인 알고리즘: 로지스틱 회귀, k-최근접 이웃 알고리즘
        
        k-최근접 이웃 알고리즘은 새로운 데이터를 분류하기 위해 가장 가까이에 있는 k개의 학습 데이터가 가장 많이 속한 그룹을 따라 분류하는 모델
    - - 비자도학습 알고리즘의 일종으로, 데이터가 어떻게 그룹화되어야 하는지 미리 정의하지 않고 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식
      - 학습 데이터가 정답 데이터를 가지고 있지 않은 경우이므로 입력된 데이터의 특성을 분석하여 서로 유사한 특성을 가진 데이터끼리 그룹화함
      - 데이터의 비슷한 특성을 파악하고 이에 따라 데이터를 그룹으로 묶는 것
      - 군집 모델을 만들 때 사용하는 대표적인 군집 알고리즘: k-평균 알고리즘
        
        임의의 군집 중심으로부터 가까운 거리에 있는 데이터를 같은 군집으로 할당하고, 군집의 중심을 변경되지 않을 때까지 계속 바꾸며 조정하는 방식
- - - - 인공신경망은 인간의 신경망 구조를 모방하여 컴퓨터로 처리할 수 있도록 구현한 것
      - 퍼셉트론은 인공신경망을 실제로 구현한 연산 장치로서, 여러 개의 입력값을 처리하여 하나의 결괏값인 0 또는 1을 출력하는 인공신경망의 가장 작은 단위
        
        퍼셉트론은 모든 입력값에 가중치를 곱하여 더한 값에 편향을 더한 후 활성화 함수를 거쳐 0 또는 1을 출력
      - 입력층 1개와 출력층 1개로 이루어진 구조를 단층 퍼셉트론이라고 함
      - 퍼셉트론은 뉴런의 수상 돌기와 같이 데이터를 입력받고, 신경 세포체처럼 입력받은 데이터를 처리하여 마지막 축삭 돌기에서 다른 뉴런으로 전기 신호를 보내듯이 데이터를 출력함.
        퍼셉트론은 노드 또는 인공 뉴런이라고도 불림
      - 단층 퍼셉트론은 복잡한 문제를 처리하지 못하는 한계가 있어 은닉층을 새로 만듦.
      - 다층 퍼셉트론
        
        입력층, 은닉층, 출력층의 구조를 갖춘 인공신경망
        
        입력층
        
        외부로부터 데이터를 입력받는 층으로, 입력 데이터를 받아들여 다음 은닉층으로 값을 보냄
        
        은닉층
        
        입력층과 출력층 사이에 새롭게 추가된 층
        이전 층에서 받은 값을 계산한 후 다음 층으로 전달하며 학습이 이루어지는 층
        
        출력층
        
        은닉층으로부터 데이터를 입력받아 결괏값을 출력
    - - 여러 개의 은닉층을 포함하여 만든 심층 신경망을 통해 학습이 이루어지는 기계학습법
      - 다수의 은닉층을 통해 복잡하고 많은 데이터를 정교하게 처리
      - 입력층에서 은닉층을 거쳐 출력층으로 연속적인 연산이 이루어짐
      - 은닉층의 개수를 늘려 층을 깊게 설계할수록 더 복잡한 문제를 해결할 수 있지만, 층이 깊을수록 계산량이 많아져 학습 시간이 오래 걸리고, 과대적합이 발생할 수 있음
    - - 딥러닝에서 학습하는 것은 가중치와 편향을 찾아가는 과정을 의미, 학습의 최종 목표는 최적의 가중치와 편향을 찾는 것
      - 뉴런에서 다른 뉴런으로 전달되는 신호의 세기는 정보이 중요도에 따름
        중요한 정보는 높은 가중치를 곱하여 전달하고, 반대의 경우는 낮은 가중치를 곱하여 소멸시킴
      - 원하는 결과가 잘 나오도록 편향을 더하여 약간의 조정을 함
        최적의 가중치와 편향이란 손실함수의 최솟값으로 기울기가 0이 지점
      - 활성화 함수
        
        딥러닝에서 일정한 임곗값을 넘는지 판단 후 정보의 전달유무 결정
      - 손실함수
        
        훈련 데이터를 잘 학습했는지 파악하는 함수
        예측값과 실젯값과의 차지를 구하는 함수
        
        예측값과 실젯값이 일치할수록 손실함수의 값은 작아지므로, 손실함수의 값이 작을수록 학습이 잘된 좋은 모델
        
        최적화란 손실함수의 값이 최소가 되도록 가중치와 편향을 갱신하는 과정, 오차 역전파를 통해 이루어짐
        
        대표적인 최적화 방법: 경사 하강법
        
        무작위로 설정된 초기 가중치의 값을 수정하며 아래 방향으로 일정 거리인 학습률 만큼씩 이동.
        기울기가 0이 될 때까지 학습을 거듭하여 가중치화 편향을 수정하는 것
        
        학습할 때마다 전체 데이터의 기울기를 구하여 속도가 느리고 계산량이 많다는 단점이 있음
        
        단점을 보완하여 속도가 빠르고 더 좋은 성능을 보여 주는 확률적 경사 하강법, 미니 배치 경사 하강법, 모멘텀, 아담 등
      - 검증 데이터
        
        학습 단계에 사용되는 데이터를 훈련 데이터, 평가 단계에서 사용되는 데이터를 테스트 데이터
        
        훈련 데이터의 일부를 검증 데이터로 활용 가능
        
        검증 데이터를 학습하는 중간에 모델의 성능을 평가하기 위해 활용됨
  - - - 컴퓨터 비전
        
        사람이 눈으로 사물을 보고 인식하는 것처럼 컴퓨터의 활용을 통해 정지 영상이나 동영상을 분석하여 의미 있는 정보를 추출하는 기술
        
        다양한 산업에서 활용되고 자율주행 자동차를 구현하는 핵심 기술 중 하나
        
        컴퓨터 비전 분야의 대표적인 딥러닝 알고리즘으로는 합성곱 신경망.
        동물의 시각 인지 과정을 모방한 인공신경망 모형 중 하나로 사물의 탐지 등 이미지 처리에 높은 성능을 보임
        
        심층 신경망
        
        2차원의 입력 데이터를 1차원 배열의 형태로 변환
        
        2차원 평면에서 갖고 있던 이미지의 생김새 정보를 잃음
        
        합성곱 신경망
        
        형태의 변환 없이 2차원의 데이터 사용
        
        인간의 뇌가 사물을 구별하듯 생김새의 정보 그대로 사물 학습
        
        합성곱 계층과 폴링 계층으로 구성
        
        두 계층을 반복하여 학습을 진행하며 이미지의 특성 추출
        
        합성곱 계층에서는 도장 찍듯 필터를 적용하며 이미지의 특성 추출이 끝나면 풀린 계층에서 그 특성을 잘 드러내는 값을 선택하는 과정 반복
      - 음성 인식과 자연어 처리
        
        사람이 사용하는 언어를 컴퓨터가 처리하기 위한 기술을 연구하는 분야
        
        자연어 처리 기술, 소리 보정 기술, 음성을 텍스트로 변환하는 기술 등
        
        음성 입력을 하면 음성을 인식하고 자연어를 처리하고 명령 수행 및 상호 작용을 함
        
        순환 신경망
        
        데이터 간의 관계나 순서가 중요한 순차적인 데이터를 입력받아 결과를 도출하는 딥러닝 모델
        
        심층 신경망과 유사
        
        데이터의 중간 결과를 기억할 수 있음
        
        문장을 모두 읽고 최종적으로 감정을 도출하는 문제에 상당히 적합한 구조
- - - - (1) 1차원 배열로 변환하기
      - (2) 데이터 정규화하기
        
        데이터의 숫자가 크면 상대적으로 다른 속성보다 중요하다고 인식되어 분석에 큰 영향을 미칠 수 있음
      - (3) 원-핫 인코딩하기
        
        범주형 데이터로 인해 인공신경망의 각 층에서 오류가 발생하지 않도록 연산이 가능한 숫자 데이터로 변환
  - - - 문제 해결에 필요한 핵심 속성을 사람이 추출해야 함
      - 핵심 속성을 추출하는 데 많은 시간이 소요되며, 잘못 추출하면 기계학습의 성능이 떨어짐
    - - 학습 과정에서 데이터의 특성을 스스로 찾으므로 핵심 속성을 잘못 추출해 성능이 떨어질 가능성 없음