Please enable JavaScript.

Coggle requires JavaScript to display documents.

2 인공지능과 학습 ( 1519 양인실 ) - Coggle Diagram

- - - - 문제 해결 과정:
        
        ① 데이터 수집 → ② 학습 → ③ 모델 생성 → ④ 적용 → ⑤ 결과 도출
      - 데이터의 질, 양, 공정성, 편향 제거가 매우 중요
      - 기계학습은 데이터로부터 규칙을 학습해 문제를 해결하는 기술
    - - 데이터 수집하기
        
        다양한 방식으로 데이터 수집 및 정리 가능
        
        데이터 수집 방법
        
        API 활용 (공공데이터 포털 등에서 자동 수집)
        
        방문 조사 및 설문
        
        다양한 센서(스마트폰, 웨어러블 등)
        
        웹 크롤링(Web Crawling)
        
        인터넷 검색
        
        데이터 수집 시 고려할 점
        
        신뢰할 수 있는 출처인가?
        
        기계학습에 적합한 형식인가?
        
        충분한 양의 데이터인가?
      - 데이터 선정하기
        
        예시 활동:
        
        적절성 평가: 공공데이터 포털이나 통계청 자료 활용 가능 여부
        
        필요한 데이터: 지역 인구 수, 시간대별 이용객 수 등
        
        문제: 버스 정류장 위치 정하기
        
        데이터 선정 시 고려 사항:
        
        비용과 효율성 고려
        
        데이터 형태: 정형/비정형 데이터 구분
        
        정보 보존: 필요한 정보가 충분히 포함되어 있는가?
        
        수집 가능성: 실제로 수집할 수 있는가?
        
        문제 관련성: 해결하고자 하는 문제와 관련된 데이터인가?
        
        데이터는 문제 해결의 핵심 재료
    - - 예시: Face Depixelizer 사례
        
        편향된 데이터로 인해 잘못된 결과 도출 가능
        
        밝은 피부색으로 자동 변환되는 오류 발생
      - 결과: 기계학습의 정확도와 공정성 저하
      - 의미: 데이터가 한쪽으로 치우침
    - - 데이터 공정성
        
        투명성과 설명 가능성: 처리 과정이 공개되어야 함
        
        데이터 사용의 공정성: 특정 집단에 불리하지 않게 사용
        
        데이터 처리 및 분석의 공정성: 왜곡 없이 분석해야 함
        
        데이터 수집의 공정성: 누구에게서, 어떻게 모았는가
      - 예시: 옷 사이즈 추천 AI
        
        남성 데이터만 있으면 여성 체형에는 부적합 → 편향 발생
        
        키, 몸무게, 팔 길이, 체형 등 다양한 데이터 필요
      - 좋은 데이터의 조건
        
        편향이 없는 공정한 데이터
        
        대표성 있는 데이터
        
        충분한 양과 다양성
    - - 좋은 데이터의 중요성
        
        품질이 낮은 데이터는 오히려 오류를 유발할 수 있음
        
        데이터의 양과 질이 좋을수록 정확한 결과를 얻을 수 있음
      - 결과 확인 → 모델이 도출한 결과 활용
      - 모델 적용 → 새로운 데이터 입력해 문제 해결
      - 인공지능 모델 생성 → 학습된 규칙으로 모델 완성
      - 인공지능 학습하기 → 데이터를 기반으로 규칙 학습
      - 훈련 데이터 수집 → 문제 해결에 필요한 데이터 준비
    - - 기계학습
        
        예시: 집값 관련 데이터(평수, 위치, 방 수 등)를 이용해 예측 모델 생성
        
        사람이 직접 공식을 만들 필요 없음
        
        데이터로부터 규칙을 스스로 학습
      - 전통적 프로그래밍
        
        예시: 집값 계산 공식 → (평수×2.3) + (방 수×1.23) + (학원거리×0.8)
        
        입력값에 규칙을 적용해 결과를 산출
        
        사람이 직접 규칙(공식)을 찾아 프로그램 작성
- - - - 의미: 데이터 분석 전 오류나 불필요한 값을 정리하는 과정
      - 필요성: 깨끗한 데이터를 사용해야 정확한 분석이 가능
      - 결측치 처리
        
        정의: 빠진 데이터 (예: 나이 정보 없음)
        
        처리 방법
        
        삭제 (dropna)
        
        평균값 등으로 대체 (fillna)
      - 이상치 처리
        
        정의: 일반적인 범위를 벗어난 값
        
        확인 방법: 상자그림(Boxplot)
        
        처리 방법: 제거하거나 평균값으로 대체
      - 정규화
        
        정의: 데이터 값의 범위를 일정하게 조정
        
        이유: 알고리즘이 특정 값에 치우치지 않게 하기 위함
    - - 의미: 분석이나 예측에 가장 큰 영향을 주는 속성을 찾는 과정
      - 필요성: 불필요한 속성을 제거해 효율적인 분석 가능
      - 예시
        
        학생 데이터 → 나이, 성별, 학업 태도
        
        행복지수 데이터 → GDP, 사회적 지원, 건강 기대 수명
    - - 히트맵(Heatmap)
        
        변수들 간의 상관관계를 색으로 표시
        
        값이 1에 가까울수록 강한 관계
      - 산점도(Scatter Plot)
        
        두 변수의 관계를 점으로 표현
      - 막대그래프(Bar Chart)
        
        행복 점수가 높은 나라와 낮은 나라 비교
    - - Python / Google Colab
      - pandas → 데이터 불러오기, 결측치/이상치 처리
      - matplotlib / seaborn → 그래프 시각화
      - 예시 코드
        
        import pandas as pd
        
        import seaborn as sns
        
        sns.heatmap(happiness.corr(), cmap=’viridis‘, annot=True)
- - - - 뉴런 구조 모방
      - 구성 요소
        
        입력층
        
        은닉층
        
        출력층
      - 퍼셉트론
        
        가중치
        
        편향
        
        활성화 함수(Sigmoid, ReLU 등)
    - - 심층 신경망
      - 은닉층 다수
      - 장점: 복잡한 문제 해결
      - 단점: 계산량 증가, 과대적합
    - - 순전파(Forward)
      - 오차 역전파(Backpropagation)
      - 손실함수
        
        회귀: MSE, MAE, RMSE
        
        분류: Cross Entropy
      - 최적화
        
        경사 하강법
        
        SGD
        
        Adam
      - 학습률
      - 데이터 분리
        
        훈련 데이터
        
        검증 데이터
        
        테스트 데이터
    - - 컴퓨터 비전(CNN)
        
        이미지 분류
        
        사물 탐지
        
        이미지 분할
      - 자연어 처리·음성 인식(RNN)
        
        음성 → 텍스트(STT)
        
        형태소 분석
        
        의미 분석
        
        기계 번역
        
        감성 분석
    - - 의료
      - 금융
      - 쇼핑 추천
      - 자율주행
      - 농업
      - 콘텐츠 생성(작곡, 그림)