Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습(1425 최송희) - Coggle Diagram

- - - - 데이터 전처리 사용시
        분석 결과의 왜곡or 성능 저하 장지
    - - 처리 방법
        
        결측치가 있는 행이나 열을 삭제하는 방법
        
        모두 삭제 할 시 데이터 셋의 대부분이 사라져 데이터 분석 시 좋은 결과를 얻기 힘듦
        
        중앙값, 최빈값, 등의 대푯값으로 결측치를 대체하는방법
      - 결측치- 데이터의 값이 비어있거나 누락된 상태
        결측치가 있으면 데이터 분석 과정 중 에러 발생, 잘못된 결과가 산출
    - - 이상치- 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값
        이상치가 존재하면 분석 결과가 왜곡될 가능이 있으므로 적절히 처리
      - 처리 방법
        
        정상 범위 기준 정하기
        
        데이터가 충분하다면
        이상치를 포함한 모든 행 삭제
        
        충분하지 않다면
        적합한값으로 대체
    - - 이해하기
        
        문제 해결에 필요한 속성만 선택해 시용해야 기계학습의 성능을 높일 수있다
        
        핵심 속성- 문제 해결에 필요한 속성
        부족하다면 추가 자료를 수집해야한다
      - 히트맵으로 핵심 속성 추출하기
        
        데이터를 시각화하면 어떤 속성이 문제 해결에 필요한지 직관적으로 판단
        가능, 속성간으, 관계 쉽게 파악
        
        막대 그래프, 히스토그램, 원그래프, 산점도, 히트맵 등
        주로 하트맵
        
        히트맵- 상관 관계를 시각화함 그래프, 색을 이용하여 배열
        해결하고자하는 문제와 관련 깊은 핵심 속성들을 상관 계수 찾기 쉬워짐
        
        상관 관계 분석
        양수는 양의 상관 관계
        음수는 음의 상관 관계
        상관 계수의 갑이 절댓값 1에 가까울수록 도 속성갘의 관련성이 높다
        
        산점도 그래프
        두 변수 간의 관계를 나타내기 의해 x축의 값과 y 축의 값이 교차되는 지점에 점을 찍어 시각화한것
- - - - 문제 상태 정확히 파악 정의 가능
      - 핵심 요소 파악 및 분석
      - 해결 가능 문제인지 확인
        
        여부- 훈련 데이터의 양과 질(충분한 양과 우수한 품질)
        활용하는 프로그램 성능
        
        기계학습으로 해결 가능성이 높은 문제와 그렇지 않은 문제
        
        문제
        
        우수한 품질의 데이터가 충분히 있는가?
        
        예
        
        1 more item...
        
        아니오
    - - 모델 생성, 해결 가능성 X
        
        훈련 데이터 양이 너무 적을 때
        
        양이 충분하더라도 분석하기 적합한 속성이 부족할때
        
        한쪽으로만 치우쳐져 있을 때
        
        편향 방지 하는 방법
        
        개인의 주관이 들어가지 않은 데이터 수집
        
        데이터의 양과 질에 편향성이 포함되지 않은 지 확인
        
        데이터 셋에 어떤 데이터가 들어있는지에 대한 정보를 함께 보관
- - - - 데이터를 이용하여 학습할 때 사전에 정답이 있는 데이터를 활용하여 학습하는 것
        
        입력 데이터와 정답 데이터를 함께 사용하여 기계학습 모델을 학습시키는 방법
        장점- 학습 결과의 오류 여부와 성능을 쉽고 정확하게 평가할 수 있음
        
        훈련 데이터- 모델을 생성하는데 활용
        
        테스트 데이터- 모델의 성능을 평가하는데 활용
    - - 정답을 알려주지 않고 데이터만을 제시하여 학습하는 방법
        
        정답 데이터 없이 입력 데이터만으로 이루어진 훈련 데이터를 사용하여 모델을 학습시키는 방법
        
        데이터를 입력하면 컴퓨터는 자체적인 방식으로 데이터를 유사한 속성값을 갖는 그룹으로 묶는다. 정답 데이터가 주어지지않기 때문에 컴퓨터는 입력데이터의 특징을 분석하여 패턴이나 특정규칙을 찾아내야 한다
    - - 답을 직접 알려주지 않고 컴퓨터가 제시한 답안에 대해 보상을 다르게 줌으로써 정답에 가까워지도록 하는 방법
        
        판단할 때마다 외부 환경에서 보상을 제공하고, 이 보상의 값을 최대화하기 위한 방향으로 학습을 진행
        
        강화학습은 사전에 환경에 대한 정확한 정답이 없는 상황에서 학습하고 적응하는 과정을 따르기 때 문에 지능 에이전트의 학습 과정에 유용하게 활용, 또한 소비 패턴 분석을 통한 마케팅 전략 수집 등의 최적화 문제에 주로 활용
    - - 학습 유형- 지도 학습(회귀, 분류 알고리즘)
        
        회귀
        
        어떤 현상에 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 데이터로 함수로 표현해 연속적업 수치를 예측하는 기계학습 방법
        즉, 훈련 데이터로는 학습한 모델을 사용하여 새로운 입력값에 대한 수치 결과를 예측하는 것
        
        회귀 모델
        
        독립 변수와 종속 변수 사이의 규칙을 파악하여 수식으로 나타내고, 학습된 규칙에 새로운 입력값을 대입하여 예측값을 얻어내는 모델
        
        독립 변수- 입력값
        
        종속 변수- 결과값
        
        대표적인 알고리즘- 선형 회귀 알고리즘
        
        예측값과 실제값의 오차를 최소화하는 가설함스를 찾고 최적화하며 학습 진행
        
        1 more item...
        
        분류
        
        분류는 미리 정의된 여러 범주로 데이터를 구분하기 위한 경계를 학습하여 새로 입력이 들어오면 여러 범주 중 하나를 선택하는 과정
        데이터가 어떤 클래스에 속하는지를 찾는 것
        
        이진 분류
        
        주어진 데이터를 2개의 클래스로 분류하는것
        
        다중 분류
        
        주어진 데이터를 3개 이상의 클래스로 분류하는것
        
        대표적인 알고리즘- 로지스틱 회귀, k- 최근접 이웃 알고리즘
        
        k- 최근접 이웃 알고리즘
        
        새로운 데이터를 분류하기 의해 가장가까이에 있는 k 개의 학습 데이터가 가장 많이 속한 그룹을 따라 분류하는 모델
        K값에 따라 분류하는 결과가 달라질 수 있음
      - 비지도 학습(군집 알고리즘)
        
        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 그룹화한다.
        
        k -평균 알고리즘이
        
        임의의 군집 중심으로부터 가까운 거리에 있는 데이터를 같은 군집으로 할당하고, 군집의 중심을 변경되지 않을 때까지 계속 바꾸며 조정하는 방식으로 군집을 형성
- - - - 인간의 신경망 구조를 모방하여 컴퓨터로 처리할 수 있도록 구현한 것
    - - 이러한 인공신경망을 실제로 구현한 연산 장치로서. 여러 개의 입력값을 처리하여 하나의 결과값인 0 또는 1을 출력하는 인공신경망의 가장 작은 단위
        
        단층 퍼셉트론- 입력층 1개와 출력층 1개로 이루어진 구조
        
        다층 퍼셉트론 - 단층 퍼셉트론의 복잡한 문제를 처리하지 못하는 한계 이를 해결하기 의해 은닉층 창조
        입력층, 은닉층, 출력층의 구조
      - 수상 돌기와 같이 데이터를 입력받고, 신경 세포체처럼 입력 받은 데이터를 처리하여 마지막 축삭 돌기에서 다른 뉴런으로 전기 신호를 보내듯 데이터 출력, 노드 또는 인공 뉴런이라 불림
    - - 여러개의 은닉층을 포함하여 만든 심층 신경망을 통해 학습이 이루어지는 기계학습의 방법
        
        심층 신경망은 다수의 은닉층을 통해 복잡하고 많은 데이터를 정교하게 처리 가능
      - 장점- 층을 깊계 설계 할수록 더 복잡한 문제 해결 가능
        단점- 층이 깊을 수록 계산량이ㅡ많아져 학습시간이 오래 걸리고, 과대 적합이 발생
      - 학습원리- 가중치와 편향을 찾아가는 과정
        뉴런에서 다른 뉴런으로 전달되는 신호의 세기는 정보의 중요도에 따라 변화
        중요 정보는 높은 가중치를 곱하여 전달. 반대로는 낮은 가중치룰 곱하여 소멸, 원하는 결과가 나오도록 조정 -> 최적의 가중치와 편향이란 손실함수의 최솟값으로 기울기가 0인 지점
        
        손실 함수
        손실함수의 값= 예측값 - 실젯값
        
        훈련 데이터를 잘학습했는지 파악하는 함수로 예측값과 실제값의 차이를 구하는 함수, 차이가 크면 최적화를 통해 다시 학습
        손실함수의 값이 작을수록 학습이 잘된 좋은 모델
        
        최적화-
        손실함수의 값이 최소가 되도록 가중치의 편향을 갱신하는 과정
        오차 역전파를 통해 형성, 가장 대표적인 방법은 경사 하강법
        
        경사 하강법- 무작위로 설정된 초기 가중치의 값을 수정하며 아래 방향으로 일정거리인 학습률 만큼씩 이동, 기울기가 0이 될 때까지 학습을 거듭하여 가중치와 편향을 수정하는 것이다. 그런데 경사 하강법은 학습할 때마다' 체 데이터의 기울기를 구하여 속도가 느리고 계산량이 많다는 단점이 존재
        
        손실 함수의 그래프
        
        실제로는 기울기가 0인 지점이 여러 군데 존재할 수 있다. 상대적으로 가장 낮 은 최저점을 글로벌(global)이라 하고, 나머지 최저점을 로컬(local)이라 부른다.
      - 활용 분야
        
        많은 계산량과 대량의 데이터가 필요하지만 데이터 처리 기술의 발전과 컴퓨터 하드웨어의 발달로 인해 다양한 학문 분야 및 응용 분야에서 활용되는 사례 증가,
        특히 비정형 데이터를 다룰때 좋은 성능을 내고 있으며, 기존의 기계 학습 알고리즘으로 다루기 어려웠던 분야에서 사용되면서 빠르게 발전하고 있음
        
        사례
        
        합성급 신경망(CNN: Convolutional Neurl Network)을 이용한 컴퓨터 비전
        
        컴퓨터 비전- 사람이 눈으로 사물을 보고 인식하는 것처럼 컴퓨터의 활용을 통해 정지 영상이나 동영상을 분석하여 의미 있는 정보를 추출하는 기술
        
        비전은 의료, 금융, 쇼핑 등의 다양한 산업에서 활용되는 것은 물론, 자율주행 자동차 를 구현하는 핵심 기술 중 하나
        
        컴퓨터 비전 분야의 대표적인 딥러닝 알고리즘- 합성곱 신경망(CNN: Convolutional Neural Network)
        
        동물의 시각 인지 과정을 모방한 인공신경망 모형 중 하나로, 사물의 탐지등의 이미지 처리에 높은 성능을 보여 준다.
        
        기존 심층 신경망은 2차원 배열의 입력 이미지를 1차원 배열 형태로 데이터를 펼쳐서 학습
        
        원래 이미지가 갖고 있던 데이터 구조 그대로 즉 어떠한 형태의 변환 없이 2차원 배열의 입력 데이터를 사용
        합성곱 신경 망은 이미지의 생김새 그대로 학습하기 때문에 이미지의 특성을 잘 추출할 수 있고, 이미지 분류, 사물 탐지. 이미지(분할 등의 컴퓨터 바전과 관련된 문제를 잘 해결 가능
        
        심층 신경망
        
        1 more item...
        
        힙성곱 신경망
        
        1 more item...
        
        순환 신경망(RNN: Re- urrent Neural Network)을 이용한 음성 인식 및 자연어 처리
        
        사람이 사용하는 언어를 컴퓨터가 처리하기 위한 기술 을 연구하는 분야
        
        음성은 인간과 인공지능과의 상호 작용에 있어 가장 보편적이고 편리한 정보 전달 수단이기 때문에 음성 인식 기술은 매우 중요한 분야로 연구가 활발히 이루어지고 있다.
        
        ex -음성을 텍스트로 변환하는 음성 인식 기술과 변환된 텍스트를 분석하여 그 의미를 파악하는 자연어 처리 기술, 음성 인식을 위한 잡음 제거 및 소리 보정 기술, 음성을 텍스트로 변환하는 기술(STT: Speech-To-Text) 등이 포함