Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습 1416 오은별 - Coggle Diagram

- - - - 규칙을 도출해 가격을 예측하는 프로그램을 만듦
        
        현재 상태와 목표 상태가 무엇이고 핵심요소는 무엇인지 정확히 분석해야됨
      - 기계학습을 통한 문제 해결 과정
        
        훈련 데이터 수집 > 2. 인공지능 학습 > 3. 인공지능 모델 > 4. 문제 해결을 위한 새로운 데이터 > 5. 결과 (정보)
  - - - 수집한 데이터가 편향을 띤다면 학습 결과도 정확 X
        
        편향: 한 쪽으로 치우치는 성질
        
        데이터 편향 방지 - 수집 시 개인의 주관이 들어가지 않은 데이터, 양과 질에 편향성 포함 유무 확인, 데이터셋에 정보 보관
        
        데이터셋: 주제별로 모은 데이터의 집합
        
        파일 또는 API 형태로 만들어 제공
        
        API: 응용 프로그램 개발에 활용 가능한 인터페이스
        
        원 저작권을 침해하지 않도록 주의
    - - 문제 적합성, 수집 가능성, 정보 보호, 데이터의 품질, 데이터 수집 비용
        
        충분한 양의 데이터? 편향되지 않은 데이터? 필요한 속성이 담겨있는지, 신뢰 가능한 최신의 데이터인지
  - - - 원하는 데이터를 수집하기 어렵다면 직접 데이터를 수집할 수 있음
        
        인터넷 검색 및 웹크롤링, 설문조사, 인터뷰 결과 정리
        
        웹크롤링: 자동화된 방법으로 웹을 탐색하는 프로그램을 통해 웹 페이지에 들어 있는 데이터를 긁어 모으는 것
- - - - 처리방법 - 행이나 열 삭제, 대표값으로 결측치 대체
    - - 처리방법 - 정상 범위의 기준 정하기, 이상치 포함하는 행 삭제
  - - - 속성 - 나이, 성별
        범주형 - 숫자, 텍스트
        수치형 - 17, 19
    - - 해결 문제에 따라 필요 속성 달라짐
    - - 상관관계를 시각화한 그래프로 색을 이용해 배열을 나타낸 것
      - 산점도 그래프
        
        두 변수 간의 관계를 나타내기 위해 x축과 y축의 값이 되는 지점에 점을 찍어 시각화한 것
        
        종속 변수
        
        독립 변수
- - - - 회귀, 분류
        
        회귀: 여러 요인, 특정 결과 사이 관계 함수 표현 연속 수치 예측하는 기계학습
        
        데이터 기반으로 독립변수, 종속변수 사이 규칙 파악 후 수식 나타냄
        
        독립변수 - 입력값
        종속 변수 - 결과값
        
        대표적인 알고리즘: 선형 회귀 - 예측값, 실젯값 오차 최소화하는 가설 함수 찾고 최적화하며 학습 진행
        
        분류: 미리 정해진 여러 범주의 경계를 학습해 새로운 입력을 가장 알맞은 범주로 분류하는 과정
        
        이진 분류: 2개의 클래스로 분류
        
        다중 분류: 3개 이상의 클래스로 분류
        
        대표 알고리즘: 로지스틱 회긔
        k-최근접 알고리즘 - 가장 가까이에 있는 k개의 학습 데이터가 가장 많이 속한 그룹 > k값에 따라 분류한 결과 달라질 수 있음
    - - 군집
        
        비지도학습 알고리즘으로, 데이터의 그룹을 미리 정의하지 않고 컴퓨터가 패턴을 스스로 찾아내는 방식
        
        군집별 상품 추천 알고리즘에 반영할때 활용, 비슷한 성향의 게시물 추천 등
        
        대표 알고리즘: k-평균 알고리즘: 군집 중심에 가까운 데이터를 묶고, 중심이 변하지 않을 때까지 반복해 군집을 형성
  - - - 테스트 데이터: 모델의 성능을 평가하는데 활용
  - - - 유사한 속성을 갖는 그룹으로 묶음
        
        새로운 정보를 찾고자 할 때 유용
  - - - 보상이 가장 큰 경우 선택 > 해당 방향으로 학습 진행
- - - - 다층 퍼셉트론 - 입력층, 은닉층, 출력층
      - 뉴런의 수상 돌기와 같이 데이터 입력. 신경 세포제처럼 입력받은 데이터를 처리하며 마지막 축삭 돌기에서 다른 뉴런으로 전기 신호를 보내듯 데이터 출력
        
        퍼셉트론은 노드 또는 인공 뉴런이라고도 부름
  - - - 최적의 가중치와 편향이란 손실함수의 최솟값으로 기울기가 0인 지점
        
        손실함수란 훈련 데이터를 잘 학습했는지 파악하는 함수
        
        최적화란 손실함수 값이 최소가 되도록 가중치와 편향을 갱신하는 과정
        
        경사 하강법: 무작위로 설정된 초기 가중치 값 수정, 아래 방향으로 일정거리인 학습률만큼 이동
        
        단점! 속도가 느리고 계산량 많음
    - - 심층 신경망 - 2차원 입력 데이터 > 1차원 배열 형태 변형
        
        2차원 평면에서 갖고 있던 이미지 생김새 정보 잃음
      - 대표 알고리즘: 합성곱 신경망 - 형태 변환없이 2차원 입력 데이터 사용
        
        생김새의 정보 그대로 사물 학습
        
        합성곱 계층: 마치 도장을 찍듯 필터 적용하여 이미지 특성 추출
        
        풀링 계층: 특성을 잘 드러내는 값을 선택하는 과정 반복 이미지 인식
    - - 자연어 처리 기술, 잡음 제거 및 소리 보정 기술, 음성을 텍스트로 변환하는 기술
      - 대표 알고리즘: 순환 신경망- 다음 층으로 이어지는 중간 출력을 은닉 상태라고 하는데 데이터의 중간 결과를 기억할 수 있음
- - - - 기계학습은 문제 해결 핵심 속성을 사람이 추출해야 하며, 잘못 추출하면 성능이 떨어지고 시간도 많이 듦
    - - 데이터 특성을 스스로 찾아 핵심 속성 추출 오류로 성능이 떨어질 걱정이 없음
  - - - 데이터
        
        입력층
        
        은닉층
        
        출력층