Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습 (1316 이규현), : : - Coggle Diagram

- - - - 데이터 수집 시 개인의 주관이 들어가지 않은 데이터를 수집한다
      - 데이터의 양과 질에 편향성이 포함되어 있지 않은지 확인한다.
      - 데이터셋에 어떤 데이터가 들어 있는지에 대한 정보를 함께 보관한다.
    - - 데이터 공정성이란 데이터 수집, 처리, 사용, 공유 과정에서의 공평성과 투명성을 의미한다.
  - - - 정보 보호
      - 데이터의 품질
      - 수집 가능성
      - 데이터 수집 비용
      - 문제 적합성
    - - 데이터 수집 시 고려 사항
        
        편향되지 않은 데이터인가?
        
        필요한 속성에 대한 내용을 담고 있는 데이터인가?
        
        기계학습을 위해 충분한 양의 데이터인가?
        
        신뢰 가능한 최신의 데이터인가?
      - 데이터셋은 주제별로 모은 데이터의 집합을 의미한다
      - 개인이 만들어 공유한 데이터뿐만 아니라 여러 기업이나 공공 기관에서 제공하는 데이터를 활용할 수도 있다.
      - 원 저작권을 침해하지 않도록 유의해야 한다
      - 인터넷 검색 및 웹크롤링, 설문조사, 인터뷰 결과 정리
  - - - 응용 프로그램 개발에 활용 가능한 인터페이스를 의미한다
    - - 웹 크롤링은 인터넷에 있는 웹페이지의 데이터를
        자동으로 수집하는 기술입니다.
        특정 프로그램(크롤러 또는 봇)이 웹사이트를 방문해서
        텍스트, 이미지 등의 정보를 가져오고 저장합니다.
- - - - 비지도 학습은 정답 데이터 없이 입력 데이터만으로 이루어진 훈련 데이터를 사용하여 모델을 학습시키는 방법이다
    - - 지도학습은 입력 데이터와 정답 데이터를 합께 사용하여 기계학습 모델이다
        
        훈련데이터
        
        모델을 생성하는 데 활용
        
        테스트 데이터
        
        모델의 성능을 평가하는 데 활용
    - - 강화학습은 판단할 때마다 외부 환경에서 보상을 제공하고 이 보상의 값을 최대화하기 위한 방향으로 학습을 진행한다
  - - - 여러 범주로 데이터를 구분하는 경계를 학습하고, 새로운 입력이 들어오면 해당 범주 중 하나를 선택하는 지도학습의 한 형태이다.
        
        데이터가 어떤 클래스에 속하는지를 찾는 것이다.
        
        분류를 통한 기계학습은 주로 이진 분류와 다중 분류로 나뉜다
        
        로지스틱 회귀 K-최근접 이웃 알고리즘
        
        K-최근접 이웃 알고리즘은 새로운 데이터를 분류하기 위해 가장 가까이에 있는 K개의 학습 데이터가 강장 많이 속한 그룹에 따라 분류하는 모델이다
        
        이진 분류는 주어진 데이터를 2개의 클래스로 분류하는 것이다
        
        다중 분류는 주어진 데이터를 3개 이상의 클래스로 분류하는 것
    - - 비지도학습 알고리즘의 일종이며 데이터가 어떻게 그룹화되어야 하는지 미리 정의하지 않고 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식이다
        
        군집은 학습 데이터에 정답이 없는 경우, 입력된 데이터의 특성을 분석하여 유사한 특성을 가진 데이터끼리 그룹화하는 비지도학습 방법이다.즉, 데이터를 비슷한 특성에 따라 그룹으로 묶는 과정이다.
        
        고객의 성향을 분석해 비슷한 유형끼리 군집을 만들고,
        
        군집별 상품 추천 알고리즘에 적용
        
        인구 밀집도를 분석해 버스 노선을 최적화
        
        SNS 조회 기록을 바탕으로 비슷한 성향의 게시물 추천
        
        데이터의 전처리 기술로도 활용되어 지도학습을 위한 기반 제공
        
        대표 알고리즘 – k-평균(k-means)
        
        임의의 군집 중심을 기준으로,
        가까운 거리에 있는 데이터를 같은 군집으로 할당 군집의 중심이 변경되지 않을 때까지 반복하여 조정하면서 군집을 형성함
    - - 회귀란 어떤 현상에 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 함수로 표현해 연속적인 수치를 예측하는 기계학습 방법
        
        새로운 입력값을 대입하여 예측값을 얻어내는 모델이다. 독립 변수는 주로 입력값을 의미하며, 종속 변수는 주로 결괏값을 의미한다.
        
        예측값과 실제값의 오차를 최소화하는 가설 함수를 찾고 최적화하면서 학습을 진행한다.
        독립변수는 X축으로, 판매량이라는 종속 변수는 Y축으로 설정한다.
        이때, 데이터를 표현하는 좌표평면 위의 점들을 가장 알맞게 이어주는 추세선을 그린다.
        
        직선은 Y = WX + B의 형태로 표현되며, 이 식을 가설 함수라고 한다.
        선형 회귀 알고리즘은 가장 정확한 W값과 B값을 찾아 수식을 만드는 과정을 통해 학습한다.
        예측값과 실제값의 오차를 계산하기 위해 손실함수를 사용하며,
        이를 통해 오차를 최소하면서 예측의 정확도를 높일 수 있다.
- - - - 퍼셉트론(Perceptron)
        
        퍼셉트론은 인공신경망을 실제로 구현한 가장 작은 연산 단위이며,
        여러 입력을 받아 0 또는 1의 출력값을 생성한다.
      - 퍼셉트론 구조
        
        퍼셉트론은 입력층과 출력층이 각각 하나로 구성된 단층 구조를 가지며,
        입력을 받아 처리하고 그 결과를 출력한다.
      - 인공신경망(ANN)
        
        인공신경망은 인간의 신경망 구조를 모방하여, 컴퓨터가 처리할 수 있도록 만든 모델이다. 여러 개의 뉴런(또는 노드)이 연결되어 하나의 네트워크를 형성한다.
      - 생물학적 뉴런과의 유사성
        
        퍼셉트론은 수상 돌기처럼 입력을 받고,신경 세포체처럼 데이터를 처리하며, 축삭 돌기처럼 출력을 전달하는 구조로 생물학적 뉴런을 모방하고 있다.
    - - 심층 신경망(NDD)을 통해 학습이 이루어지는 기계학습의 한 방법이다.
      - 딥러닝에서는 입력층에서 은닉층을 거쳐 출력층으로 연속적인 연산이 이루어진다. 여기서 출력층에서 은닉층, 은닉층에서 출력층으로 왔다갔다 할 수 없다.
      - 층이 깊을수록 계산량이 많아져 학습 시간이 오래 걸리고, 과대적합이 발생할 수도 있다.
    - - 손실함수는 예측값과 실제값의 차이를 계산하여 모델의 학습 정확도를 판단하는 함수이다. 손실값이 작을수록 더 잘 학습된 모델로 간주된다.
        
        최적화는 손실함수를 최소화하기 위해 가중치와 편향을 조정하는 과정이며, 주로 오차 역전파를 통해 수행된다. 대표적인 방법으로는 경사 하강법이 사용된다.
    - - 의료
        
        유전자 예측, 질병 진단, 약물 발견
      - 금융
        
        알고리즘 트레이딩, 사기 탐지, 신용 평가, 투자 자문
      - 자연어 처리
        
        언어 번역, 감정 분석, 음성 인식, 텍스트 생성, 챗봇, 지능형 개인 비서
      - 쇼핑
        
        개인별 추천 시스템, 콘텐츠 필터링
      - 컴퓨터 비전
        
        객체 탐지, 이미지 분류, 얼굴 인식, 이미지 생성, 자율주행 자동차
      - 농업
        
        작물 모니터링, 해충 방제
      - 컴퓨터 비전
        
        컴퓨터 비전은 사람처럼 사물이나 사람을 시각적으로 인식하는 기술로, 이미지나 동영상을 분석하여 의미 있는 정보를 추출한다. 이 기술은 교통, 보안, 금융, 쇼핑, 의료 등 다양한 분야에서 활용된다.
        
        특히 딥러닝 기반의 합성곱 신경망(CNN)은 이미지 인식에 매우 효과적이며,
        이미지 분류, 사물 탐지, 이미지 분할 같은 시각 처리 작업에서 뛰어난 성능을 보인다.
        
        CNN은 2차원 이미지의 형태를 유지한 채 특징을 학습하며,
        사람처럼 물체의 모양과 위치를 인식할 수 있도록 설계되어 있다.
        
        이미지 위에 커널(필터)을 적용하는 합성곱 연산을 통해
        중요한 시각 정보를 추출하고, 이 과정을 반복해 이미지 전체를 분석한다.
        
        사물 탐지
        
        이미지 분활
        
        이미지 분류
        
        사람 탐지
        
        보안 검색대 탐지
        
        차량 탐지
      - 음성 인식과 자연어 처리
        
        음성 인식과 자연어 처리는 사람의 말을 컴퓨터가 이해하도록 처리하는 기술로, 음성을 문자로 변환(STT)하고 의미를 분석해 적절한 반응을 생성한다. 이 기술은 AI 스피커, 번역, 감성 분석 등 다양한 분야에 활용된다.
        
        RNN(순환 신경망은시간 순서가 중요한 데이터(시계열 데이터)를 처리하는 데 적합한 딥러닝 구조로, 이전 입력의 정보를 다음 처리에 반영함으로써 연속성과 맥락을 이해할 수 있다.이러한 구조는 번역, 음성 인식, 감정 분석, 주가 예측 등 시간 흐름에 따라 변화하는 데이터를 처리하는 데 널리 활용된다.
        
        GAN(Generative Adversarial Network)은 새로운 데이터를 생성하는 딥러닝 모델로, ‘생성자’와 ‘판별자’라는 두 네트워크가 경쟁하며 학습한다. 이 모델은 실제와 구별이 어려운 가짜 이미지, 영상, 음성 등을 생성할 수 있다. 주로 가상 인물 생성, 예술 이미지 생성, 딥페이크 등에 활용된다.
        
        음성 인식과 자연어 처리 시스템의 동작 원리
        
        음성 입력
        
        음성 인식 1. 형태소 분석 2. 구문 분석 3. 의미 분석 4. 담화 의도 분석
        
        자연어 처리 1. 형태소 분석 2. 구문 분석 3. 의미 분석 4. 담화 의도 분석
        
        명령 수행 및 상호 작용
- - - - 2-2 1. 결측치 처리하기
        
        행, 열을 삭제하는 방법과 평균, 중앙값, 최빈값 등의 대푯값으로 결측치를 대체하는 방법이 있다
        
        데이터의 손실이 크지 않은지, 삭제된 행이나 열이 꼭 필요한 데이터인지 따져보고 신중하게 적용해야한다
        
        결측치가 있으면 데이터를 분석하는 과정에서에러가 발행하거나 잘못된 결과가 산출될 수 있다
        
        데이터 값이 비어 있거나 누락된 상태를 뜻한다
        
        평균, 중앙값, 최빈값으로 대체하는 방법이 있다
      - 2-2 2.이상치 처리하기
        
        정상 범위의 기준을 정해야 한다
        
        삭제할 때는 데이터 분석의 모든 맥락을 고려한 후 신중하게 결정해야 하며, 데이터가 충분하지 않다면 적합한 값으로 대체해야 한다
  - - - 핵심 속성 이해하기
        
        문제 해결에 필요한 속성만 선택하여 사용해야한다
        
        핵심 속성이란? 문제 해결에 필요한 속성이다
      - 히트맵으로 핵심 속성 추출하기
        
        히트맵은 상관관계를 시각화한 그래프로 색을 이용해 배열을 나타낸다
        
        알고가기 상관관계
        
        절댓값 1에 가까울수록 두 속성 간의 관련성이 높은것
        
        한 변수가 증가할 때 다른 변수도 증가하는 경향을 보이면 양의 상관관계
        
        한 변수가 증가할 때 다른 변수는 감소하는 경향을 보이면 음의 상관관계