Please enable JavaScript.

Coggle requires JavaScript to display documents.

2.인공지능과 학습(1324 표영우) - 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.
    - - 인공지능은 입력받은 훈련데이터를 바탕으로 학습하고 규칙을 발견해 기계학습 모델을 만든다. 학습된 기계학습 모델에 문제 해결을 위해 사용할 데이터를 적용하면 결과값이 출력된다.
        
        훈련 데이터 수집
        
        인공지능 학습하기
        
        인공지능 모델
        
        문제 해결을 위한 새로운 데이터
        
        결과(정보)
    - - 인공지능은 훈련 데이터를 바탕으로 학습하기 때문에 대용량의 품질 좋은 훈련 데이터의 양이 충분하지 않으면 기계학습 모델의 성능은 높지 않을 것이다. 또한 수집한 데이터가 편향을 띤다면 이 데이터를 이용한 학습 결과도 정확하지 않을 것이다.
  - - - 기계학습을 위한 데이터를 선정할 때에는 우리가 해결하고자 하는 문제와 관련 있는 데이터인지 확인해야 한다. 또한 데이터의 수집 가능성, 정보 보호 여부, 데이터의 품질, 데이터 수집 비용 등의 요인을 고려하여 조건에 부합하는 데이터를 선정해야 한다.
    - - 데이터 수집 시 고려사항
        
        기계학습을 위해 충분한 양의 데이터인가?
        
        편향되지 않은 데이터인가?
        
        필요한 속성에 대한 내용을 담고 있는 데이터인가?
        
        신뢰 가능한 최신의 데이터인가?
      - 데이터 셋은 주제별로 모은 데이터의 집합을 의미한다. 데이터 분석가들이 분석을 위해 가공한 데이터들을 데이터 포털 등의 사이트에 업로드하면 그것을 내려받아 활용 할 수 있다.
- - - - 결측치란 데이터의 값이 비어 있거나 누락된 상태를 뜻한다. 결측치가 있으면 데이터를 분석하는 과정에서 에러가 발생하거나 잘못된 결과가 산출되어 기계학습 모델 성능에 부정적인 영향을 미칠 수 있다.
    - - 이상치란 평균적인 데이터 범위보다 지나치게 높거나 낮은 수치의 값을 말한다. 이상치가 데이터에 존재하면 분석 결과가 왜곡될 수 있다.
  - - - 데이터의 모든 속성은 게계학습에 어떤 영향을 미치는지 확인해야 한다. 문제 해결에 필요한 속성만 선택하여 사용해야 기계학습의 성능을 높일 수 있다. 이때 문제 해결에 필요한 속성을 핵심속성이라고 한다. 만약 핵심 속성이 부족하다면, 추가 자료를 수집해야 한다