Please enable JavaScript.

Coggle requires JavaScript to display documents.

2.인공지능과 학습(1422 정지현) - Coggle Diagram

- - - - 빠르고 정확한 계산 능력
        
        자동화능력
        
        문제해결
    - - 프로그래머가 규칙 생성
        
        규칙을 표현한 알고리즘을 데이터에 입력
        
        컴퓨팅 시스템이 처리한 결과 출력
      - 원리나 규칙을 찾아 프로그램을 작성
    - - 기계학습
        
        입력되 데이터 속성 간의 규칙을 학습
        
        모델생성
        
        새로운 입력 데이터의 결과 판단,예측
        
        입력된 데이터로부터 규칙을 도출해 예측하는 프로그램을 만듦
    - - 인공지능
        
        입력받은 훈련데이터로 학습
        
        규칙 발견
        
        기계학습 모델 생성
        
        모델에 문제 해결을 위해 사용할 데이더 적용
        
        결과값 출력
      - 문제 정의 단계
        
        문제상태 정확히 파악,정의 가능
        
        주어진상황에 현재 상태와 목표상태,핵심요소 분석
        
        문제 해결 방향 명확히 설정 가능
        
        기계학습을 통해 해결할 수 있는 문제인지 확인
        
        ex)훈련데이터의 양과질,프로그램의 성능
        
        앞으로 달라질 수 있으므로 명확하게 정의 어려움
        
        충분한 양과 우수한 품질을 가진 데이터 여뷰
        
        적합한 모델 생성 여부
        
        기계학습으로 해결 가능성이 높은지 낮은지 구별 가능
    - - 대용량의 품질 좋은 훈련 데이터 필요
      - 훈령데이터의 질이 않좋거나 양이 적으면 모델의 성능은 높지 않음.
      - 데이터가 평향을 띄면 학습결과 정확하지 않음
      - 데이터 편향을 방지하는 방법
        
        데이터 수집시 개인의 주관이 들어가지않은 데이터를 수집
        
        데이터의 양과 질에 편향성이 포함되어 있지 않은지 확인
        
        데이터셋에 어떤 데이터가 들어있는지에 대한 정보를 함께 보관한다.
      - 데이터의 공정성
        
        데이터 수집과정의 공정성
        
        데이터 처리 및 분석의 공정성
        
        데이터 사용의 공정성
        
        투명성과 설명 가능성
      - 다양한 사회적,경제적 요인이 복합적으로 적용해 발생하는 문제는 인공지능의 학습에 필요한 우수한 품질의 데이터 확보 어려움
      - 다양한 요인이 섞여있으면 현재상태,목표상태 확인 불가능
      - 데이터 편향의 영향력
  - - - 데이터를 선정할 때의 고려사항
        
        문제 적합성
        
        수집 가능성
        
        정보 보호
        
        데이터의 품질
        
        데이터 수집 비용
    - - 데이터셋(주제별로 모은 데이터의 집합
      - 기업,공공 기관
        
        데이터셋을 파일이나 API형태로 만들어 공공데이터 제공
        
        데이터 활용시 원 저작권 침해하지 않도록 유의
      - 직적 수집
        
        인터넷 검색,웹크롤링,설문조사,인터넷 결과 정리 등 다양한 방식으로 데이터 정리 가능
      - 센서를 통해 값을 수집하는 것도 가능
      - 데이터의 유형
        
        정형데이터
        
        비정형데이터
- - - - 문제 해결에 필요한 속성 선별
        
        문제 해결에 적합한 형태로 만듦
    - - 수집된 데이터에서 비어있거나 누락되어 있는 값
      - 결측치 처리하기
        
        행이나 열 삭제
        
        평균,중앙값,최빈값으로 결측치를 대체
        
        결측치가 존재하면 데이터를 분석하는 과정에서 에러가 발생하거나 잘못된 결과가 산출되어 기계학습 모델 성능에 부정적인 영향을 미칠 수 있음.
    - - 평균적인 데이터의 범위보다 지나치게 높거나 낮은 값
      - 이상치 처리하기
        
        이상치 존재 시 분석 결과가 왜곡 될 수 있음.
        
        정상 범위의 기준을 정해야함
        
        데이터 시각화하여 속성들의 분포 살피기
        
        데이터가 충분하다면 행삭제 가능
        
        데이터가 충분하지 않으면 적합한 값으로 대체
        
        최댓값과 최솟값 사이의 값들로 평군을 구하고 수정가능
  - - - 관찰이나 수집을 통해 수집되는 값
        
        여러개의 속성(특징,성질)
    - - 각 속성이 가질 수 있는 값
        
        숫자
        
        수치향
        
        연속형(실수)
        
        이산형(정수)
        
        텍스트
        
        범주형
    - - 데이터의 모든 속성은 어떤 영향을 미치는지 확인 해야함
        
        문제해결에 필요한 속성만 선택
        
        기계학습의 성능을 높임
      - 핵십 속성(문제 해결에 필요한 속성)
        
        핵심속성 부족시 추가자료 수집
    - - 데이터의 속성 중에서 기계학습에 필요한 핵심 속성을 찾는 과정이 필요함
      - 데이터 시각화
        
        어떤 속성이 분제 해결에 필요한지 직관적으로 파악
        
        속성간의 관계도 쉽게 파악가능
      - 핵심 속성을 추출할때에는 주로 히트맵 사용
        
        히트맵(상관관계를 시각화한 그래프)
        
        색을 이용해 배열을 나타냄
        
        해결하고자하는 문제와 관련이 깊은 핵심 속성들을 상관계수로 찾기 쉬워짐
        
        상관관계 분석
        
        양수는 양의 상관관계
        
        1 more item...
        
        음수는 음의 상관관계
        
        1 more item...
        
        절댓값1에 가까울 수록 두 속성간의 관련성이 높은것이다
      - 산점도
        
        두 변수간의 관계를 나타내기 위해 x축과 y축의 값이 교차되는 지점에 점을 찍어 시각화
        
        종속변수,독립변수
- - - - 뉴런은 다른 뉴런으로부터 신호를 받아또 다른 뉴런에 전달
    - - 인간의 신경망 구조를 모방하여 컴퓨터로 처리할 수 있게 구현한것
    - - 인공심경망을 실제로 구현한 얀산장치
        
        여러개의 입력값을 처리하여 하나의 결괏값인 0또는1 을 출력하는 인공신경망의 가장 작은 단위
        
        퍼셉트론은 뉴런의수상돌기와 같이 데이터를 입력받음
        
        신경세포체처럼 입력 받은 데이터를 처리하여 마지막 돌기에서 다른 뉴런으로 전기 신호를 모내듯이 데이터를 출력
      - 단층 퍼셉트론
        
        입력층한개와 출력층 한개로 이루어짐
        
        복잡한 문제를 처리하지 못함
      - 모든 입력값에 가중치를 곱하여 더한 값에 편향을 더한후 활성화 함수를 거쳐 0또는 1을 출력
      - 다층 퍼셉트론
        
        입력층, 은닉층,출력층을 가짐
    - - 여러 개의 은닉층을 포함하여 만든 심층 신경망을 통해 학습이 이루어지는 기계학습의 한 방법
        
        심층 신경망은 다스의 은닉층을 통해 복잡하고 많은 데이터를 정교하게 처리할 수 있음
      - 입력층에서 은닉층 거쳐 출력층으로 연속적인 연산이 이루어짐.
        
        은닉층이 많아지면 복잡한 문제 해결가능
        
        층이 깊을 수록 계산량이 많아져 학습시간 오래 걸림,과대적합 발생 가능
        
        해결하고자하는 문제에 맞게 적절한 층 설계 중요
      - 학습한다 = 가중치와 편향을 찾아가는 과정
        
        학습의 최종 목표= 최적의 가중치와 편향을 찾는것
      - 뉴런에서 다은 뉴런으로 전달되는 신호의 세기는 정보의 중요도에 따라 딜라짐
        
        중요한정조는 가중치를 곱하여 전달,반대의 경우 낮은 가중치를 곱하여 소멸시킴
        
        원하는 결과가 잘나오도록 편향을 더함
        
        최적의 가중치와 편향= 선실함수의 최솟값,기울기가 0인 지점
      - 활성화 함수
        
        일정한 임계값을 넘는지 판단후 정보의 전달 유무 결정
        
        시그모이드 함수
        
        S자 곡선을 그리는 함수로 출력값은 1과 0사이
        
        입력값이 커질 수록 출력값은 1에 가까워지고,입력값이 작아질수록 0에 가까워진다.
        
        렐루함수
        
        입력값이 0보다 크면 입력됨 값을 그대로 출력,입력값이 0이하면 0을 출력
      - 손실함수
        
        훈련데이터를 잘 학습했는지 파악하는 함수
        
        예측값과 실쳇값과의 차이를 구하는 함수
        
        예측값과 실젯값이 일치할수록 선실함수의 값이 작아짐,손실함수의 값이 작아질 수록 학습이 잘 된 모델임
        
        최적화
        
        손실함수의 값이 최소가 되도록 가중치와 편향을 갱신하는 과정
        
        오차역전파를 통해 이루어짐
        
        경사하강법
        
        무작위로 설정된 초기 가중치의 값을 수정하며 아래 방향으로 일정거리인 학습률 만큼식 이동
        
        기울기가 0이 될때까지 학습을 거듭하며 가중치와 편향을 수정
        
        속도느리고 계산량이 많음
        
        단점을 보완하는 알고리븜은 확률적 경사 하강법,미니 배치 경사 하강법,모멘텀,아담
        
        손실함수를 일부만 그리는 경우가 많지만 실제로는 기울기가 0인곳이 여러군데 있음
        
        상대적으로 가장 낮은 최저점을 글로벌이라하고 나머지 최저점을 로컬이라고 부름
      - 검증데이터
        
        학습단계,평가단계
        
        학습단계에서는 학습데이터 사용
        평가단계에서는 테스트데이터 사용
        
        훈련데이터의 일부를 검증데이터로 활용가능
        
        학습 중간에 모델 성능 평가를 위함,모의 평가에 비유,원하는 기준에 도달하지 못했다면 다시 학습을 진행
  - - - 음성인식 및 자연어 처리
        
        현재의 인공지능 기술에는 딥러닝 알고리즘을 포함하는 경우가 많음
    - - 컴퓨터의 활용을 통해 정지영상이나 동영상을 분석하여 의미 있는 정보를 추출하는 기술
      - 합성곱 신경망
        
        동물의 시각인지 과정을 모방한 인공신경망 모형 중 하나,사물의 탐지 이미지 처리에 높은 성능
        
        심층신경망= 2차원배열을 1차원 배열 형태로 펼처서 학습
        합성곱 신경망= 2차원 배열의 입력데이터 사용
        
        이미지의 특성을 잘 추출,컴퓨터 비전과 관련된 문제 해결
        
        합성곱계층,폴링계층으로 구성
        
        두 계층을 반복하여 학습을 진행하며 이미지의 특성 추출
        
        함성곱계층= 도장을 찍듯이 필터를 적용
        풀링계층= 특성을 잘 드러내는 값을 선택하는 과정을 반복하며 이미지 인식
    - - 음성을 텍스트로 전환하는 음성 인식 기술과 변환된 텍스트를 분석하여 그 의미를 파악하는 자연어 처리 기술,음성인식을 위한기술들
        
        음성 입력
        
        음성인식
        1.음성신호
        2.부호화
        3.특징추출
        4.패턴비교
        5.인식
        
        자연어 처리
        1.형태소 분석
        2.구문 분석
        3.의미 분석
        4.담회\ㅏ
      - 순환 신경망
        
        데이터간의 관계나 순서가 중요한 순차적인 데이터를 입력받아 결과를 도출하는 딥러닝 모델
        
        자연어 처리나 시간에 따라 변화하는 시계열 데이터등을 처리하는데 주로 사용
        
        심층신경망과 구조와 흐름은 유사
        
        다음층으로 이어지는 중간 출력을 은닉상태라고 하는데 데이터의 중간결과 기억
        
        문장을 모두 읽고 최종적으로 감정을 도출하는 문제에 상당히 적합한 구조
      - 생성적 적대 신경망
    - - 약물 발견,질병 진단,유전자 예측
    - - 투자자문,신용평가,사기 탐지,알고리즘 트레이닝
    - - 콘텐츠 필터링,개인별 추천 시스템
    - - 해충 방제,작물 모니터링
- - - - 3.딥러닝과 알고리즘 선정하기
        
        4.성능 평가하기
  - - - 입력데이터(사람)
        
        핵심 속성 찾기(사람)
        
        분류 알고리즘
        
        출력
    - - 입력데이터(사람)
        
        핵심속성 찾기+분류
        
        출력
- - - - 정답이 있는 데이터를 이용해서 학습하는 것
        
        회귀,븐류
      - 입력테이터와 정답데이터를 함께 시용
        
        학습 결과에서의 오류여부와 성능을 쉽고 명확하게 평가 가능
      - 훈련데이터,테스트 데이터 사용
        
        훈련과 모델 성능 평가를 위해 사용
    - - 정답을 알려주지 않고 데이터만을 제시해서 학습
        
        군집
      - 입력데이터만 이루어진 훈련데이터 사용
        
        데이터 입력시 자체적인 방식으로 유사한 속성을 가진 그룹끼리 묶음
        
        입력 데이터의 특징을 분석하여 패턴이나 특정 규칙을 찾아야함.
      - 새로운 정보를 찾고자 할때 유용
    - - 답을 직접 알려주지 않고 컴퓨터가 제시한 답안에 대한 보상을 다르게 줌으로써 정답에 가까워지게 하는 것
        
        보상이 최대치가 되도록 학습함
      - 판단할 때마다 외부환경에서 보상 제공,이보상의 값을 최대화하기 위한 방향으로 학습 진행
      - 현재 상태에서 선택 가능한 행동들 중 보상이 가장 큰경우를 선택
        
        지능에이전트의 학습과정에서 유용하게 활용
    - - 회귀
        
        어떤 현상에 영향을 미칠 수 있는 여러 요인과 특정 결과 사이의 관계를 함수로 표현해 연속적인 수치를 예측하는 기계학습 방법
        
        훈련데이터로 학습한 모델을 화용하여 새로운 입력값에 대한 수치 결과 예측
        
        선형 회귀 알고지즘
        
        예측값과 실제값의 오차를 최소화하는 가설함수를 찾고 최적한 하며 학습 진행
        
        독립변수를 축으로 종속변수를 y축으로 하는 그래프를 그렸을때 좌표평면 위에 점들을 알맞게 이어주는 추세선을 그린다.
        
        이때 직선은 y=wx+b의 형태로 표현(가설함수)
        
        w값과 b값을 찾아 수식을 만드는 것이 선형회귀 알고리즘의 학습 과정임.
        
        1 more item...
      - 훈련데이터를 기반으로 독립변수와 종속변수 사이의 규칙을 파악하여 수식으로 나타냄
        
        학습된 규칙에 새로운 값을 대입해 여측값을 얻어내는 모델
        
        독립변수(입력값)
        
        종속변수(결괏값)
      - 분류
        
        미리 정의된 여러 범주로 데이터를 구분하기 위한 경계를 학습하여 새로운 입력이 들어오면 여러 범주중 하나를 선택하는 과정
        
        데이터가 어떤 클래스에 속하는지 찾는것
        
        분류 모델생성 후 테스트 데이터를 입력하면 각 데이터의 대한 클래스를 분류 가능
        
        이진분류
        
        2개의 클래스로 분류
        
        다중분류
        
        3개이상의 클래스로 분류
        
        로지스틱회귀
        
        K—최근접이웃
        
        새로운 데이터를 분류하기 위해 가장 가까이에 있는 k개의 학습데이터가 가장 많이 속한 그룹을 따라 분류하는 모델이다.
        
        K값에 따라 분류한 결과가 달라질 수 있음
      - 군집
        
        데이터가 어떻게 그룹화되는지 미리 정의하지 않고 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식
        
        학습데이터가 정답을 가지고 있지 않음
        
        입력된 데이터의 특성을 분석하여 서로 유사한 특성을 가진 데이터끼리 그룹화함.
        
        K평균 알고리즘
        
        임의의 군집 중신으로부터 가까운 거리에 있는 테이터를 같은 군집으로 할당함
        
        중심을 변경되지 않을 때까지 계속 바꾸며 조정하는 방식
        
        1.초기 상태
        
        2.초기 중심점 설정
        
        3.데이터를 군집에 할당
        
        4.중심점 재설정
        
        1 more item...