Please enable JavaScript.
Coggle requires JavaScript to display documents.
인공지능과 학습(1427 최지율) - Coggle Diagram
인공지능과 학습(1427 최지율)
-
기계학습과 데이터
기계학습과 문제 해결
-
기계학습을 통한 문제 해결 과정
- 훈련 데이터 수집-- 2.인공지능 학습하기-- 3.인공지능 모델-- 4. 문제 해결을 위한 새로운 데이터-- 5. 결과(정보)
기계 학습을 이용해 문제를 해결할 땐 문제 상태를 정확히 파악하고 정의할 수 있어야 한다 또한 정의한 문제가 기계학습을 통해 해결할 수 있는 문제인지 확인해야 한다. 그러나 충분한 양과 우수한 품질을 갖춘 데이터가 있는지 여부에 따라 기계학습으로 해결 가능성이 높은 문제인지 낮은 문제인지를 판단할 수 있다.
문제 해결을 위한 데이터
인공지능은 대용량의 품질 좋은 훈련 데이터가 필요하다. 만약 훈련 데이터의 질이 좋지 않거나 질이 좋더라도 데이터의 양이 충분하지 않으면 기계학습 모델의 성능은 높지 않을 것이다. 또한 수집한 훈련데이터가 편향을 띤다면 이 데이터를 이용한 학습 결과도 정확하지 않을 것이다.
-
데이터 선정 및 수집하기
-
데이터 수집하기
데이터 수집 시 고려 사항:
1.기계 학습을 위해 충분한 양의 데이터인가
2.편향 되지 않은 데이터인가
- 필요한 속성에 대한 내용을 담고 있는가
- 신뢰 가능한 최신의 데이터인가.
-
인터넷 검색,웹크롤링,다양한 센서,방문 수집 등등 다양한 방식을 통해 데이터를 수집할 수도 있다.
기계학습의 유형과 알고리즘
기계학습은 데이터 활용 방식에 따라 지도학습,강화학습,비지도 학습으로 나뉜다.
지도학습
지도학습에서는 훈련데이터와 테스트 데이터를 사용한다 훈련데이터는 학습모델을 만들기 위해, 테스트 데이터는 모델의 성능을 평가하기 위해 사용된다.
-
-
-