Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습(1415 엄서현) - Coggle Diagram

- - - - 삭제
      - 대푯값으로 대체
  - - - 평균값
      - 삭제
  - - - 히스토그램
        
        원그래프
        
        산점도
        
        히트맵
        
        상관관계를 시각화한 그래프
        
        두 변수 간의 관계를 나타내기 위해 x축의 값과 y축의값이 교차 되는 지점에 점을 찍는 시각화
- - - - 훈련데이터(정답 O)
    - - 회귀
        
        종속 변수(결괏값)
        
        독립 변수(입력값)
        
        선형 회귀 알고리즘
        
        y=wx+b(가설함수)
        
        w값과 b값을 찾아 수식을 만듬
      - 분류
        
        데이터가 어떤 클래스에 속하는지 찾음
        
        다중 분류
        
        이진 분류
        
        알고리즘
        
        로지스틱 회귀
        
        k - 최근접 이웃
  - - - 훈련데이터(정답 X)
    - - 군집
        
        데이터가 어떻게 그룹화되어야 하는지 미리 정의하지 않고 컴퓨터가 데이터 패턴을 스스로 찾아내는 방식
        
        k - 편균
  - - - 관찰
        
        정책에 따라 행동을 선택
        
        행동 실행
        
        보상이나 벌점을 받음
        
        정책 수정(학습 단계)
        
        최적의 정책을 찾을 떄까지 반복
    - - 소비 패턴 분석을 통한 마케팅 수집(최적화 문제)
- - - - ex) 집값 산출
      - ex) 사람의 집의 가격을 결정하는 원리나 규칙을 찾아 프로그램을 작성함
    - - ex) 규칙 산출
      - ex) 입력된 데이터로부터 규칙을 도출해 가격을 예측하는 프로그램을 만들어 냄
  - - - 인공지능 학습하기
        
        인공지능 모델
        
        문제 해결을 위한 새로운 데이터
        
        결과(정보)
        
        결과(정보)
    - - 우수한 품질의 데이터가 충분히 있는가?
      - 모델을 생성할 수 있는가?
      - 위 조건의 충족하지 못한다면 기계학습 모델은 성능이 높지않다
      - 수집한 데이터가 편향을 띤다면 이 데이터를 이용한 학습 결과도 정확하지 않을 것이다.
      - 데이터 공정성
        
        데이터 수집 과정의 공정성
        
        데이터 처리 및 분석의 공정성
        
        투명성과 설명 가능성
        
        데이터 사용의 공정성
      - 데이터 선정 및 수집
        
        데이터 선정
        
        문제 적합성
        
        수집 가능성
        
        정보 보호
        
        데이터의 품질
        
        1 more item...
        
        데이터 수집
        
        인터넷 검색
        
        웹크롤링
        
        다양한 센서
        
        방문 수집
        
        데이터 수집 시 활용 가능한 데이터 포털
        
        공공데이터포털
        
        캐글
        
        국가통계포털
        
        1 more item...
- - - - 단층 퍼셉트론
        
        입력층
        
        출력층
      - 모든 입력값에 가중치를 곱하여 더한 값에 편향을 더한 후 활성화 함수를 거쳐 0 또는 1을 출력함
      - 다층 퍼셉트론
        
        입력층
        
        은닉층
        
        출력층
  - - - 더 복잡한 문제 해결
      - 과대적합 발생 가능
    - - 학습의 최종 목표는 최적의 가중치와 편향 찾기
    - - 차이가 적을수록 학습이 잘된 좋은 모델
      - 차이가 크면 최적화를 통해 다시 학습시킨다
        
        여기서 최적화는 손실함수의 값이 최소가 되도록 가중치와 편향을 갱신
        
        오차 역전법
        
        경사 하강법
        
        속도가 느리고 계산량이 많음
        
        무작위로 설정된 초기 가중치의 값을 수정하며 아래 방향으로 일정거리인 학습률 만큼싹 이동,기울기가 0이 될때까지 수정
        
        최적 알고리즘
        
        학률적 경사 하강법
        
        미니 배치 경사 하강법
        
        모멘텀
        
        1 more item...
    - - 다양한 학문 분야 및 응용 분야에서 활용
    - - 컴퓨터 비전(합성곱 신경망)
        
        정지 영상이나 동영상 분석 후 의미 있는 정보 추출
        
        원래 이미지가 갖고 잇던 데이터 구조 그대로 어떤한 이미지 형태의 변환 없이 2차원 배열이 입력 데이터 사용
        
        이미지 특성 추출
        
        이미지 분류,이미지 분할, 사물 탐지 등의 컴퓨터 비전과 관련된 문제 해결
        
        합성곱 계층
        
        폴링 계층
      - 자연어 처리(순환 신경망)
        
        음성 입력
        
        음성 인식
        
        자연어 처리
        
        명령 수행 및 상호 작용
        
        형태소 분석
        
        구문 분석
        
        1 more item...
        
        음성 신호
        
        부호화
        
        특징 추출
        
        1 more item...
        
        데이터의 중간 결과 기억
        
        이전 입력값이 고려된 현재의 입력값에 따라 출력값을 결정
        
        최종적으로 감정을 도출하는 문제에 상당히 적합
        
        자연어 처리 기술,음성 인식 기술과 변환된 텍스트 분석, 그 의미 파악,잡음 제거 기술, 소리보정 기술,음성을 텍스트로 변환하는 기술 포함
- - - - 딥러닝과 알고리즘 선정하기
        
        성능 평가하기
      - 기계학습
        
        사람이 핵심 속성 추출
      - 딥러닝
        
        딥러닝이 핵심 속성 추출