Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능과 학습(1402 김나은) - Coggle Diagram

- - - - 1950년 (튜링), 앨런 튜링, 규칙 생성
        
        1950년대 '튜링'이 규칙을 만들어 주는 프로그램을 구상.
    - - 규칙 기반, 인간의 개입
        
        개발자가 직접 규칙을 만들어 프로그램이 결과를 산출함.
    - - 데이터 가공 및 분석
        
        수집한 데이터의 특징 파악, 학습하기 좋게 처리.
      - 문제 정의 및 데이터 수집
        
        해결할 문제 정의, 데이터 준비 (학습 데이터).
      - 학습 모델 구축
        
        데이터로 학습 모델 생성 (패턴 인식).
      - 모델 평가 및 개선
        
        모델의 성능 평가, 오차가 적도록 개선.
      - 문제 해결
        
        완성된 모델을 활용해 새로운 데이터 예측/판단.
    - - 데이터 기반, 학습/추론, 패턴 인식
        
        데이터 분석을 통해 스스로 규칙을 찾고 예측/판단.
- - - - 상관관계 분석, 히트맵(Heatmap)
        
        두 속성 간의 관계 강도 측정. 컬러로 상관관계 시각화.
      - 데이터 분포 확인
        
        이상치(Outlier) 확인 및 처리. 히스토그램 등 사용.
      - 산점도(Scatter Plot)
        
        두 변수 간의 분포 및 관계 시각화.
    - - 음의 상관관계 (-1.0)
        
        한 속성 증가 시 다른 속성은 감소 (반비례).
      - 상관없음 (0.0)
        
        두 속성 간 관계가 거의 없음.
      - 양의 상관관계 (+1.0)
        
        한 속성 증가 시 다른 속성도 증가 (정비례).
    - - 데이터 양/차원 축소, 계산 효율 증가
        
        불필요한 속성 제거, 학습 시간 단축, 과적합 방지.
    - - seaborn.heatmap(), corr() 함수
        
        상관관계를 시각화하고 계산하는 데 사용되는 파이썬 함수.
    - - 명목/순서 척도
        
        명목: 단순 분류(성별).
        순서: 순위 의미(학년, 등급).
      - 비율/등간 척도
        
        비율: 절대 0점 존재(무게).
        등간: 간격 일정(온도).
      - 범주형 속성, 수치형 속성
        
        범주형: 분류(성별, 학년).
        수치형: 연속적인 값(키, 몸무게).
    - - World Happinss Report, 아이리스(Iris)
        
        상관관계 분석 및 속성 추출 실습에 사용된 데이터 예시.
    - - 데이터의 특징, 학습 능력 기여
        
        모델의 성능과 정확성에 직접적인 영향을 미치는속성.
- - - - 군집
        
        특징이 비슷한 데이터끼리 묶어 그룹화 (예: 고객 세분화).
      - K-평균 군집
        
        대표적인 군집 알고리즘. K개의 중심을 기준으로그룹 형성.
    - - 의사 결정 나무, 인공 신경망
        
        지도 학습에 사용되는 다른 주요 알고리즘.
    - - 회귀
        
        연속적인 수치를 예측 (예: 집값 예측, 주식 가격 예측).
      - K-최근접 이웃
        
        가장 가까운 K개 이웃위 정보를 활용해 예측 (직관적, 간단).
      - 분류
        
        데이터를 정해진 범주/클래스로 구분 (예: 합격/불합격, 스팸 메일 분류).
    - - 테스트 데이터
        
        모델 성능 평가에 사용되는 데이터 (새로운 데이터).
      - 과적합
        
        모델이 훈련 데이터에 너무 맞춰져 테스트 데이터에서 성능 저하.
      - 훈련 데이터
        
        모델 학습에 사용되는 데이터.
    - - 비지도 학습
        
        정답(레이블)이 없는 데이터로 학습. 군집화와 차원 축소 문제 해결.
      - 강화 학습
        
        환경과 상호작용하며 보상을 최대화하는 행동 학습 (시행착오).
      - 지도 학습
        
        정답(레이블)이 있는 데이터로 학습. 분류와 회귀 문제 해결
- - - - 심층 신경망
        
        입력, 은닉층, 출력층으로 구성된 다층 구조.
      - 은닉층
        
        특징 추출 및 복잡한 패턴 학습 담당.
    - - CNN (합성곱 신경망)
        
        주로 이미지/영상 처리. 합성곱과 풀링 사용.
      - RNN (순환 신경망)
        
        주로 시계열, 음성, 자연어 처리. 순환 구조를 통해 이전 정보 기억.
    - - 자연어 처리
        
        음성 인식, 기계 번역, 챗봇.
      - GAN (생성적 적대 신경망
        
        가짜 이미지/데이터 생성 (생성자 vs 판별자).
      - 컴퓨터 비전
        
        이미지 인식, 객체 탐지, 자율 주행.
    - - 활성화 함수
        
        입력 신호의 합을 다음 뉴런으로 전달할지 결정하는 함수 (예: ReLU).
      - 손실 함수
        
        예측값과 실제 정답 간의 오차를 계산(최적화 목표).
      - 퍼셉트론
        
        인공신경망의 기본 단위 (입력, 가중치, 합산, 출력).
      - 경사 하강법
        
        손실 함수의 최솟값을 찾아 오차를 줄이는 최적화 기법.
      - 인공신경망, 뉴런
        
        인간 뇌의 신경망 모방, 노드와 계층으로 구성.
- - - - 정규화
        
        픽셀 값(0~255)을 0~1 사이로 조정하여 학습 효율 높임.
      - 원-핫 인코딩
        
        정답 레이블 (0~9)을 0과 1로 이루어진 벡터 형태로 변환.
      - 차원 변환
        
        28x28 2차원 이미지를 784개의 1차원 배열로 변환.
    - - 은닉층
        
        이미지의 특징 추출 담당. ReLU 활성화 함수 사용.
      - 출력층
        
        최종 분류 결과 출력 (0~9). Softmax 활성화 함수 사용.
      - DNN
        
        Sequential 모델 사용 (순차적 계층 구조).
    - - MNIST 데이터셋
        
        손 글씨 이미지 표준 데이터셋. 총 70,000개 (훈련 6만, 테스트 1만).
      - 데이터 크기
        
        각 이미지 크기는 28x28 픽셀.
    - - 최적화 함수
        
        Adam 사용. 가중치를 업데이트하는 효율적인 방법.
      - 평가 지표
        
        정확도를 사용하여 모델 성능 확인.
      - 손실 함수
        
        범주형 크로스 엔트로피. 분류 문제에 주로 사용
      - 에포크
        
        전테 데이터를 학습에 사용하는 반복 횟수.
    - - 손 글씨 분류
        
        사람의 지능을 모방하여 이미지 속 숫자를 컴퓨터가 인식하고 분류.
    - - 데이터
        
        딥러닝은 대용량 데이터에서 복잡한 특징을 직접 학습.
      - 처리 방식
        
        딥러닝이 성능 및 복잡한 문제 해결에 더 유리.
      - 규칙
        
        기계 학습의 데이터의 특징으로부터 규칙을 추출.