인공지능(Artificial Intelligence) : 사람의 지능을 만들기 위한 시스템이나 프로그램
1. 강 인공지능(strong AI) - 사람과 구분이 안될 정도로 강한 성능을 가진 인공지능
2. 약 인공지능 (weak AI) - 특정 영역에서 작업을 수행하는 인공지능
- ex.Tesla의 자율주행자동차, 구글의 인공지능 스피커 Google Home,등
- 머신러닝, 딥러닝
인공지능, 머신러닝, 딥러닝의 관계
머신러닝이란?
1. "학습" / "훈련" 을 한다. ( 데이터의 규칙을 컴퓨터 스스로 찾아 수정한다. )
(1) 지도학습(supervised learning)
(훈련데이터 = 입력 + 타깃)
(입력 : 모델이 풀어야 할 일종의 문제 같은 것)
(타깃 : 모델이 맞춰야 할 정답과 같은 것)
(모델 : 학습을 통해 만들어진 프로그램) - 후에 자세히 설명
입력과 타깃으로 모델을 훈련시킴 (= 문제에 대한 답을 주는 방법으로 모델을 훈련시킴)
ex. 내일의 날씨 예측, 스팸 이메일 분류, 등
- 훈련 데이터 생성에 많은 시간 소요
(2) 비지도학습(unsupervised learning)
타깃이 없는 훈련 데이터 사용
ex. 군집(clustering) - 기업이 고개의 소비성향에 따라 그룹 지정
- 모델의 훈련결과를 평가하기 어려움
(3) 강화 학습(reinforcement learning)
머신러닝 알고리즘으로 에이전트 훈련
-> 훈련된 에이전트 : 특정 환경에 최적화된 행동 수행, 수행에 대한 '보상'과 '현재상태'를 받음
에이전트의 목표 "최대한 많은 보상을 받는 것"
대표적 알고리즘 : Q-learning, SARSA, Deep Q Network, 등
ex. DeepMind, AlphaGo, 등과 같은 게임이나 온라인 광고, 등
2. 스스로 "규칙"을 찾는다.
대부분의 머신러닝 알고리즘은 훈련 데이터와 규칙의 관계를 식으로 표현 가능
ex. 1.5 * x + 0.1 = y (y가 1 이상이면 A 실행)
x는 입력, y는 타깃, 1.5가중치, 0.1 절편
규칙 : 가중치(입력과 곱하는 수) & 절편(입력과 더하는 수)
딥러닝은 많은 (10만, 100만)의 가중치와 절편을 가짐
3. 모델은 머신러닝의 수학적 표현
앞에 예시로 든 수학식이 모델
모델 : 훈련 데이터로 학습된 머신러닝 알고리즘
모델 파라미터(model parameter) = 모델 + 가중치 + 절편
4. 손실 함수로 모델의 규칙을 수정한다.
이전에 만든 모델에 새로운 입력과 출력을 넣었을 때 실제 타깃값과 맞지 않은 경우가 생김
-> 모델의 규칙(가중치, 절편) 을 수정해야함
손실 함수 (loss function) : 모델의 규칙을 수정하는 기준이 되는 함수
최적화 알고리즘 : 손실 함수의 최솟값을 효율적으로 찾는 방법
딥러닝이란?
-복잡한 문제를 해결하기 위해 인공신경망(artificaial neural network)을 다양하게 쌓은 것
1. 딥러닝은 인공신경망으로 구성된다
인공신경망을 여러 겹 쌓으면 위와 같은 모양이 되는 데 이것이 "딥러닝" 임
딥러닝 ≠ 사람의 뇌
2. 딥러닝은 머신러닝이 처리하기 어려운 데이터를 더 잘 처리한다.
"처리하는 데이터" - 머신러닝 vs 딥러닝
머신러닝 : 데이터베이스, 레코드 파일, 엑실/CSV, 등에 담긴 정형 데이터 처리
딥러닝 : 이미지/영상, 음성/소리, 텍스트/번역 등의 비정형 데이터 처리 ('인지'와 관련된 문제 해결)
'Computer Science > 인공지능(AI)' 카테고리의 다른 글
mnist모델 구축하기 - KERAS (0) | 2021.03.21 |
---|---|
[Deep Learning] 경사하강법(gradient descent) (0) | 2020.05.29 |
[Deep Learning] 선형회귀(Linear Regression) (0) | 2020.05.25 |
[Deep Learning] 딥러닝을 위한 도구들 - 넘파이(Numpy), 맷플롯립(Matplotlib) (0) | 2020.05.21 |
[Deep Learning] 구글 코랩(google colab) (0) | 2020.05.19 |