2,3,4,5강 요약

• 2강 인공지능 역사
• 3강 머신러닝 개요4
• 4강 머신러닝 실습
• 5강 딥러닝 개요 및 실습

 

 

2강 인공지능 역사

 

1943~ 뉴런으로 이루어진 전기적 네트워크

1950 앨런 튜링의 튜링테스트, 대화상대가 기계인지 인간인지 알 수 없다면 기계는 생각할 수 있다고 봄

1974~1980 암흑기

- 부족한 하드웨어 성능 (속도와 메모리가 충분x)

- 데이터 부재 (1970년대에는 데이터베이스가 없어 학습환경이 x)

- 이론 한계

1982 신경망 구조 증명과 역전파 알고리즘 개발

1987~1993 암흑기, IBM과 애플의 컴퓨터 성능이 전문가 시스템인 XCON보다 좋아졌고(더이상 하드웨어 기기를 살 이유가 사라진 것1)) 기술적 한계

 

## 퍼셉트론

1차 암흑기에 인공지능의 한계를 보여주는 책

 

## XOR

0과 1로 이루어진 두 값이 서로 같을 때는 0, 다를 때는 1을 출력

(0,0)과 (1,1)은 0이고 (0,1)과 (1,0)은 1인데, XOR 논리는 OR와 AND 논리와 달리, 두 결과를 구분하는 직선을 구할 수 없음

 

## 무어의 법칙

컴퓨터의 성능/가격은 18개월마다 2배씩 증가/감소

 

 

3강 머신러닝 개요

 

## 정의

아서 사무엘: 컴퓨터가 프로그래밍되지 않고도 학습할 수 있도록 하는 연구분야

톰 미첼: 작업T에서 경험E를 통해 측정방법P로 측정한 성능이 향상된다면, 컴퓨터 프로그램은 작업T와 성능P에 대해 경험E에 대한 학습을 한다고 말함

 

 

 

 

 

 

## 구분

머신러닝은 크게 3가지로 구분됨

- 지도학습: 사람이 학습데이터에 미리 label을 정해놓음, 이후 데이터를 구분

- 비지도학습: 사람이 정해놓은 label 없이 데이터를 학습, 데이터의 특성을 스스로 파악

- 강화학습: 현재상태에서 어떤 행동을 하는 것이 최적인지 학습, 항상 보상이 이뤄지며 보상을 통해 학습함, 즉 보상을 최대화하는 방향으로 학습

ex) 너구리게임, 어떤 상황에서 어떤 행위를 하면 목숨을 잃거나 보상을 얻음

 

## 레이블과 클래스

label은 한 데이터의 정답값, class는 여러 데이터들의 정답값의 집합

single(단일)->binary(이진)->multi(다중)

- multi class: 해, 달, 구름 등 3개 이상의 class가 존재하는 경우

- multi label: 해와 구름, 해와 달과 구름 등 하나의 샘플에 2개 이상의 label이 존재하는 경우

ex) raw data는 빨강, 초록, 보라색이 섞여있는 다중클래스 단일레이블 데이터임

 

 

 

 

 

 

 

 

 

4강 머신러닝 실습 2) 3)

 

음성예측과 그림예측은 작업T

음성과 그림을 얼마나 잘 예측했는지에 대한 정확도는 측정지표P

직접 입력한 음성과 그림은 경험E

머신러닝은 학습데이터가 적으면 성능이 안 좋을 수 있고, 데이터가 편향되면 잘못된 판단을 할 수 있음

 

 

5강 딥러닝 개요 및 실습

 

Neural networks: 인공지능 분야에선 artificial을 붙여 인공신경망이라 부르기도 함

- 입력층(input layer), 은닉층(hidden layer), 출력층(ouput layer)로 이루어짐

- 층의 개수와 구조는 모델에 따라 다르지만 일반적으로 입력과 출력은 1개, 은닉은 1개 이상

- 실질적 연산은 은닉층에서 담당함=> 은닉층 수가 많아질 수록 어려운 문제도 풀 수 있을 것으로 예상됨

Convolutional neural networks: 1989년 얀 르쿤 교수, 기존의 NN과 역전파 알고리즘을 활용한 모델

Deep neural networks: 딥러닝이란 은닉층이 3개 이상인 인공신경망을 사용한 학습법을 일컫음

 

## 특성

- 층을 사용: 데이터는 모델을 거치면서 새롭게 표현됨

- 특성공학x: 특성공학이란 데이터에서 중요한 특징을 추출해 모델이 계산하기 쉬운 형태로 변환하는 것인데, 딥러닝은 주어진 데이터에서 스스로 특징을 학습하므로 필요 없어짐

 

 

핵심적인 데이터손실x

정보는 그대로 유지한채 데이터 표현 방식만 변화함(픽셀, 좌표, 각도)

 

 

 

 

 

## 가중치

딥러닝에서 학습이란 가중치를 조정하는 과정

input layer 또는 이전층에서 나온 결과인 x1는 가중치와 연산이 되고, 결과인 y1가 다음층으로 전달됨

 

## 경사하강법

가중치로 이루어진 미분가능한(=연속한) 함수를 미분하여, 최적의 값을 찾는 알고리즘

기울기가 음수이면 양의 방향으로 이동, 기울기가 양수이면 음의 방향으로 이동하는 것을 반복

기울기가 0인 최소점이 우리가 원하는 정답값

 

## 실습 4)

선의 색이 진하고 굵을수록 모델이 중요하게 생각하는 부분이며, 가중치를 의미함

 

 

1) [AI기획] 인공지능 태공과 발전... 암흑기와 'AI윈터'

2) https://teachablemachine.withgoogle.com/train

3) https://quickdraw.withgoogle.com/#

4) https://playground.tensorflow.org/