[AI 미션클리어]2차시 - 머신러닝, 딥러닝 파헤치기

인공지능의 종류

• 머신러닝 (기계학습)
  컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술 개발

  일종의 소프트웨어 프로그램
  뉴런 하나와 비슷

  
  

• 딥러닝
  : 학습 목적에 적합한 속성, 특징을 자동으로 추출
  -> 이를 이용해 우수한 성능의 학습 수행

  딥러닝은 순전파와 역전파가 반복적으로 이루어지면서
  적합한 가중치를 스스로 찾아내고
  우수한 성능을 가진 인공신경망이 완성됨

  
  
  
  

아서 사무엘 Arthur Samuel (1901~1990)

인공지능의 정의

명시적인 프로그래밍 없이도 컴퓨터가 스스로 학습할 수 있도록 하는 학문

카테고리 구분
1. 기존 카테고리화 되어있는 특성 학습
2. 새로운 상품 들어옴
3. 어떤 카테고리인지 지능적으로 분류

단점 : 애매한 종류가 생긴 경우

-> 유형을 추가해 주는 시간과 노력 필요

< 학습 >
1. 지도 학습
: 이미 정답인 Label이 있는 데이터 이용

트레이닝(데이터) 셋의 형태에 따라 나뉨

- 분류(classification)
	: 문제와 정답이 정확히 인간이 정해놓은 대로 딱 맞아 떨어지는 경우

	  자동화 시킬 수 있음


- 회귀 분석(refression analysis)
	: 문제와 답의 관계가 인과성을 지닌 
      연속적인 수치로 나타나는 데이터 셋을 사용해 학습하는 것

	y = f(x)

	x : 원인, 문제, input
	y : 결과, 답, output
	f() : 관계, 풀이, function

	원인과 결과 관계와 관련이 깊음

2. 비지도 학습
: 라벨(정답)이 없는 데이터를 군집화 하여

새로운 데이터에 대한 결과를 예측하도록 공부시키는 방법

데이터들의 군집
: 입력 데이터들의 유사한 속성값

유사도함수
: 유사한 속성값을 찾기 위해 유사도 측정하는 함수

Labeling
: 대상의 특징에 따라 정답을 표기하는 것

Label
: 대상에 표기된 데이터

트레이닝(데이터)셋 OR 훈련데이터
: label이 된 데이터들의 모음

퍼셉트론
: 뉴런으로 이루어진 신경망 구조를 수학적으로 본뜬 구조

(1957년 플랑크 로젠블라트에 의해 고안된 인공 신경망 최초의 알고리즘)

어떻게 입력 데이터에 
어떤한 가중치가 실리고 
활성화 함수를 통해서 전달할지말지 판단하여 
출력을 내보낼 수 있는 구조

신경망

• 입력층 : 입력 뉴런(노드)로 이루어짐, 입력 데이터 받는 층
• 은닉층 : 계산하는 층
• 출력층 : 출력 뉴런(노드)으로 이루어짐, 최종 출력 내보내는 층

(은닉층 >= 2) : 심층 신경망, 딥러닝

층들의 노드간 연결강도를 나타내는 가중치(weight) 존재
가중치는 이전층의 어떤 노드의 결과값을 얼마나 신뢰할 것이냐는 의미

1. 순전파(Forward Propagation)
입력층 -> 은닉층 -> 출력층
(출력값 - 실제값 = 손실(error))

2. 역전파(Backward Propagation)
역방향으로 계산하여 손실을 최소화할 수 있도록
가중치를 업데이트하는 것

배치 (Batch)
: 집단/묶다/일괄/배치

전체 트레이닝셋을 작은 그룹들로 나누었을 때

- 배치사이즈(batch size)
: 하나의 소그룹에 속하는 데이터 수
  
- 배치폼(batch form)
: 나누어진 형태

에포크 (Epoch)
: 시대

전체 트레이닝셋이 신경망을 통과한 횟수

ex) 1-epoch -> 전체 트레이닝셋이 하나의 신경망에 적용되어
			   순전파와 역전파를 통해 신경망 한 번 통과

반복 (Iteration)
: 1-epoch를 마치는데 필요한 미니 배치 개수

미니배치가 신경망을 통과할 때마다 가중치 업데이트