[AI 미션클리어]2차시 - 머신러닝, 딥러닝 파헤치기
인공지능의 종류
-
머신러닝 (기계학습)
컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술 개발일종의 소프트웨어 프로그램 뉴런 하나와 비슷
-
딥러닝
: 학습 목적에 적합한 속성, 특징을 자동으로 추출
-> 이를 이용해 우수한 성능의 학습 수행딥러닝은 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
Author And Source
이 문제에 관하여([AI 미션클리어]2차시 - 머신러닝, 딥러닝 파헤치기), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://velog.io/@steam88ys/AI-미션클리어2차시-머신러닝-딥러닝-파헤치기저자 귀속: 원작자 정보가 원작자 URL에 포함되어 있으며 저작권은 원작자 소유입니다.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)