ML 및 DL에 대한 스냅샷

다음 블로그에는 AI(Augmented Intelligence)의 일부인 "머신 러닝 및 딥 러닝"에 대한 간략한 설명이 포함되어 있습니다.

우리는 컴퓨터가 인간으로부터 보고/감지하고 배우는 비전을 가질 수 있다는 것을 알게 되었고, 그런 다음 최대한 정확하게 행동을 모방하려고 시도했습니다. 이제 세 가지 쿼리가 있습니다.

a) How computer watch/sense
b) How computer learn
c) How computer mimic

첫 번째 질문은 "컴퓨터 비전 및 로보틱스"에 의해 답변될 수 있습니다. 우리는 컴퓨터/시스템에 데이터를 올바르게 입력하기 위해 정밀 제작 프로그램/소프트웨어 지원과 함께 다양한 센서 및 하드웨어를 사용합니다.

두 번째 질문은 매개 변수로 사용할 수 있는 두 가지 항목으로 시작합니다. 첫 번째 질문은 첫 번째 질문의 솔루션에서 수집한 "데이터"이고 두 번째 질문은 "패턴 및 추론*"입니다.

이제 정의에 도달하면

Machine Learning is the study of algorithms and mathematical/statistical models, to find out some pattern and perform a certain task without being explicitly instructed”

네 가지 중요한 용어에 밑줄을 쳤습니다. 단계별로 설명하지는 않겠지만 정확히 어떤 일이 발생하고 우리가 일반적으로 따르는 메커니즘을 설명하겠습니다. (이해가 어려우시면 용어를 검색해주세요)

그래서 우리는 일련의 데이터를 가지고 있고, 데이터의 무작위 샘플(가장 바람직하게는 Stratified Random Sample)을 "훈련 데이터"로 선택합니다. 이제 알고리즘을 설계하고 일종의 "코드"로 시스템에 공급하는 실제 작업이 옵니다. ". 훈련 데이터는 알고리즘의 입력이며 수학/통계 모델을 출력(예: P)으로 얻습니다. 이 핵심 데이터 계층, 알고리즘 및 출력 위에 특정 작업을 위해 설계된 의사 결정 및 작업 수행 프로그램의 두 번째 계층이 있으며 P를 입력으로 사용하고 작업을 수행합니다. 그런 다음 컴퓨터가 "로봇 공학 및 전문가 시스템"을 모방하는 세 번째 질문에 대한 답이 나옵니다.

아마도 전문가 시스템은 "머신 러닝 및 딥 러닝"의 커버 레이어입니다. 왜냐하면 여기에는 작업을 수행하기 위해 더 나은 ML 알고리즘 중에서 선택하는 프로그램이 포함되어 있기 때문입니다. 간단히 말해 인간 전문가의 의사 결정 능력을 에뮬레이션합니다.

따라서 기본적으로 텍스트의 이 부분까지 다음과 같은 결과가 나타납니다.



이를 설명하기 전에 "신경망"이라는 새로운 용어가 있습니다. 대부분의 사람들은 뉴런이 무엇인지 알고 있을 것입니다. 뉴런은 인간의 뇌에서 장기의 다른 부분으로 인체 내부의 정보를 전달, 수정 및 반응하는 역할을 하는 세포 그룹입니다. 유사한 방식으로 신경망은 시스템이 인체처럼 학습하고 성능을 더욱 향상시킬 수 있도록 설계된 프로그램입니다. 이번이 첫 번째 과제이므로 세부 사항과 관련된 기술적인 내용은 논의하지 않습니다.

Deep Learning is a subset of machine learning, focused on developing the ML Algorithm into layers of data and extract a broader sense of details(technically known as features and attributes) for a more precise and accurate prediction or learning depending upon the target attribute/feature

정의는 잊어버리고 간단하게 만들자.
시스템에 이 입력을 이미지로 제공하고 있습니다. ML 및 DL 알고리즘이 무엇을 예측하는지 살펴보겠습니다.



ML 알고리즘 - 다리 4개, 꼬리 1개, 뿔 2개, 귀 2개, 크기 - X
DL 알고리즘 - 다리 4개, 꼬리 1개, 뿔 2개, 귀 2개, 크기 - X, 머리 크기: 몸 크기 = P:Q, 20% 흑점, 80% 흰색 , 목 근처의 흑점 군집이 더 많음, 다리가 있음 적은 양의 흑점

그게 무슨 상관이야? ML 알고리즘 출력은 소인지 식별하기에 충분하지 않습니까?
두 개의 이미지를 비교해 보겠습니다.



ML 알고리즘은 이 둘을 서로 다른 것으로 구분하고 분류하지 못할 수 있지만(크기가 동일한 경우) DL은 확실히 정답을 예측할 것입니다. 각 사진에는 검은 반점과 흰 반점의 비율이 다른 소가 있기 때문입니다.

[ 틀림없이 그리고 기술적으로 이것은 잘못된 예입니다. DL이 단지 ML의 확장 및 향상일 뿐이라는 아이디어를 제공하기 위한 것입니다.]