인공지능

AI

: 지능적으로 행동하는 계산(컴퓨터) Agent(주어진 환경에서 주어진 목표를 향해 행동하는 주체)를 만들고 분석하는 학문 분야

약인공지능: 한가지 작업만

강인공지능: 인간처럼 학습해 모든 작업 수행 가능. 실존하진 않음.

Machine Learning

: 기계가 스스로 학습. 사람은 학습데이터만 공급하고 컴퓨터가 스스로 입력값과 결과값과 관계를 만족시키는 내부 동작을 찾아냄.

• 학습데이터(훈련데이터) Training Data: 내부동작을 만들때 사용한 데이터(입력값, 결과값)
• 시험데이터 Test Data: 만들어진 내부 동작 성능 평가시 사용하는 데이터

- 지도학습 Supervised Learning

: 결과값을 아는 즉 라벨링된 학습데이터로 ML모델 학습시킴. 분류 Classification, 회귀 Regression.

-비지도학습 Unsupervised Learning

: 레이블이 없는 데이터로 ML모델 학습시킴. 군집 Clustering

-강화학습 Reinforcement Learning

: 입력값에 대한 정답이나 결과값 대신 어떤 State(상태)에서 어떤 Action(행동)을 잘 했을때 Reward(보상)을 줘 모델을 시킴.

인공신경망 ANN, Artificial Neural Network

: 뇌를 구성하는 뉴런의 연결 구조를 흉내내 만든 ML모델.

뉴런구조: 입력 신호 총합이 일정 값 이상이 되면 신호 전달.

TLU, Threshold Logic Unit

퍼셉트론 Perceptron

: TLU에 가중치(Weight)를 추가한 모델. OR(논리합)연산가능, XOR(배타적 논리합)불가능.

퍼셉트론으로 구성된 인공신경망에서 학습이란 입력의 가중치를 결정하는 작업.

다층퍼셉트론 MLP, Multi Layer Perceptron

: 퍼셉트론의 입력계층과 출력계층 사이 은닉계층(Hidden Layer)을 추가한 것.

• 은닉계층의 가중치 학습 방법이 없다는 문제점을 오류 역전파(Error Backpropagation)알고리즘으로 해결.
• 사라지는 경삭도(Diminishing Gradient)문제: 오차가 작아져 학습 효과가 거의 없음. 은닉계층의 개수를 늘려갈때 치명적인 약점.

Deep Learning

: 인공신경망의 일종으로 2개 이상 은닉계층을 갖는 심층신경망. 사전학습방식&드롭아웃 기술로 한계점 극복. 학습데이터로부터 특징추출(Feature Extraction)을 스스로 함. 데이터가 많을수록 성능이 좋아짐.

Deep Learning 성공요인 = 알고리즘 개선 + 빅데이터 + 컴퓨팅파워

*Deep Learning 이외의 ML은. 사람이 특징추출하여 얼마나 특징 추출을 잘하느냐는 전적으로 그 사람의 능력에 좌우되며 머신러닝의 학습 결과에 안 좋은 영향을 미칠 수 있음. 데이터 양이 일정 수준을 넘기면 더이상 성능향상이 안됨.