[AICE 자격증] AI의 이해 (1일차)

AICE 자격증 학습 블로그 챌린지 (1일차)

다음은 제공된 1일차 스터디 플랜이다

AICE 1일차 학습 플랜

 

유데미 강좌에서도 동일한 구성으로 강의가 모두 한국어로 제공된다!

보통 유데미하면 중국/인도인이 영어 쓰는거 들어야 하는데 이건 정말 좋다

유데미 1일차 학습 분량

 

시험에 필요할 것이라 생각되는 정보만 추출해서 정리하겠다.

 

2. AI의 정의

- AI : 알고리즘으로 데이터를 "학습(Train)"해 모델을 만드는 기술

- 전통적인 프로그래밍 : 사람이 직접 규칙에 따라 데이터를 처리하도록 설계 및 명령 -> 해답을 도출

- 머신 러닝 : 데이터와 해답을 통해 기계가 스스로 학습함 -> 규칙을 도출

 

3. AI 용어 및 요소

- 최근 AI가 엄청난 발전을 보이는 이유?

  1) 빅데이터 : 양질의 데이터 증가

  2) 컴퓨팅 기술 : GPU, 클라우드 발전

  3) 오픈 소스 : AI 기술, 알고리즘의 공유

 

- AI 관련 용어

AI 관련 용어

(AI모델링 자동화 플랫폼을 이용하면 코딩을 직접 하지 않고도 클릭으로 AI 모델을 학습시킬 수 있다)

 

- AI 구현을 위한 3요소 : 알고리즘(머신러닝/딥러닝) / 빅데이터 / GPU

 

- 인공지능 구조도

인공지능 구조도

 

4. 머신러닝 살펴보기 1

- 머신러닝(기계학습)의 종류 : 지도학습 / 비지도학습 / 강화학습

 

- 지도 학습(Supervised Learning) : 입력(데이터, Feature, X, 독립변수) / 출력(정답, Label, Y, 종속변수) 데이터로 학습

  -- 과거의 데이터를 기반으로 예측(Predict) : 분류(Classification), 회귀(Regression)

분류	회귀
Feature(데이터)과 Label(정답)으로 학습[지도학습]
범주형 데이터 출력	수치형 데이터 출력

 

5. 머신러닝 살펴보기 2

- 비지도 학습(Unsupervised Learning) : 출력데이터(Label, Y, 정답) 없이 입력데이터만 주고 패턴으로 학습

  -- 군집화(Clustering) : 비슷한 패턴을 가진 데이터끼리 특정한 관계를 가지는 것을 찾아냄

 

- 강화학습(Reinforcement Learning) : 특정 행동(Action)을 시행하고, 상/벌(Reward)에 따라 해야 할 행동을 학습

 

- 머신러닝 학습 방법 비교

지도 학습	비지도 학습	강화학습
라벨(정답)이 있는 과거 데이터로 학습	라벨(정답)이 없는 과거 데이터로 학습	동적인 현재 데이터로 학습
정답을 통해 직접적으로 피드백	피드백이 없음	상/벌을 통해 직접적으로 피드백
분류/회귀 : 위험 평가, 예측에 활용	군집화, 연관 : 상품 추천, 특이사항 탐지 활용	바둑, 게임, 자율주행자동차, 드론 등에 활용

 

6. 딥러닝 살펴보기 1

- 대회에서 유용하게 쓰이는 머신러닝 알고리즘 : Emsemble 기법(Xgboost, LightGBM) + 딥러닝 기법

 

- ANN(Artificial Neural Network; 인공신경망) : 뇌의 신경 세포인 "뉴런"의 작동 방식을 모사한 학습 모델로, 중요한 Feature에 가중치(weight)를 부여해 학습. 입력층과 출력층 사이의 은닉층(Hidden Layer)이 많을수록 더 깊은(Deep) 학습 모델 

 

- DNN(Deep Neural Network) : 입력층, 여러 개의 은닉층, 출력층으로 구성된 가장 일반적인 모형

  -- 각 노드의 관계는 y = wx + b 로 표현(w : weight, b : bias)

DNN

 

- CNN(Convolutional Neural Network; 합성곱신경망) : 이미지의 지역별 Feature를 뽑아서 학습하는 분야에 특화

CNN

 

- RNN(Recurrent Neural Network; 순환신경망) : 자신의 출력을 다시 입력으로 활용, 순서(시간흐름)가 있는 데이터 학습에 특화

RNN

 

- GAN(Generative Adversarial Network; 생성적 적대 신경망) : 두 신경망 모델의 경쟁을 통해 학습

 

7. 딥러닝 살펴보기 2

- 딥러닝의 장점 :

  -- Feature 추출을 모델이 알아서 <-> 일반적인 알고리즘이나 기계학습은 사람의 생각이 필요

  -- 정확도가 좋음

 

- 딥러닝의 단점 :

  -- 과적합(Over-fitting)으로 학습 데이터에만 맞는 모델이 생성될 수 있다(따라서 정확도가 제일 좋은 기준인 것은 아니다)

  -- 모델이 너무 복잡해질 경우 학습하는 시간이 몹시 길 수 있다

  -- 블랙박스(Black Box) 모델로, 왜 그 결과가 나왔는지 설명하기 어렵다

 

- 딥러닝 핫 키워드

  -- NLP(Natural Language Processing) : 자연어인식/처리 

  -- Computer Vision : 영상인식/처리

  -- STT, TTS(Speech to Test / Test to Speech) : 음성인식/처리