Home [유비쿼터스 컴퓨팅 개론] 15강 - 인공 지능
Post
Cancel

[유비쿼터스 컴퓨팅 개론] 15강 - 인공 지능

💡해당 게시글은 방송통신대학교 정광식 교수님의 '유비쿼터스 컴퓨팅 개론' 강의를 개인 공부 목적으로 메모하였습니다.



학습 개요


  • 현대적인 의미의 컴퓨터가 등장한 이후 1950년대에 이미 인공 지능이란 용어가 사용 되었음
  • 하지만 당시에는 컴퓨팅 인프라도 부족했고, 인공 지능을 위한 대용량 데이터 뿐만 아니라 이 데이터를 효과적으로 학습할 수 있는 알고리즘도 없었음
  • 이후 인공 지능 암흑기를 거친 후, 여러 실증 연구에서 성과가 보이기 시작함
  • 인공 지능 연구는 패턴 인식, 예측, 강화 학습 등 우수한 연구 성과를 기반으로 현재까지 활발하게 진행되고 있음
  • 인공 지능은 인간처럼 생각하고 행동할 수 있는 기계를 만드는 기술을 의미함
  • 이는 일반 프로그래밍과 달리 컴퓨터가 입력 데이터를 이용하여 스스로 알고리즘을 찾아내는 것으로, 여러 산업 영역에서 인공 지능 기술을 적용하면서 많은 성과를 내고 있음
  • 이러한 인공 지능의 동작 원리를 이해하고, 향후 발전 방향에 대하여 살펴봄



학습 목표


  • 인공 지능의 장점과 단점, 향후 전망에 대해 설명할 수 있음
  • 인공 지능의 정의와 역사를 살펴보고, 그 과정에서 어떤 사건들이 있었는지 이해할 수 있음



강의록


인공 지능, 머신 러닝, 딥 러닝

인공 지능의 역사

  • 2016년 3월, 국내 바둑 기사 이세돌과 알파고의 대국이 개최되었고, 결과는 알파고의 4대 1 완승이었음
  • 그 이후 인공 지능을 갖춘 다양한 서비스가 우리의 삶 속에 제공되기 시작하였음
  • 인공 신경 망
    • 인공 신경 망은 인간의 뇌에 있는 뉴런 구조를 흉내 낸 모델로 인공 지능에서 활용하는 기술 중 하나임
    • 즉, 뇌에 있는 뉴런은 여러 계층으로 나열되어 있고, 인접한 계층의 뉴런들이 서로 연결되어 있음
    • 외부의 입력은 입력 층으로 전달되고, 각 뉴런은 입력 신호들에 대하여 내부에 저장된 가중치(weight)를 이용하여 적절한 출력을 계산하여 다음 계층으로 보내게 됨

    image.png

    image.png

  • 1940년대 중반 현대적인 컴퓨터가 등장했고, 1956년 존 매카시가 인공 지능이란 용어를 처음 사용하였음
  • 앨런 튜링(Alan Turing)이 처음 제안한 튜링 테스트(Turing Test)는 컴퓨터의 지능을 평가하는 지표가 되었음
    • 튜링 테스트는 기계가 수행한 행동이 인간과 동등하거나 구별할 수 없을 정도인지를 테스트하는 것임
  • 신경 외과 의사 워렌 매컬록(Warren McCullonch)과 논리 학자 월터피츠(Walter Pitts)가 인간의 뇌 구조와 유사하게 인공 신경을 그물 망으로 연결하여 간단한 기능을 구현할 수 있음을 증명하였음
  • 추론 문제에서 인공 지능의 한계가 드러나면서 1차 암흑기가 도래하였음
    • 당시에는 컴퓨팅 인프라도 부족했고, 인공 지능을 위한 대용량 데이터뿐만 아니라 데이터를 효과적으로 학습할 수 있는 알고리즘도 없었음
  • 1980년대에 이르러서 전문가 시스템(Expert System)과 딥 러닝 기술이 제안 되면서 인공 지능 연구가 되살아났음
  • 전문가 시스템은 특정 분야(예를 들면, 의료나 제조업, 설계 등)의 전문 지식을 컴퓨터가 이해할 수 있도록 표현하여 일반인도 이를 이용할 수 있도록 하였음
  • 제프리 힌튼(Geoffrey Hinton)과 데이비드 루멜하트(David Rumelhart)는 역전파(Backpropagation) 개념을 이용하여 학습 방법을 대중화하였음
  • 고가의 전문가 시스템은 일부 영역을 제외하면 범용화 할 수 없다는 점에서 부정적으로 평가 받기 시작하였음
    • 이로 인해 인공지능 연구는 2차 암흑기에 들어섰고, 관련 연구는 대부분 슈퍼 컴퓨터를 활용한 시뮬레이션으로 전환하게 됨
  • 2차 암흑기 시기에도 기존에 수학적으로만 증명된 심층 신경 망을 실질적으로 구현할 수 있는 컴퓨터 성능과 알고리즘 개선은 여러 연구자들에 의해서 계속적으로 이루어져 왔음
  • 컴퓨팅 하드웨어 성능이 향상되면서 인공 지능 관련 연구에 필수적인 컴퓨팅 파워가 제공되기 시작하였음
  • 1997년 IBM의 딥블루(Deep Blue)가 인간 체스 챔피언을 이겼음
  • 2006년에 힌튼 교수는 심층 신경 망(딥러닝)을 제안하여 인공 지능의 실증 연구가 가능할 수 있었음
  • 인공 지능 연구는 패턴 인식, 예측, 강화 학습 등의 우수한 연구 성과를 기반으로 현재까지 활발하게 진행되고 있음

인공지능의 정의

  • 인간처럼 생각하고 행동할 수 있는 기계를 만드는 기술
  • 인간이 학습을 통해 지식을 배워가듯이 기계가 유사하게 많은 데이터로부터 학습하면서 지식을 쌓고 행동할 수 있는 컴퓨터 시스템을 개발하는 것
  • 컴퓨터 관련 이론뿐만 아니라 통계학, 의학, 철학, 심리학, 윤리학 등 다양한 학문 연구 결과를 활용함
  • IT 관점에서 인공 지능은 주어진 문제를 해결할 수 있는 능력을 갖춘 시스템을 구현하는 것임
  • 문제의 정의에 따라 강 인공 지능약 인공 지능으로 구분할 수 있음
  • 약 인공 지능
    • 스팸 메일을 걸러내거나 바둑을 두고 인간과 대화가 가능한 기술 개발 등 특정한 주제에 한정된 문제를 해결할 수 있는 기술임
  • 강 인공 지능
    • 인간의 지성 자체를 인공적으로 구현한 기술임
  • 질문
    • 인간이 하는 여러 가지 일을 각각 구현한 후 이를 합치면 강 인공 지능이 가능할까?
    • 현재로서는 인간의 지성 자체를 올바르게 정의할 수 없을 뿐만 아니라, 뇌 과학 자체도 완벽하지 않기 때문에 강 인공 지능은 미래 공상 과학 영화에서만 가능한 것으로 간주하고 있다
  • 일반적인 프로그래밍

    image.png

    • (a): 프로그래머가 주어진 문제를 이해한 후
    • 그와 동일하게 기계가 동작할 수 있도록 알고리즘 구현 및 개발
    • 적절한 입력(Data)
    • 프로그램의 수행 및 결과(Output) 생산
  • 하지만 해결해야 할 문제 자체가 간단하지 않다면, 그 알고리즘을 개발하는 것도 용이하지 않음
  • 예를 들면, 사람마다 필기하는 방식이 모두 동일하지 않은데, 모든 종류의 필기를 인식할 수 있는 일반화된 알고리즘을 개발하는 것은 용이하지 않음
  • 이에 따라 여러 사용자의 필기 데이터(Data)를 이용하여 컴퓨터가 스스로 여러 사용자들의 필기를 인식할 수 있는 알고리즘(Program)을 찾아내도록 하는 것이 기계 학습 개발 방식
  • 이미지 속에서 개와 고양이를 구분하는 응용
    • 이를 위해 개와 고양이 사진을 상당히 많은 양을 확보한 다음, 이 사진들을 컴퓨터가 반복해서 학습하면서 가장 잘 구분할 수 있는 프로그램(혹은 알고리즘)을 찾도록 하는 것임
  • 머신 러닝에서 주어진 문제에서 데이터를 기반으로 컴퓨터가 학습하면서 성능을 높일 수 있도록 스스로 만들어 낸 알고리즘을 모델(Model)이라고 함
  • 딥 러닝
    • 머신 러닝의 한 종류
    • 인공 신경 망(Artificial Neural Network)의 은닉층(hidden layer)을 여러 계층 쌓아서 만든 깊은 신경 망(Deep Neural Network) 구조를 가짐
    • 뇌의 신경 망 구조와 유사한 방식으로 동작하도록 계층적인 인공 신경 망을 기반으로 설계되었음
  • 인공 지능, 머신 러닝, 딥 러닝은 사람처럼 동작하는 기계를 만드는 동일한 목적을 가지고 있음
  • 인공 지능
    • 큰 의미에서 인간처럼 동작할 수 있도록 컴퓨터 시스템을 구현하기 위한 방식
  • 머신 러닝
    • 인간처럼 동작하기 위해 컴퓨터가 사람처럼 학습하여 스스로 규칙을 만들어낼 수 있도록 함
  • 딥 러닝
    • 머신 러닝을 구현하는 방식 중 하나로 인공 신경 망 구조를 활용하였음
  • 일반적인 인공 지능, 머신 러닝, 딥 러닝의 관계

    image.png

머신 러닝

  • 머신 러닝(Machine Learning, 기계 학습)
    • 인공 지능 기술 중 하나이며, 관련 분야의 데이터를 바탕으로 지식을 자동으로 습득하여 스스로 성능을 향상 시키는 기술
  • 대상과 관련된 데이터 분석
    • 데이터 학습
    • 학습한 것을 적용해 입력이 주어지면 적절한 결정을 수행하는 알고리즘 개발

머신 러닝의 분류

개요

  • 최근의 기술적 성과와 다양한 응용의 개발은 주로 머신 러닝과 딥 러닝에 기반함
  • 머신 러닝과 딥 러닝은 데이터를 이용하여 기계가 스스로 일정한 규칙을 찾도록 함
  • 2012년 구글과 앤드류 응(Andrew Ng) 교수는 딥 러닝을 활용하여 1,000만 개의 유튜브 영상에서 고양이를 74.8%의 정확도로 식별하였고, 이 과제가 성공하면서 머신 러닝 및 딥 러닝의 가능성이 크게 주목 받게 되었음
  • 특정 문제에 대하여 머신 러닝을 활용하기 위해서는 주제와 관련된 대용량 데이터, 이를 학습할 수 있는 알고리즘, 그리고 데이터와 알고리즘을 처리할 수 있는 컴퓨팅 자원이 필요함
  • 최근에는 클라우드 시스템이 대중화되고 빅 데이터 처리 기술이 성숙하면서 컴퓨팅 인프라가 충분하게 제공될 수 있게 되었음
  • 머신 러닝이 해결하고자 하는 문제는 학습 종류에 따라 지도 학습, 비지도 학습, 강화 학습으로 구분하며, 그 외에 반 지도 학습도 있음
  • 지도 학습비 지도 학습은 학습 데이터마다 관련된 정보인 레이블 유무에 따라 구분
  • 강화 학습은 컴퓨터가 주어진 상황에 대해 적절한 행동을 수행한 후 적절한 보상을 수행하는 방식임

지도 학습

  • 모든 학습 데이터(x)에 적당한 레이블(y)을 부여한 후, 기계가 입력 집합 x를 모델에 넣어 결과에 해당하는 y값과 비교함으로써 모델의 성능을 높이는 학습을 진행하게 됨
  • 레이블은 각 학습 데이터에 대한 정답으로 이해할 수 있음
    • 학습 데이터로 수집한 이미지에 이미지의 내용에 해당하는 ‘개’, ‘고양이’ 등을 레이블로 지정해 둔 후, 학습을 진행하면서 이미지가 무엇을 표현하는지 구분할 수 있도록 함
  • 머신 러닝을 수행하기 위해 수집 된 데이터 중 일부는 학습에 사용하고, 나머지는 테스트에 사용함
  • 학습을 진행한다는 것은 레이블 된 학습 데이터를 머신 러닝 알고리즘에 전달하여 예측을 수행하고, 그 예측이 정확한지 레이블과 비교하면서 정확도를 높여 나가는 과정
  • 이 과정에서 내부 가중치를 조절하기 위해 비용 함수, 활성화 함수 등 다양한 개념이 적용됨
  • 지도 학습은 학습하는 목적에 따라 분류와 회귀 모델로 구분
    • 분류
      • 학습 데이터 집합을 지정 된 항목 중 하나로 선별하는 문제이며, 분류 문제에서 레이블은 이산적이고 순서가 없음
  • 이미지 집합이 주어졌다면, 학습된 결과는 {cat, dog, mug, hat} 중 하나로 분류되는 문제가 될 수 있음

    image.png

  • 메일에서 스팸 메일을 필터링 하기 위해 지도 학습을 사용하는 경우
    • 먼저 수집 된 수많은 이메일 각각에 ‘정상 메일’과 ‘스팸 메일’이라는 레이블을 부여함
    • 각 메일에 대하여 학습을 수행함
    • 새롭게 들어온 메일을 ‘정상 메일’과 ‘스팸 메일’으로 구분함
  • 스팸 메일 필터도 분류 문제가 됨
  • 회귀 모델
    • 주어진 데이터의 속성 값을 기준으로 연속된 값 또는 분류된 값 중 N개의 값 중 하나를 예측하는 문제이며, 출력 되는 값이 분명하게 예측하는 것이 아니라, 연속된 값들 중 하나로 출력하는 것임
  • 특정 지역에서 동네 별 범죄율, 세금, 집의 크기, 방의 개수와 같은 데이터를 집합 및 그 집 가격에 해당하는 레이블을 사용하여, 새로운 집의 가격을 예측하는 문제임
    • 여기서 동네별 범죄율, 세금, 집의 크기, 방의 개수와 같은 변수를 예측 변수 혹은 특성이라고 하고, 집의 가격을 결과라고 함
  • 학생들의 수학 과목을 공부한 시간(x)과 성적(y)과의 관계를 이용하여 모델을 만드는 경우
    • 공부한 시간에 해당하는 독립 변수가 주어졌을 때, 그에 해당하는 성적이란 종속 변수 값을 분석하여 예측하는 모델을 생성할 수 있음
    • 이때 성적은 0부터 100점 사이의 임의의 실수 값이 되므로 회귀 분석의 예가 됨

    image.png

비 지도 학습

  • 비 지도 학습은 주어진 데이터에 대한 어떤 지식이나 레이블도 없는 데이터를 다룸
  • 레이블이 없는 데이터를 학습하는 목적은 해당 데이터에 있는 알려지지 않은 특징이나 구조를 스스로 파악하여 일정한 규칙성을 찾아내는 것임
  • 지도 학습의 데이터는 학습 과정에서 주어진 입력에 대한 정답에 해당하는 레이블을 가지고 있음
  • 비 지도 학습은 결과에 대한 어떤 가정도 없이 학습을 수행하고, 그 결과로부터 유의미한 지식을 얻고자 함
  • 비 지도 학습의 주요 응용에는 군집화차원 축소가 있음
  • 군집화
    • 주어진 입력 데이터를 의미 있는 N개의 클러스터로 구분하는 데이터 분석 기법
    • 각 클러스터 내에 포함된 데이터들은 다른 클러스터의 데이터와는 다른 어떤 공통된 특징을 가지고 있음
    • 예를 들면, 마케팅 회사에서 관리하는 고객 데이터를 고객의 나이(x)와 고객의 홈페이지 방문 횟수(y)와의 유사도를 기반으로 세 개의 그룹으로 군집화 할 수 있음

    image.png

  • 비 지도 학습의 차원 축소
    • 다 차원 데이터의 집합에서 일부 속성을 제거하여 새로운 차원의 데이터 집합을 생성하는 작업
    • 대개 하나의 데이터는 여러 특성으로 구성되어 있으며, 차원은 특성의 개수를 의미함
    • 일반적으로 차원이 클 경우, 데이터 간의 거리가 기하급수적으로 커지기 때문에 모델의 예측 정확도가 떨어지게 됨
  • 일반적으로 차원 축소는 피처 선택과 피처 추출로 구분함
  • 피처 선택
    • 특정 피처에 강하게 연관된 다른 피처를 제거하는 것
  • 피처 추출
    • 기존 피처를 중요한 피처 위주로 저 차원으로 압축해서 추출하는 것임

반 지도 학습

  • 반 지도 학습은 전체 데이터 중에서 일부만 레이블을 가지고 있을 때 적용함
  • 대부분의 반 지도 학습은 지도 학습 알고리즘과 비 지도 학습의 조합으로 이루어짐
  • 레이블이 없는 데이터에 대해 일부 레이블 있는 데이터로 보충해서 학습을 시키는 방식임

강화 학습

  • 사람들은 경험으로부터 배운다는 말을 구현한 것이 강화 학습임
  • 지도 학습과 비 지도 학습은 현재 상태를 특별히 가정하지 않고, 단지 주어진 데이터를 이용하여 학습을 수행하면서 특정 문제에 대한 모델을 생성해 나가는 방식임
  • 강화 학습
    • 행동을 수행할 에이전트가 현재 상태를 기반으로 하여 행동을 선택
    • 가능한 행동 중에서 가장 큰 보상을 받을 수 있는 행동이 무엇인지 스스로 학습하도록 함
    • 현재 상황에 따라 보상을 크게 받을 수 있도록 시행 착오를 하면서 학습을 진행함
  • 바둑의 경우, 현재 바둑판에 놓인 백돌과 흑돌이 현재 상태가 되며, 그에 따라 다음에 둘 수 있는 위치들의 집합이 선택 가능한 행동
  • 대국 도중에는 그 선택 가능한 행동 중에서 승리하기 위해 가장 좋은 수가 무엇인지 알기 힘듦
  • 대국이 끝나면 각각의 수에 대해 피드백을 받아, 이겼을 때에는 양의 보상을 받고 졌을 때에는 음의 보상을 받도록 함
    • 강화 학습의 학습 방식
  • 강화학습에서는 에이전트에게 무엇을 하라고 명령을 내리지 않고, 단지 강화 학습의 목표가 무엇인지 지정해 둠
  • 이후 여러 차례 시행착오를 통해 얻은 결과를 바탕으로 에이전트는 지속적으로 보상을 받으면서 성능이 향상
  • 강화 학습 모델

    image.png

  • 현재 상태 Sₜ에서 수행할 행동 Aₜ를 결정해야 하는데 이를 정책이라고 함
  • 강화 학습의 목적이 보상을 최대로 할 수 있도록 정책을 학습해야 하는데, 이는 가치 함수로 표현하고 가치 함수는 현재 상태를 입력으로 주었을 때 출력 되는 리턴 값에 대한 기댓 값으로 표현하며, 벨만(Bellman) 방정식으로 표현할 수 있음
  • 바둑에서는 여러 차례 대국을 진행하면서 가치 함수를 높일 수 있도록 에이전트의 정책이 개선되는 것임

인공 지능의 미래

개요

  • 2016년 세계 경제 포럼(WEF)에서 처음 언급된 4차 산업 혁명은 향상 된 정보 통신(IT) 기술을 타 산업에 융합하여 혁신 시키고자 하는 차세대 산업 혁명임
  • 이를 위한 핵심 기술에는 빅 데이터, 인공지능, 사물 인터넷, 로봇, 3차원 프린팅, 나노 기술 등이 있음
  • 지난 10여 년간 인공 지능 관련 여러 기반 기술이 성숙해지고, 대용량의 데이터를 수집하여 처리할 수 있는 알고리즘 및 컴퓨팅 인프라가 충분히 지원되면서, 보안, 자율 주행 자동차, 금융, 마케팅, 물류, 엔터테인먼트, 의료 등 다양한 분야에 적용되고 있음

인공 지능 기술의 특징

  • 인공 지능은 사람을 흉내 내는 것을 목표로 하지만, 일부 영역에서는 이미 사람보다 우수한 성능을 보이고 있음
  • 머신 러닝이나 딥 러닝처럼 입력 데이터로 학습하면서 생성해 낸 알고리즘은 결국 방대한 데이터를 처리하여 나온 결과이며, 이러한 방대한 데이터 처리 역시 우수한 컴퓨팅 인프라를 활용하고 있음
  • 특정 분야와 관련된 방대한 데이터를 수집하고 이를 처리한 후, 적절한 모델에 적용할 수 있다면 인공 지능은 상당히 많은 영역에서 사람들의 행동 양식에 영향을 줄 것으로 기대됨
  • 일단 특정 응용에서 인공 지능의 초기 모델이 생성 된 후에도 지속적으로 데이터가 추가된다면 기계 스스로 계속 학습하면서 성능이 더 좋아질 수 있다는 것도 중요한 장점이 될 수 있음
  • 다만, 얼마 전 이슈가 된 초 거대 언어 모델(LLM)처럼 이전과 비교할 수 없을 정도의 양을 가진 데이터를 학습하기 위해서는 엄청난 컴퓨팅 파워가 필요함
  • 자본, 기술, 인프라를 갖춘 대기업을 중심으로 선도적인 기술 및 서비스 개발이 이루어질 수 있음을 시사함

인공 지능의 부정적인 미래

  • 여러 산업 영역과 관련된 데이터와 올바른 모델만 있다면 사람처럼 동작할 수 있는 인공 지능 기계가 등장할 수 있으며, 결국 그 자리에서 일하던 인간의 필요성이 사라질 수 있다는 의미이기도 함
  • 대표적으로 단순 반복 업무인 고객 응대, 애프터 서비스(AS), 정보 요청(FAQ)은 챗 봇으로 대체될 수 있음
  • 뿐만 아니라 전문직으로 여겨졌던 은행 및 보험 업무, 회계사, 공무원의 행정 업무, 법률 서비스 등도 인공지능에 의해 일자리가 위협 받는 직업으로 예측됨
  • 2011년 IBM이 개발한 왓슨은 퀴즈 대회에서 인간 챔피언을 이기고 우승했음
  • 왓슨은 왓슨헬스 그룹을 설립한 후 50만 편의 논문을 통해 여러 항암 유전자를 찾아냄
  • 그 외에도 헬스케어, 법률, 광고, 요리 등에서도 활약하고 있음
  • 학습에 사용된 원천 데이터에 포함된 개인 정보 보호 이슈, 개인의 잊혀질 권리, 콘텐츠의 원 저작자와 저작권 문제 등은 아직 해결되지 않은 주요 쟁점임
  • 초 거대 언어 모델과 ChatGPT
    • 자연어 처리는 컴퓨터가 음성이나 문자 형태인 사람의 언어를 이해하고, 생성 및 조작할 수 있는 기술임
    • ChatGPT는 OpenAI가 개발한 프로토 타입 대화형 인공지능 챗봇(Chat Bot)임
    • GPT는 Generative Pre-trained Transformer의 약자로, Transformer 아키텍처를 기반으로 구축된 신경 망 기반 언어 예측 모델임
    • 즉, 사람이 자연어로 질의한 질문을 분석하고 언어에 대한 이해를 바탕으로 가능한 최상의 응답을 예측하여 생성할 수 있음
    • 2018년 개발된 GPT-1은 1억 1,700만 개의 파라미터를 가지고 있지만, GPT-3은 1,750억 개, GPT-4는 수십조 개의 파라미터를 가진 것으로 예상 됨
    • 이처럼 엄청난 파라미터를 가진 초거대 언어 모델을 만드는 이유는 일단 완성되면 다양한 목적에 맞게 수정될 수 있기 때문임
    • 이를 위해 다양한 목적에 적용할 수 있도록 먼저 일반적인 지식을 학습 시키는 사전 학습과 사전 학습 결과를 목적에 맞게 특수 화 시키는 전이 학습이 활용

정리 하기

  • 인공 지능은 큰 의미에서 인간처럼 동작할 수 있도록 컴퓨터 시스템을 구현하기 위한 방식들을 의미함
  • 머신 러닝은 인간처럼 동작하기 위해 컴퓨터가 사람처럼 학습하여 스스로 규칙을 만들어 낼 수 있도록 함
  • 딥 러닝은 머신 러닝을 구현하는 방식 중 하나로 인공 신경 망 구조를 활용함



연습 문제


  1. 모든 학습 데이터(x)에 적당한 레이블(y)을 부여한 후, 기계가 입력 집합 x를 모델에 넣어 결과에 해당하는 y값과 비교함으로써 모델의 성능을 높이는 학습 방식은 무엇인가?

    a. 지도 학습(Supervised Learning)

  2. 위 지문은 무엇에 대한 설명인가?

    1
    2
    
     인공신경망(Artificial Neural Network)에서 은닉층(hidden layer)을 여러 계층 쌓아서 만든 깊은 신경망(Deep Neural Network)이며, 
     뇌의 신경망 구조와 유사한 방식으로 동작하도록 계층적인 인공신경망을 기반으로 설계된다
    

    a. 딥 러닝

  3. 출력 되는 값이 분류 문제처럼 N개의 값 중 하나를 예측하는 것이 아니라, 연속된 값 중 하나를 출력하는 것은 무엇인가?

    a. 회귀 모델



정리 하기


  • 인공 신경망
    • 인간의 뇌에 있는 뉴런 구조를 흉내 낸 모델로 인공 지능에서 활용하는 기술 중 하나임
    • 즉, 뇌에 있는 뉴런은 여러 계층으로 나열되어 있고, 인접한 계층의 뉴런들이 서로 연결되어 있음
    • 외부의 입력은 입력 층으로 전달되고, 각 뉴런은 입력 신호들에 대하여 내부에 저장된 가중치(weight)를 이용하여 적절한 출력을 계산하여 다음 계층으로 보내게 됨
  • 머신 러닝(Machine Learning, 기계 학습)
    • 인공 지능 기술 중 하나이며, 관련 분야의 데이터를 바탕으로 지식을 자동으로 습득하여 스스로 성능을 향상 시키는 기술임
  • 딥러닝
    • 머신 러닝의 한 종류이며, 인공 신경 망(Artificial Neural Network)의 은닉 층(hidden layer)을 여러 계층 쌓아서 만든 깊은 신경 망(Deep Neural Network) 구조를 가짐
  • 강화 학습
    • 컴퓨터가 주어진 상황에 대해 적절한 행동을 수행한 후 적절한 보상을 수행하는 방식임
  • 지도 학습
    • 모든 학습 데이터(x)에 적당한 레이블(y)을 부여한 후에 기계가 입력 집합 x를 모델에 넣어 결과에 해당하는 y값과 비교함으로써 모델의 성능을 높이는 학습을 진행함
  • 비 지도 학습
    • 주어진 데이터에 대한 어떤 지식이나 레이블도 없는 데이터를 다룸
  • 강화 학습
    • 행동을 수행할 에이전트가 현재 상태를 기반으로 하여 행동을 선택하고, 가능한 행동 중에서 가장 큰 보상을 받을 수 있는 행동이 무엇인지 스스로 학습하도록 함

[데이터베이스 시스템] 15강 - 회복 시스템

[데이터 정보 처리 입문] 15강 - 파이썬을 활용한 자료 분석 2