[AI] 인공지능의 개념, 머신러닝의 학습 방법, 지도학습, 선형 회귀와 분류

1. 인공지능 개념 + 머신러닝의 학습 방법 + 지도학습 + 선형 회귀와 분류

 

 

 

# 인공지능 (Artificial Intelligence)

: 인간의 학습능력과 추론능력 그리고 언어 이해 능력을 컴퓨터 프로그램으로 실현하는 학문 또는 기술

문제 해결 능력	학습	범용성
수식 계산 및 사진 속 대상 판단, 알파고의 바둑판 등을 이해하고 다음 수를 결정하는 것 등 문제를 해결하기 위한 지능적인 행위를 의미한다.	여러 경험을 통해 패턴을 얻어내고 다음 행동에 영향을 주는 것	딥러닝 모델을 수정하여 다양한 분야에서 응용이 가능한 인공지능의 특징

 

 

 

# 머신러닝의 학습 방법

 

1. 지도 학습 (Supervised Learning)

: 입력과 미리 알려진 출력을 연관시키는 관계를 학습하고, 주어진 입력과 출력 쌍 사이의 대응 관계를 학습한다.

 

- 각 데이터에 레이블(label) 또는 태그(tag) 표시를 붙인다.

- 데이터에는 'P'(pass) 또는 'F'(fail) 레이블을 활용한다.

 

- 장점과 단점

장점	단점
- 이전의 경험으로부터 데이터 출력 생성 - 경험을 사용하여 성능 기준을 최적화 - 다양한 유형의 문제 해결에 도움이 됨	- 시간이 많이 소요됨 - 출력에 반드시 레이블이 존재하는 데이터들을 사용해야 함

 

 

ex 1) 자동차 번호판이 오염된 경우 인식하지 못할 수도 있음 -> 오염된 번호판 사례들을 학습시켜 인식율을 높임

 

ex 2) '이들은 사과'라는 레이블로 학습한 후 새로운 사과 하나를 제시하면 그것을 '사과'라고 예측

 

- 지도학습의 종류

a. 분류

: 유사한 특성을 가진 데이터끼리 묶어서 나눔. 2개로 분류하는 이항 분류와 그 이상의 개수로 분류하는 다항 분류가 있음.

ex) 합격, 불합격이나 스팸 메일, 정상 메일 구분 등은 이항 분류를 사용하고 0~9까지의 아라비아 숫자 인식은 다항 분류를 사용한다.

 

+ 분류의 방법에는 의사결정 트리, SVM(Support Vector Machine), K-NN(K-Nearest Neighbor) 등이 있다.

의사결정 트리	SVM(Support Vector Machine)	K-NN(K-Nearest Neighbor)
- 관측값과 목표값을 연결하는 예측 모델 - 최대 2가지의 판단을 하는 이진 트리 사용 - 주택, 자동차 구입 비용 추정 등에 사용 - 선택식 방법으로 진행	- 데이터를 2개의 영역으로 분류하는 이진 분류기로, 가장 큰 폭을 가진 하나의 경계선을 찾는 알고리즘을 사용 - 새로운 데이터가 어느 영역에 속하는지를 판단하고, 영역의 여백 (margin, gap)이 최대가 되는 중심선 찾기 - 패턴인식과 자료 분석을 위한 모델로 멀티미디어 정보 검색 및 분류, 회기 분석 등에 사용	- '최근접 이웃 분류'라고도 불리며, 가장 가까운 것들과의 거리 계산으로 클래스를 분류한다. - 새로운 입력 데이터와 가장 가까운 k개의 이웃 데이터를 선택하고, 이웃 데이터들의 클래스 중 다수결로 데이터의 클래스를 결정한다. - 다수결에 의해 결과가 산출되므로 반드시 k는 홀수가 되어야 한다. - 빠르고 간단한 알고리즘이라는 장점이 있어 얼굴인식과 같은 컴퓨터 비전, 유전자 데이터 인식 등에 활용된다.

 

 

 

b. 회귀 (regression)

: 변수들 사이의 관계를 결정하는 통계적 측정

 

ex) 선형 회귀 : 하나의 독립 변수를 사용하는 직선으로, 각 점에서 회귀 직선까지의 y축 방향의 거리제곱의 총합이 최소가 되게 하여 얻어지는 직선이다.

직선 y = ax + b 를 x에 대한 y의 회귀 직선이라고 한다.

+ 변수 사이의 회귀에 대해 검정, 추정하는 회귀 분석 (regression analysis)도 존재한다. 회귀 분석은 학습 데이터를 사용하여 출력값을 예측하며, 산출물은 항상 확률론적인 의미를 가진다. 주로 날씨 예측, 주택 가격 예측, 판매액 예측 등에 활용된다.

 

 

- 회귀 vs 분류

분류	회귀
선택식 출력 (여자 or 남자)	연속값으로 출력이 나타남
일정 기준에 따라 명백하게 구분됨	명확히 직선으로 구별되지 않음

 

 

 

 

 

 

2. 비지도 학습

: 출력값을 알려주지 않고 스스로 모델을 구축하여 학습. 입력만 존재하고 출력 (레이블)이 없어 규칙성을 스스로 찾아내는 것을 주요 목표로 함.

ex) 데이터 마이닝 (data mining) 기법

 

a. 클러스터링

b. 차원 축소

 

 

 

3. 강화 학습

: 주어진 입력에 대응하는 행동에 대해 보상을 주고, 이러한 보상을 이용하여 학습한다. 주어진 입력에 대한 출력과 정답 행동이 주어지지 않으며, 주요 응용 분야로는 게임, 네비게이션, 로봇 등이 있다.

 

 

 

 

# 머신러닝의 학습법과 활용 분야 체계