딥러닝 기초 용어와 개념

인공지능이란 (Altifitial Intelligence)

• 인간처럼 생각하는 시스템 이다

튜링 테스트 (Turing Test)

• 컴퓨터가 단지 인간처럼 대화하는 능력을 테스트 하는 것이다.
• 1명의판사, 1명의 인간, 1개의 컴퓨터가 텍스트 전용 채널로 소통하며, 판사는 어느 텍스트 채널이 사람인지 판단해야하고, 판사가 판단이 틀렸거나, 할 수 없는 경우 컴퓨터는 이 테스트를 통과하게 되는 것이다.

퍼셉트론 (Perceptron)

• 퍼셉(Perception) + 뉴런(Neuron) 단어의 조합이다
  • perception : 무언가를 인지하는 능력
  • Neuron : 감각 입력 정보를 의미있는 정보로 바꿔주는 뇌에있는 신경 세포
• 다수의 입력을 받아 하나의 신호로 출력하는 알고리즘이다.
  
• 더 복잡한 문제를 풀어내기 위해서, 위 사진과같은 퍼셉트론 하나를 수십개를 묶어, 신경망(Neural Network)를 형성해서 문제를 해결해야한다.
• 퍼셉트론은 3가지 구성요소로 설명할 수있다.
  • Inputs : 입력값이다. 예를들어 사람이라고 하면 키,몸무게,나이
  • Weights : 가중치이다. 각 인풋에 대한 일정량의 중요도를 부여하는 개념이다. 가중치가 크다는것은 결과값에 큰 영향을 준다는 뜻이다.
  • Output : 인풋1_가중치 + 인풋2_가중치 + ... = 아웃풋. 인풋과 가중치를 이용해서 아웃풋을 생성하는데, activation function(활성함수)를 통해서 0~1사이의 결과를 돌려준다.
  • +은닉층(hidden layer)

용어 정리하기

머신러닝 (Machine Learning)

• 명시적인 프로그램 없이도 컴퓨터가 제공된 데이터를 학습함으로써 새로운 지식을 얻어내는 방법이다.
• Machine Leaning 의 유형
  • 지도학습(Supervised Learning) : 정답/오답을 알려주며 학습시키는 방식
  • 비지도학습(Unsupervised Learning) : 정답/오답이 없는 데이터를 자동으로 구집하여 규칙을 스스로 발견하게하는 학습 방식
  • 강화학습(Reinforcement Learning) : 실패와 성공의 과정을 반복해나가며 학습해나가는 방식 ex)자율주행,로봇제어,바둑

패턴인식 (Pattern Recognition)

• 데이터로 부터 중요한 특징이나 속성을 추출하여 입력 데이터를 식별할 수 있는 부류로 분류하는 것

인공신경망 (Altifitial Neural Network : ANN)

• 뉴런(두뇌의 신경세포)이 연결된 형태를 모방한 모델이다.
• 인간의 뇌가 패턴인식을 하는 방식을 모방한 알고리즘으로, 입력데이터를 해석한 결과를 이용하여 영상,소리,문자,시계열 데이터에서 특정 패턴을 인식하는 학문이다.

딥러닝 (Deep Learning)

• 여러 층을 가진 인공신경망(Altifitial Neural Network : ANN)을 사용하여 머신러닝 학습을 수행하는 것이다.
• 머신러닝의 한 종류이다.

머신러닝의 3가지 유형에 대해 자세히 알아보자

1. 지도학습(Supervised Learning)

지도학습은 미리 훈련데이터를 클래스별로 분류시켜놓고 분류 함수를 게산하여 새로운 데이터를 분류 함수에 따라 특정 클래스로 분류하는 방법이다.

• 분류(Classification)
  • 기존에 존재하는 데이터와 클래스와의 관계를 학습 → 학습된 모델을 통해 새로운 입력 데이터를 클래스별로 판별하는 알고리즘
• 회귀(regression)분석
  • 둘 이상의 변수들의 상관관게를 모델링하여 종속변수 y값을 또다른 독립변수 x 들로부터 예측하는 방법

2. 비지도학습(Unsupervised Learning)

비지도학습은 미리 훈련 데이터의 클래스를 분류시켜놓지 않고, 입력된 훈련 데이터의 특성을 분석하여 특성이 비슷한 몇개의 군집으로 분류
학습이 끝난뒤 → 새롭게 입력되는 데이터를 K개의 군집중 하나로 분류

• Clustering(클러스터링)
  • 정답이 없는 경우에 속성별로 데이터를 나누는것.(Classification과 차이점 중 하나는 분류된 군집의 label의 유무이다)

3. 강화학습(Reinforcement Learning)

자신과 환경의 상호관계에 따라 자신의 행동을 개선해 나가는 학습방법

• 예를들어 로봇이 행동을 시행 → 로봇의 다음상태 정의 → 만약성공했다면+1, 실패했다면-1(penalty)방식을 통해 매 행동에서의 보상을 정의하여, 최종적으로 맨 마지막에 보상의 합이 가장 좋도록 만드는 행동규칙을 학습하는 방식

overfitting & underfitting

과적합 & 과소적합 라고한다.

• 과적합
  • 분류 모델이 훈련 데이터의 각 샘플에 너무 가깝게 맞춰져서 새로운 데이터에 일반화되기 어려울때를 말함
• 과소적합
  • 훈련 데이터에 대해 학습이 부족하여, 새로운 데이터를 입력받아도 정확하게 분류해내지 못할 때를 말함