인공지능, 머신러닝, 딥러닝의 개념

ICT이노베이션스퀘어 AI기본과정(CNU) 교육을 듣고 정리한 내용입니다.

AI기본과정(CNU) 교육 자료를 참고하였습니다.

---

인공지능

 

1. 인공지능 : 인공적으로 만든 지능

 

2. 인공지능 이용 사례 : 구글의 음성인식 기술, 인공지능이 운전하는 무인 자동차

 

3. 인공지능 > 머신러닝 > 딥러닝

 

 

머신러닝

 

1. 머신러닝 : 데이터를 사용해 기계가 스스로 학습하는 방식

 

2. 전통적인 방식 vs 머신러닝

• 전통적인 방식 : 데이터를 넣으면 그 데이터를 어떠한 식으로 처리하는지 프로그래머가 프로그램을 작성
• 머신러닝 : 데이터로 인해 나타나는 결과를 사용하여 학습하기 때문에 스스로 프로그램을 만들 수 있음, 특정한 데이터와 함께 그 데이터로 인해 나타나는 결과를 같이 넣어주면 기계가 그 관계를 찾아냄, 기계가 스스로 프로그램을 만드는 것을 가리켜 '기계가 학습한다'고 정의

 

3. 머신러닝 학습 과정

• 머신러닝은 크게 학습단계와 예측단계로 구분
• 학습단계에서는 학습 데이터를 대상으로 머신러닝 알고리즘을 적용하여 학습시키고, 그 결과로 모형이 생성됨
• 예측단계에서는 학습단계에서 생성된 모형에 새로운 데이터를 적용하여 결과 예측
• 머신러닝에서 컴퓨터가 스스로 입력받은 데이터를 분석하여 일정한 패턴이나 규칙을 찾아내려면 사람이 인지하는 데이터를 컴퓨터가 인지할 수 있는 데이터로 변환해주어야 하는데, 이때 데이터별로 어떤 특징을 가지고 있는지 찾아내고 그것을 토대로 데이터를 벡터로 변환하는 작업을 특성 추출(feature extraction)이라고 함
• 머신러닝의 주요 구성요소는 데이터와 모델
• 실제 데이터의 특징이 잘 반영되고 편향되지 않는 훈련 데이터를 확보하는 것이 중요
• '훈련 데이터셋'과 '검증 데이터셋'으로 분리해서 사용
• 모델은 머신러닝의 학습단계에서 얻은 최종 결과물로 '가설'이라고도 함
• 모델의 학습 절차 : 모델(또는 가설) 선택 -> 모델 학습 및 평가 -> 평가를 바탕으로 모델 업데이트

 

4. 머신러닝 분류

구분	유형	알고리즘
지도학습 (supervised learning)	분류(classification)	K-최근접이웃(K-Nearest Neighbor, KNN) 서포트 벡터 머신(Support Vector Machine, SVM) 결정 트리(decision tree) 로지스틱 회귀(logistic regression)
	회귀(regression)	선형 회귀(linear regression)
비지도학습 (unsupervised learning)	군집(clustering)	K-평균 군집화(K-means clustering) 밀도 기반 군집 분석(DBSCAN)
	차원축소(dimensionality reduction)	주성분 분석(Principal Component Analysis, PCA)
강화학습 (reinforcement learning)	-	마르코프 결정 과정(Markov Decision Process, MDP)

 

5. 지도학습

• 인공지능을 누군가가 직접 가르치고 이끄는 학습 방법
• 데이터 중에서도 정답이 있는 데이터(레이블)를 이용하여 학습
• 분류 : 이진분류 - 두 가지를 구분할 수 있는 분류, ex) 스팸 메일인지 일반 메일인지 분류                                            다중분류 - 두 가지가 아닌 경우의 분류, ex) 지폐의 종류 분류

• 회귀 : 연속적인 값 예측, ex) 주식 예측, 집값 예측, 물건의 가격 예측

 

6. 비지도학습

• 정답이 없는 데이터로 학습하는 방식
• 정답이 없는 데이터에서 그 데이터의 특징을 찾아 스스로 구분해나감
• 새로운 데이터가 들어왔을 때 그 데이터가 어떤 그룹에 속하는지 스스로 판단할 수 있으며 정답이 없는 데이터를 사용해 스스로 판단할 수 있는 지능을 가지게 됨
• 군집화 : 데이터를 다양한 그룹으로 만들었을 때, 그 그룹을 군집이라고 하며 다양한 그룹으로 만드는 과정을 군집화라고 함
• 차원 축소 : 차원은 데이터의 특징(feature)을 뜻함, 모든 조건(데이터)을 고려할 수 없으므로 이 중에서 몇 가지의 특징만으로 좁혀나가는데 이를 '데이터의 feature를 줄인다'고 표현

 

7. 강화학습

• 자신의 행동에 대한 보상을 받으며 학습 진행
• 대표적 사례 : 게임
• 분류할 수 있는 데이터가 있는 것도 아니고 데이터가 있다고 해도 정답이 없기 때문에 어렵고 복잡함
• 시행착오를 거쳐 학습하는 방법
• 인공지능의 수준을 높인다는 의미로 이때 사용하는 것이 시행착오임

 

 

딥러닝

 

1. 딥러닝

• 인간의 신경망 원리를 모방한 심층 신경망 이론을 기반으로 고안된 머신러닝 방법의 일종
• 딥러닝이 머신러닝과 다른점은 인간의 뇌를 기초로 하여 설계했다는 것임
• 인간의 뇌가 엄청난 수의 뉴런과 시냅스로 구성되어 있는 것에 착안하여 컴퓨터에 뉴런과 시냅스 개념을 적용
• 각각의 뉴런은 복잡하게 연결된 수많은 뉴런을 병렬 연산하여 기존에 컴퓨터가 수행하지 못했던 음성 및 영상 인식 등의 처리를 가능하게 함

 

2. 딥러닝 모델의 학습 과정 : 데이터 준비 -> 모델 정의 -> 모델 컴파일 -> 모델 훈련 -> 모델 평가

 

3. 딥러닝 분류

구분	유형	알고리즘
지도 학습 (supervised learning)	이미지 분류	CNN AlexNet ResNet
	시계열 데이터 분석	RNN LSTM
비지도 학습 (unsupervised learning)	군집(clustering)	가우시안 혼합 모델(Gaussian Mixture Model, GMM) 자기 조직화 지도(Self-Organizing Map, SOM)
	차원 축소	오토인코더(AutoEncoder) 주성분 분석(PCA)
전이 학습 (transfer learning)	사전 학습 모델	엘모(ELMo)
	전이 학습	버트(BERT) MobileNetV2
강화 학습 (reinforcement learning)	-	마르코프 결정 과정(MDP)