⚡인공지능 소개 및 사용 사례
🤖 필수 교양, AI
우리는 AI가 필수 교양인 시대를 살게 되었다.
이 4차 산업혁명 시대에서 넘쳐나는 데이터를 얼마나 잘 써먹는지가 능력을 좌우할 것이다.
그러니까, 기초부터 차근차근 다져보자.
직장인에게 대학원이라는 선택지는 매우 고된 길이 될테니...
일단 이번 프로젝트에서 사용하게 될 도구에 대해 알아보자.
📌 사용 Tool
⭐ Google Colab
- 구글에서 무료로 제공하는 클라우드 기반의
Jupyter Notebook환경 - 웹 브라우저만 있으면 접속 가능하여 편리함
- 라이브러리 지원도 많고 바이브 코딩에도 용이함
1. 시작하기
-
로그인: Google 계정 필요
-
새 노트북 생성:
파일 → 새 노트북(New Notebook)
2. 기본 인터페이스
| 영역 | 설명 |
|---|---|
| 코드 셀 | Python 코드 실행 |
| 텍스트 셀 | Markdown, LaTeX 지원(문서 작성용) |
| 런타임 메뉴 | CPU/GPU/TPU 설정, 런타임 재시작 |
| 파일 메뉴 | Google Drive, GitHub 연동 가능 |
3. 코드 실행
🔷 셀 실행: Shift + Enter
🔷 셀 추가: + 코드, + 텍스트
💡
!명령어로 리눅스 명령 실행이 가능하다.!ls !pip install pandas
4. 파일 업로드 & 다운로드
-
좌측 패널 → 파일 탭에서 업로드 가능
-
코드로 업로드
from google.colab import files
uploaded = files.upload()- 다운로드
files.download('결과.csv')5. Google Drive 연동
from google.colab import drive
drive.mount('/content/drive')- 마운트 후
/content/drive/MyDrive경로 사용이 가능함
6. GPU/TPU 사용
-
런타임 → 런타임 유형 변경 → 하드웨어 가속기에서 GPU 또는 TPU 선택 -
TensorFlow,PyTorch같은 딥러닝 라이브러리 가속 가능
7. 필수 단축키
| 단축키 | 기능 |
|---|---|
Shift + Enter | 셀 실행 |
Ctrl + M B | 아래에 새 셀 추가 |
Ctrl + M D | 셀 삭제 |
Ctrl + M L | 라인 번호 토글 |
Ctrl + M . | 런타임 재시작 |
❗ 주의사항
- 세션 만료 시 RAM 초기화 → 데이터 사라짐
- 장시간 사용 시 런타임 자동 종료될 수 있음
- 데이터는 필요 시 Drive에 저장하는 것이 안전
📌 인공지능 소개
⭐ AI의 종류
🔷 학습 모델 내 분류
-
지도 학습 (Supervised Learning)
-
정의: 입력 데이터와 그에 대응하는 정답(Label)을 함께 학습하는 방식
-
주요 목적:
예측(Prediction) -
예시 알고리즘:
-
회귀(Regression): 선형 회귀(Linear Regression), 로지스틱 회귀(Logistic Regression) -
분류(Classification): 결정 트리(Decision Tree), SVM, 랜덤 포레스트(Random Forest) -
딥러닝(Deep Learning): CNN, RNN 등
-
-
활용 사례:
-
이메일 스팸 분류
-
주식 가격 예측
-
이미지 분류(고양이 vs 개)
-
-
-
비지도 학습 (Unsupervised Learning)
-
정의: 정답(Label) 없이 입력 데이터의 패턴이나 구조를 찾는 방식
-
주요 목적:
군집화(Clustering)/차원 축소(Dimensionality Reduction) -
예시 알고리즘:
-
K-means,계층적 군집화(Hierarchical Clustering) -
PCA(Principal Component Analysis) -
Autoencoder
-
-
활용 사례:
-
고객 세분화(Customer Segmentation)
-
데이터 시각화
-
이상 탐지(Anomaly Detection)
-
-
-
강화 학습 (Reinforcement Learning)
-
정의: 행위(Action)를 취했을 때 환경(Environment)으로부터 받는 보상(Reward)을 통해 학습하는 방식
-
주요 목적:
정책 최적화(Policy Optimization) -
예시 알고리즘:
-
Q-Learning -
SARSA -
Deep Q-Network (DQN)
-
-
활용 사례:
-
게임 AI (알파고)
-
로봇 제어
-
자율주행차
-
-
🔷 인간의 기능에 따른 분류
-
머신 비전 (Machine Vision)
-
정의: 인간의 시각 기능을 컴퓨터가 수행하는 기술
-
주요 기술:
이미지 처리(Image Processing),객체 인식(Object Detection) -
활용 사례:
-
얼굴 인식 시스템
-
의료 영상 분석(CT, MRI)
-
공장 제품 불량 검출
-
-
-
머신러닝 (Machine Learning)
-
정의: 데이터에서 패턴을 학습하고 예측·결정을 수행하는 인공지능 기술 전반
-
범위: 지도/비지도/강화 학습을 모두 포함하는 개념
-
활용 사례: 추천 시스템, 금융 사기 탐지, 고객 이탈 예측
-
-
자연어 처리 (Natural Language Processing, NLP)
-
정의: 인간의 언어 이해 기능을 컴퓨터에 구현
-
주요 기술: 형태소 분석, 개체명 인식(NER), 감성 분석(Sentiment Analysis)
-
활용 사례:
-
챗봇(Chatbot)
-
기계 번역(Machine Translation)
-
음성 비서(Voice Assistant)
-
-
-
자연어 생성 (Natural Language Generation, NLG)
-
정의: 컴퓨터가 인간이 이해할 수 있는 자연스러운 언어를 생성하는 기술
-
주요 기술: GPT, LLaMA, BERT 기반 생성 모델
-
활용 사례:
-
자동 기사 작성
-
시·소설 창작
-
코드 자동 생성
-
-
⭐ 머신러닝의 분류와 AI 모델 유형
🔷 머신러닝의 다섯 가지 그룹
-
The Master Algorithm(Pedro Domingos)에서 정의한 분류법 -
머신러닝은 알고리즘에 달린 것과 다름없기 때문에 연관성이 매우 높음
| 그룹 (Group) | 주요 알고리즘 (Main Algorithm) | 근본 분야 (Root Discipline) | 대표 지지자 (Key Advocates) |
|---|---|---|---|
| 상징주의자 (Symbolists) | 역추론 (Inverse Deduction) | 논리 및 철학 (Logic & Philosophy) | 톰 미첼 (Tom Mitchell), 스티브 머그레튼, 로스 쿠인랜 |
| 연결주의자 (Connectionists) | 역전파 (Backpropagation, 신경망/딥러닝) | 신경과학 (Neuroscience) | 안 르쿤 (Yann LeCun), 제프리 힌튼 (Geoffrey Hinton), 요슈아 벤지오 |
| 진화주의자 (Evolutionaries) | 유전 프로그래밍 (Genetic Programming) | 생물학 (Biology) | 존 코자 (John Koza), 존 홀랜드, 허드 립슨 |
| 베이즈주의자 (Bayesians) | 확률적 추론 (Probabilistic Inference) | 통계학 (Statistics) | 데이빗 해커맨, 주디아 펄 (Judea Pearl), 마이클 조던 |
| 유사주의자 (Analogizers) | 커널 머신 (Kernel Machines) | 심리학 (Psychology) | 피터 하트 (Peter Hart), 블레드미르 밥닉, 더글러스 홈스데터 |
🔷 모델 유형
-
분석 모델(Analytic model)- 이미 수집된 데이터를 기반으로 특정 패턴이나 관계를 찾아내고, 이를 통해 현재 상태를 분석하거나 미래를 예측하는 모델
ex) 수학 공식, 경험에 기반한 예측
-
학습 모델(Learned model)- 새로운 데이터를 입력 받아 스스로 학습하고, 입력 데이터와 출력 데이터 간의 관계를 파악하여 예측이나 분류를 수행하는 모델
ex) 지도 학습, 비지도 학습, 강화 학습
내일부터 본격적으로 머신러닝 파이프라인부터 해봅시다.
