-
인공지능(Artificial Intelligence)
사람의 지능을 모방하는 인공지능 -
인공지능의 역사
앨런 매시슨 튜링(Alan Mathison Turing)
-영국의 수학자, 암호학자, 컴퓨터 과학자
-컴퓨터와 AI아버지
-1950년 발표 논문
'기계도 생각할 수 있을까?(Can Machine Think?)'
앨런튜링 모티브한 작품
제 2차 세계대전 암호학과 관련된 영화
- 튜링테스트(Turing Test)
- Turing Test 최초 통과 유진 구스트막
- 역사
- AI vs ML vs DL
- 머신러닝 / 딥러닝
- Rule-based expert system(규칙 기반 전문가 시스템)
"if"와 "else"로 하드 코딩된 명령을 사용하는 시스템
- 머신러닝(Machine Learning)이란?
머신러닝(Machine Learning)
데이터를 이용하여 특성과 패턴을 학습하고, 그 결과를 바탕으로 미지의 데이터에 대한 미래결과(값, 분포)를 예측하는 것
- 인공지능의 3가지 요소
- 인공지능의 종류
-
약한인공지능(Artificial Narrow Intelligence)
-특정분야를 위해 제작된 인공지능
-체스, 퀴즈, 자율주행, 상품 추천, 번역시스템, 알파고(특정임무수행) 등 -
강한인공지능(Artificial General Intelligence)
-모든 방면에서 인간급의 인공지능
-사고, 계획, 문제해결, 추상화, 복잡한 개념 학습
ex) SF영화 같은 것
-
초인공지능(Artificial Super Intelligence)
-과학기술, 사회적 능력 등 모든 영역에서 인간보다 뛰어남
-"충분히 발단한 과학은 마법과 구분할 수 없다" - 아서C.클라크 -
인공지능 컨퍼런스
-인공지능 컨퍼런스의 질문
- 불쾌한 골짜기
인간이 로봇에 대해 호감도가 증가하다가 어느 정도에 도달하면 갑자기 강한 거부감을 느끼는 현상
- 지능, 윤리 & 도덕 관점
단순히 똑똑한 것을 넘어서서 옳고, 그름을 판별할 수 있는 지능을 가지는 것이 인공지능
- 의료인공지능 분야 사례
복잡한 의료 데이터 분석 및 insight 도출
-AI의사 IBW Watson
- 챗봇인공지능 분야 사례
인공지능 챗봇
-ChatGPT
- 음성인공지능 분야 사례
사람의 음성을 학습해서 노래를 부를 수 있음
-
머신러닝 종류
-
지도학습(Supervised Learning)
-데이터에 대한 Label(명시적인 답) 이 주어진 상태에서 컴퓨터를 학습시키는 방법
-분류(Classification)와 회귀(Regression)로 나뉘어진다.-
분류(Classification)
-미리 정의된 여러 클래스 레이블 중 하나를 예측하는 것
-속성 값을 입력, 클래스 값을 출력으로 하는 모델
-붓꽃(iris)의 세 품종 중 하나로 분류, 암 분류 등
-이진 분류, 다중 분류 등이 있다. -
회귀(Regression)
-연속적인 숫자를 예측하는 것
-속성 값을 입력, 연속적인 실수 값을 출력으로 하는 모델
-어떤 사람의 교육수준, 나이, 주거지를 바탕으로 연간 소득 예측
-예측 값의 미묘한 차이가 크게 중요하지 않다. -
분류와 회귀
-
분류
-
-
비지도학습(Unsupervised Learning)
-데이터에 대한 Label(명시적인 답) 이 없는 상태에서 컴퓨터를 학습시키는 방법
-데이터의 숨겨진 특징, 구조, 패턴을 파악하는데 사용
-데이터를 비슷한 특성끼리 묶는 클러스터링(Clustering)과 차원축소(Dimensionality Reduction)등이 있다.
-
강화학습(Reinforcement Learning)
-지도학습과 비슷하지만 완전한 답(Label)을 제공하지 않는 특징이 있다.
-기계는 더 많은 보상을 얻을 수 있는 방향으로 행동을 학습
-주로 게임이나 로봇을 학습시키는데 많이 사용
-
ex) 게임 등
- 머신러닝이 유용한 분야
- 기존 솔루션으로는 많은 수동 조정과 규칙이 필요한 문제
- 전통적인 방식으로는 전혀 해결 방법이 없는 복잡한 문제
- 새로운 데이터에 적응해야하는 유동적인 환경
- 대량의 데이터에서 통찰을 얻어야 하는 문제
- 머신러닝(Machine Learning) 과정
- Problem Identification (문제 정의)
- 비지니스 목적 정의
모델을 어떻게 사용해 이익을 얻을까? - 현재 솔루션의 구성 파악
- 지도 vs 비지도 vs 강화
- 분류 vs 회귀
- 비지니스 목적 정의
- Data Collect(데이터 수집)
- File(CSV, XML, JSON)
- Database
- Web Crawler(뉴스, sns, 블로그)
- IoT 센서를 통한 수집
- Survey (설문조사)
- Data Preprocessing (데이터 전처리)
- 결측치, 이상치 처리
- Feature Engineering(특성공학)
- EDA (탐색적 데이터분석)
- 기술통계, 변수간 상관관계
- 시각화
Pandas, matplotlib, seaborn - Feature Selection(사용할 특성 선택)
- Model 선택, Hyper Parameter 조정
- 목적에 맞는 적절한 모델 선택
- KNN, SVM, Linear Regression, Ridge, Lasso, Decision Tree, Random forest, CNN,…
- Hyper Parameter
model의 성능을 개선하기 위해 사람이 직접 넣는 parameter
- Training (학습)
- model.fit(X_train, Y_train)
train 데이터와 test 데이터를 7:3 정도로 나눔 - model.predict(X_test)
- model.fit(X_train, Y_train)
- Evaluation (평가)
- accuracy(정확도)
- recall(재현율)
- precision(정밀도)
- f1 score
- 실습
- 훈련세트와 테스트세트 나누기
