인공지능(Artificial Intelligence)

• 인간처럼 사고하고 예측하려는 컴퓨터 기술 전반
• 알고리즘에 의해 인간의 학습 능력을 구현하려는 기술
• 학습 능력 : 학습, 문제해결, 추론, 지각능력

강 인공지능

• 자의식이 있는 인공지능
• 일반적인 영역에서의 문제를 스스로 해결할 수 있음
• 아직은 이론적인 기술

약 인공지능

• 자의식이 없는 인공지능
• 특별한 영역에 대하여 문제를 해결
• 현재 대부분의 인공지능(-> 즉, 우리가 알고 있는 대부분의 AI)
  
  

머신러닝(Machine Learning)

• 인공지능의 한 분야
• 대량의 데이터를 학습한 후 기계가 스스로 결과를 추론 가능
• 학습 가능한 데이터가 증가할수록 알고리즘의 성능 향상
• 다양한 알고리즘을 이용하여 데이터 학습 (데이터에 대한 분석, 학습, 판단, 예측 가능)
  
  

딥러닝(Deep Learning)

• 머신러닝의 한 분야
• 인공신경망을 이용하여 데이터를 심층적으로 학습하고 결과 예측
• 하나의 뉴런을 하나의 CPU라 할 때, 수백만 개의 뉴런을 이용한 학습과 유사
• 이미지, 음성, 자연어 등 학습 가능
  
  

머신러닝 알고리즘

순서

• 학습 데이터
• 모델 구축
• 머신러닝 알고리즘 적용하여 학습
• 입력 데이터
• 예측
  
  

머신러닝 기술 종류

지도 학습(Supervised Learning)

• 정답지가 있는 데이터를 활용하여 데이터 학습
• 말 그대로 지도 가능
• 입력값(x) + 정답지(y)
• 정답지를 target 또는 Label이라 함
• 예시 : 키가 얼마일 때 몸무게가 얼마인지 예측 가능
  -> 기존 dataset이 있으므로 예측 가능

분류(classification)

• 이진 분류나 다중 분류 가능
• 종류 : KNN, 나이브 베이즈 등
• 예시 : 스팸 메일 분류

회귀(Regression)

• 연속된 값들이 주어진 경우
• 종류 : linear regression(선형 회귀), logistice regression(이진 분류) 등
• 정확한 분류가 아닌, 입력값에 대한 결과를 실수 등으로 추정할 수 있음
• 예시 : 강수량에 따른 올해 쌀값 예측, 다양한 조건에 따른 인구증가율 등
  
  

비지도 학습(Unsupervised Learning)

• 정답이 없는 데이터를 활용하여 데이터를 군집화하고 새로운 데이터에 대한 결과 예측
• 정답이 없는 입력값으로 패턴이나 형태를 찾아서 학습
• 입력값(x) -> 패턴이나 형태 학습 -> 결과 예측
• 입력 dataset만 있음
• 예시 : 입력 dataset 보고 강아지구나, 고양이구나 등 스스로 학습

군집화(Clustering)

• 입력 데이터에 대하여, 여러 개의 클러스터(부분 그룹)으로 나눔
• 종류 : k-Means 등
• 예시 : 고객에 대하여 성별, 연령별 변수에 따라 고객군 그룹화

차원 축소(Dimensionality Reduction)

• 다차원(여러 개의 변수)의 수를 축소하여 분석과 시각화를 쉽게 함
• 종류 : PCA(주성분 분석; Principal Component Analysis), Scree Plot, Python's seaborn.scatterplot, NMF(비음수 행렬 분해, Non-negative Matrix Factorization) 등
• 예시 : 속성 간 유사성/비유사성을 측정하여 속성 간 거리를 최대한 유지
  
  

강화 학습(Reinforcement Learning)

• 입력 데이터에 대한 정답 데이터 존재하지 않음
• 입력 데이터에 대한 행동을 통하여 보상(Reward)을 받으며 학습
• 예시 : 알파고, Game AI, 로복 네비게이션 등
• 게임 규칙을 따로 정하지 않음. User(agent)가 게임의 환경(environment)에서 현재(state) 가장 높은 점수(reward)를 얻는 패턴을 학습하며 행동(action)하는 학습 방법