01-1 인공지능과 머신러닝, 딥러닝

1. 인공지능(artificial intelligence)이란

: 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템을 만드는 기술

인공일반지능(artificial general inteligence) or 강인공지능(Strong AI)
: 사람과 구분하기 어려운 지능을 가진 컴퓨터 시스템

약인공지능(Week AI)
: 현실에서 우리가 마주하고 있는 인공지능
(현재까지 특정 분야에서 사람의 일을 도와주는 보조 역할만 가능함)

2. 머신러닝(machine learning)이란

: 규칙을 일일이 프로그래밍하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구하는 분야

• 컴퓨터 과학 분야의 대표적인 머신러닝 라이브러리
  -> 사이킷런(scikit-learn)

3. 딥러닝(Deep learning)이란

: 인공 신경망(artificial neural network)을 기반으로 한 방법들을 통칭함

• 최초의 합성곱 신경망: LeNet-5(손글씨 숫자를 인식)

• 이미지 분류 대회인 ImageNet에서 AlexNet이 압도적 성능으로 우승

• 구글의 딥러닝 라이브러리 오픈소스: TensorFlow

• 페이스북 딥러닝 라이브러리 오픈소스: PyTorch

01-2 코랩과 주피터 노트북

• 코랩
  : 웹브라우저 기반의 파이썬 코드 실행 환경

• 노트북
  : 코랩의 프로그램 작성 단위이며 일반 프로그램 파일과 달리 대화식으로 프로그램을 만들 수 있음

01-3 마켓과 머신러닝

[생선분류 문제]
머신러닝은 여러 개의 도미 데이터를 넣으면 스스로 어떤 생선이 도미인지 구분할 기준을 찾는다.

• 특성
  : 데이터를 표현하는 하나의 성질
  ex) 생선의 길이와 무게

• 훈련
  : 머신러닝 알고리즘이 데이터에서 규칙을 찾는 과정

  사이킷런 - fit()메서드 이용

• k-최근접 이웃 알고리즘
  : 가장 간단한 머신러닝 알고리즘 중 하나로 주위의 다른 데이터를 보고 다수를 차지하는 것을 정답으로 사용

  fit()메서드에 전달한 데이터를 모두 저장하고 있다가 새로운 데이터가 등장하면 가장 가까운 데이터를 참고하여 도미인지 빙어인지 구분함

• 모델
  : 머신러닝 프로그램에서 알고리즘이 구현된 객체를 의미, 알고리즘 자체를 모델이라고 부르기도 함

• 정확도
  : 정확한 답을 몇 개 맞혔는지 백분율로 나타낸 값(사이킷런 0~1)

  정확도 = (정확히 맞힌 개수) / (전체 데이터 개수)

matplotlib

• scatter()
  :산점도를 그리는 함수, 처음 2개의 매개변수로 x축 값과 y축 값을 전달

scikit-learn

• KNeighborsClassifier()
  : k-최근접 이웃 분류 모델을 만드는 사이킷런 클래스
  : n_neighbors매개변수로 이웃의 개수를 지정함 -> 기본값 5

• fit()
  : 사이킷런 모델을 훈련할 때 사용하는 메서드, 처음 두 매개변수로 훈련에 사용할 특성과 정답 데이터를 전달함

• predict()
  : 사이킷런 모델을 훈련하고 예측할 때 사용하는 메서드, 특성 데이터 하나만 매개변수로 받음 - 새로운 데이터 정답 예측

• score()
  : 훈련된 사이킷런 모델의 성능을 측정함, 처음 두 매개변수로 특성과 정답 데이터를 전달함 - 정확도
  : 이 메서드는 먼저 predict() 메서드로 예측을 수행한 다음 분류 모델일 경우 정답과 비교하여 올바르게 예측한 개수의 비율을 반환함

[전체 소스 코드]

# 마켓과 머신러닝
# 생선 분류 문제

# 도미 데이터 준비하기
bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0, 
                500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0, 
                700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0]

import matplotlib.pyplot as plt # matplotlib의 pylot 함수를 plt로 줄여서 사용

plt.scatter(bream_length, bream_weight)
plt.xlabel('length') # x축은 길이
plt.ylabel('weight') # y축은 무게
plt.show()

# 빙어 데이터 준비하기
smelt_length = [9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
smelt_weight = [6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]

# 첫 번째 머신 러닝 프로그램

length = bream_length + smelt_length
weight = bream_weight + smelt_weight

fish_data = [[l, w] for l, w in zip(length, weight)]

print(fish_data)

fish_target = [1] * 35 + [0] * 14
print(fish_target)

from sklearn.neighbors import KNeighborsClassifier

kn =  KNeighborsClassifier()


kn.fit(fish_data, fish_target)


kn.score(fish_data, fish_target)


# k-최근접 이웃 알고리즘

plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.scatter(30, 600, marker= '^')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

kn.predict([[30, 600]])

print(kn._fit_X)

print(kn._y)

kn49 =  KNeighborsClassifier(n_neighbors=49)


kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)

print(35/49)