[CS] 인공지능과 머신러닝

인공지능의 개념

인공지능(Artificial Intelligence, AI)은 컴퓨터 시스템이 인간의 지능적인 행동을 모방할 수 있도록 하는 기술과 방법론의 집합이다. 인공지능의 목표는 학습, 추론, 문제 해결, 이해, 인식 등 인간의 지능적인 기능을 컴퓨터가 수행할 수 있게 하는 것이다.

AI의 주요 분야:

• 기계 학습(Machine Learning): 데이터를 기반으로 패턴을 학습하고 예측을 수행한다.
• 자연어 처리(Natural Language Processing): 인간의 언어를 이해하고 생성한다.
• 컴퓨터 비전(Computer Vision): 이미지와 영상을 분석하고 이해한다.
• 로봇공학(Robotics): 물리적인 로봇이 지능적으로 작업을 수행할 수 있게 한다.
• 전문가 시스템(Expert Systems): 특정 분야의 전문 지식을 바탕으로 문제를 해결한다.

머신러닝의 기초 (지도 학습, 비지도 학습)

머신러닝(Machine Learning)은 명시적으로 프로그래밍하지 않고 컴퓨터가 데이터를 통해 학습할 수 있도록 하는 알고리즘과 기술을 연구하는 분야다. 머신러닝은 주로 세 가지 유형으로 분류된다.

1. 지도 학습(Supervised Learning):

   • 개념: 입력 데이터와 그에 대한 정답(레이블)을 제공하여 모델을 학습시킨다.
   • 목표: 새로운 데이터에 대해 정확한 예측을 수행하는 모델을 만드는 것.
   • 예시: 이메일 스팸 필터링, 이미지 분류, 주가 예측.
   • 대표 알고리즘: 선형 회귀, 로지스틱 회귀, 결정 트리, 서포트 벡터 머신(SVM), 신경망.

2. 비지도 학습(Unsupervised Learning):

   • 개념: 정답이 없는 데이터에서 숨겨진 패턴이나 구조를 찾는다.
   • 목표: 데이터의 내재된 구조를 이해하는 것.
   • 예시: 고객 세분화, 군집 분석, 차원 축소.
   • 대표 알고리즘: K-평균 군집화(K-means Clustering), 주성분 분석(PCA), 연관 규칙 학습.

3. 강화 학습(Reinforcement Learning):

   • 개념: 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동을 학습한다.
   • 목표: 최적의 정책을 학습하여 보상을 최대화하는 것.
   • 예시: 게임 플레이, 로봇 제어, 자율 주행.
   • 대표 알고리즘: Q-러닝, 심층 Q-네트워크(DQN), 정책 경사 방법.

대표적인 알고리즘

1. 선형 회귀 (Linear Regression):

   • 개념: 입력 변수와 출력 변수 간의 선형 관계를 모델링하여 예측을 수행한다.

   • 수식:
     

   • 목표: 잔차(실제 값과 예측 값의 차이)의 제곱합을 최소화하여 최적의 직선을 찾는 것.

2. 로지스틱 회귀 (Logistic Regression):

   • 개념: 이진 분류 문제에서 사용되는 알고리즘으로, 로지스틱 함수를 사용하여 확률을 예측한다.

   • 수식:

   • 목표: 로그 오즈 비를 통해 클래스에 속할 확률을 모델링하는 것.

3. 결정 트리 (Decision Tree):

   • 개념: 데이터의 특징을 기반으로 의사결정 규칙을 만들어 트리 구조로 표현한다.
   • 구성 요소: 루트 노드, 내부 노드, 리프 노드.
   • 장점: 직관적이고 해석이 용이하며, 비선형 관계를 잘 다룬다.
   • 단점: 과적합(overfitting)의 위험이 있으며, 트리가 깊어질수록 복잡해질 수 있다.

4. 신경망 (Neural Network):

   • 개념: 생물학적 신경망에서 영감을 받아 개발된 모델로, 다층 퍼셉트론(MLP) 구조를 가진다.
   • 구성 요소: 입력층, 은닉층, 출력층. 각 층은 뉴런으로 구성되며, 뉴런 간의 연결 가중치가 학습된다.
   • 활성화 함수: 시그모이드, 렐루(ReLU), 소프트맥스(softmax) 등이 사용된다.
   • 목표: 입력 데이터에서 복잡한 패턴을 학습하여 예측을 수행하는 것.

딥러닝과 신경망

딥러닝(Deep Learning):

• 개념: 심층 신경망(Deep Neural Network)을 사용하여 데이터를 학습하는 머신러닝의 한 분야다.
• 특징: 다수의 은닉층을 포함한 신경망을 사용하여 복잡한 패턴과 특징을 학습한다.

신경망(Neural Network):

• 구조: 입력층, 여러 개의 은닉층, 출력층으로 구성된다.
• 학습: 역전파 알고리즘(Backpropagation)을 사용하여 가중치를 업데이트한다.
• 활성화 함수: 각 뉴런의 출력값을 결정하는 함수로, 비선형성을 추가한다. 예: ReLU, 시그모이드.

딥러닝 모델의 유형:

• 다층 퍼셉트론(MLP, Multi-Layer Perceptron): 가장 기본적인 신경망 구조로, 완전 연결 층(fully connected layer)으로 구성.
• 합성곱 신경망(CNN, Convolutional Neural Network): 이미지 처리에 특화된 신경망으로, 합성곱 층과 풀링 층을 포함. 예: 이미지 분류, 객체 인식.
• 순환 신경망(RNN, Recurrent Neural Network): 순차 데이터를 처리하는 신경망으로, 시퀀스 데이터의 시간적 의존성을 학습. 예: 자연어 처리, 시계열 예측.
• 장단기 메모리(LSTM, Long Short-Term Memory): RNN의 개선된 버전으로, 장기 의존성을 학습하는 데 뛰어남.
• 변환기(Transformer): 자연어 처리에서 혁신적인 성과를 보인 모델로, 셀프 어텐션 메커니즘을 사용. 예: 언어 번역, 문장 생성.