🐼 인공지능, 머신러닝, 딥러닝 🐼

🔎 인공지능과 머신러닝, 딥러닝의 관계

• 인공지능 ) 머신러닝 ) 딥러닝
• 인공지능 : 학습, 인식, 추적 등 사람이 할 수 있는 작업과 할 수 없는 작업을 컴퓨터가 수행하도록 함
• 머신러닝 : 기계학습
• 딥러닝 : 깊은 신경망

🖥️ 머신러닝(ML)

• 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘의 연구
• 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술 개발
• 데이터와 정답을 입력해줌으로써 패턴을 학습하여 규칙 찾아내 모델 생성
• 명시적인 프로그램이 아니라 훈련(training)

🖥️ 딥러닝

• 머신러닝의 특정한 한 분야
• 연속된 층에서 점진적으로 의미있는 표현을 배우는데 강점
• 기본층을 겹겹이 쌓아올려 구성한 신경망이라는 모델을 사용하여 표현층 학습
• 딥러닝의 학습 : 주어진 입력을 정확한 타깃에 매핑하기 위해 신경망의 모든 층에 있는 가중치 값을 찾는 것을 의미함

🖥️ scikit-learn

• 오픈소스
• 파이썬 머신러닝 라이브러리
• numpy , SciPy 사용

---

💻 머신러닝 프로세스

• 문제 정의 및 데이터 준비 -> 학습 -> 추론 및 평가 -> ... 데이터 준비로 학습하기로 etc.
• 잘 구축된 프로세스가 결과적으로 성능이 우수한 모델을 만들 수 있음

🖊️ 문제 정의 및 데이터 준비

• 올바른 방향으로 나아가기 위해 EDA(탐색적 데이터 분석) 시작
• 명확한 문제 정의가 중요!
• 캐글을 활용하여 모델 선택에 참고하기
• 데이터 관한 고민 반복하기

📒 학습

• SOTA(state-of-the-art;최고의 성능) 모델 활용
• 모델 선택은 내부요소와 외부요소 복합적으로 조정해야 함
• 모델 선택 후 하이퍼파라미터 조정 단계 필수

📋 추론 및 평가

• 추론 : 학습된 모델로부터 정답이 없는 데이터에 대해 정답을 만드는 행위

📰 용어 : 데이터 준비

• 클래스 불균형(Class Imbalance)
  클래스가 불균형하게 분포
  사례 : 은행 거래 사기, 희귀 질병, 기계 불량음
  이상 탐지(Anomaly Detection)
• 과소표집과 과대표집
  과소표집(UnderSampling) : 다른 클래스에 비해 상대적으로 많이 나타나있는 클래스의 개수 줄이는 것, 데이터가 진짜 많을 때 가능
  과대표집(OverSampling) : 개수가 적은 클래스 복제(SMOTE 등의 기법 활용), 과소표집보다 많이 사용됨
• 회귀(Regression)
  여러개의 특징을 통해 연속적인 숫자로 이루어진 정답 예측
  0과 1을 예측하는 로지스틱 회귀
  사례 : 햄버거 가격, 영화 관객 수, 축구 선수 연봉, 주식 가격 등
• 분류(Classification)
  미리 정의된 여러 클래스 중 하나 예측
  - 이진분류(Binary Classification)
  - 다중분류(Multi-class Classification)
  - 다중 레이블 분류(Multi-label Classification)
  사례 : 햄버거 종류, 숫자 판별, 얼굴 인식 또는 종류 구분 등
• 원 핫 인코딩(One-Hot Incoding)
  하나의 클래스만 1이고 나머지 클래스는 전부 0인 인코딩
• 교차검증(Cross-Validation)
  모델의 타당성 검증(과대적합 방지)
  -> 학습 데이터 : 모델 학습에 사용
  -> 검증 데이터 : 모델의 검증을 위해 사용, 주로 학습 도중에 사용
  -> 테스트 데이터 : 모델의 최종 성능 평가에 사용
  테스트 데이터는 최종 평가 이전에는 절대로 사용하면 안됨

---

📰 용어 : 학습하기

• 하이퍼파라미터(Hyperparameter)
  경험에 의해 결정되는 요소
  학습률, 배치 크기, 에폭 등
  적합한 값을 찾기 위해 반복적인 실험과 많은 시간 투자가 필수-> 하이퍼파라미터 튜닝
• 배치(Batch), 배치크기(Batch Size)
• 지도 학습(Supervised Learning)
  학습 데이터에 정답 포함
  회귀, 분류
• 비지도 학습(UnSupervised Learning)
  학습 데이터에 정답이 포함되어 있지 않은 것
  클러스터링(Clustering)
• 생성모델(Generative Model)
  사례 : 햄버거 사진을 주고 모델에게 다시 햄버거 사진 그려보라고 하는 것
• 강화 학습(Reinforcement Learning)
  에이전트가 주어진 환경에 대해 어떠한 행동을 결정하고 이를 통해 얻는 보상으로 학습
• 과대적합(Overfitting)
  모델이 학습 데이터에서 좋은 성능을 보이지만 새로운 데이터에 대해서는 좋은 성능을 보이지 못하는 결과
  모델이 학습 데이터를 단순히 외웠다고 표현
  모델이 문제를 일반화 하지 못했음
  - 학습 데이터를 다양하게, 많이 수집
  - 정규화(Regularization)를 사용 -> 규칙 단순하게
  - 트리플치즈버거와 같은 이상치 제거(데이터가 많으면 좋지않은 방법)
• 과소적합(Underfitting)
  모델이 학습 데이터를 충분히 학습하지 않아서 모든 측면에서 좋지않은 성능을 보이는 결과
  모델은 아직 성능이 개선될 여지가 있음
  - 학습 데이터를 다양하게, 많이 수집
  - 더 복잡한 모델 사용
  - 모델을 충분히 학습

---

📰 용어 : 평가하기

• 혼돈행렬(Confusion Matrix)
  모델의 성능 평가에 사용
  정답(True), 오답(False)
• 정확도(Accuracy)
  전체 데이터 중에서 실제 데이터의 정답과 모델이 예측한 정답이 같은 비율
  ACC = TP+TN / TP+TN+FP+FN
  데이터가 불균형할 때 사용하는 경우, 잘못된 지표로서 사용 될 수 있음
• 정밀도(Precision), 재현율(Recall)
  정밀도 : True라고 예측한 정답 중 실제로 True인 비율 TP / TP+FP
  재현율 : 실제 데이터가 True인 것 중에서 모델이 True라고 예측한 비율 TP / TP+FN
• F1-Score
  정밀도와 재현율의 중요성이 같다고 가정하고. 두 지표의 조화평균으로 새로운 지표를 제공
  F1= 2 x precision * recall / precision + recall
• ROC 곡선
  Binary Classifier System(이진 분류 시스템)에 대한 성능 평가 기법

👁️ 데이터셋 살펴보기

기존 사례에서 사용된 데이터셋을 먼저 적용해보는 것도 프로젝트를 성공으로 이끌 수 있음 ~!~!~

• 구글 데이터셋 검색
• 캐글, AI hub, 공공 데이터 포털 등