인공지능

• 인공지능(AI - Artificial Intelligence)이란
  • 기계가 사람의 지능을 모방하게 하는 기술
  • 규칙기반, 데이터 학습 기반

<Artificial General Intelligence (AGI)>
인간이 할 수 있는 모든 지적인 업무를 해낼 수 있는 가상적인 기계의 지능을 말하며, 인공지능 연구의 주요 목표이다.

• String AI vs Weak AI
  String AI

  • AGI 성능을 가지는 인공지능
    Weak AI
  • 기존에 인간은 쉽게 해결할 수 있었지만 컴퓨터로 처리하기 어려웠던 일을 컴퓨터가 수행할 수 있도록 하는 것이 목적
    (특정한 업무를 처리하는 데 집중)

• 인공지능의 발전을 가능하게 만든 세가지 요소

  • 데이터의 급격한 증가
  • 알고리즘의 발전
  • 컴퓨터 하드웨어의 발전

• 머신러닝(Machine Learning)

  • 데이터 학습 기반의 인공지능 분야
  • 기계에게 어떻게 동작할지 일일이 코드로 명시하지 않고 데이터를 이용해 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 인공지능의 한 분야이다.

• 딥러닝(Deep Learning)

  • 인공신경망 알고리즘을 기반으로 하는 머신러닝의 한 분야
  • 비정형데이터(영상,음성,텍스트)에서 뛰어난 성능을 나타낸다.
    단, 학습 데이터의 양이 많아야 한다.
    • 비정형 데이터
      정해진 규칙없이 저장되어 값의 의미를 쉽게 파악할 수 없는 데이터
    • 정형 데이터
      미리 정해 놓은 형식과 구조에 따라 저장되도록 구성된 데이터
      대표적으로는 관계형 데이터베이스가 있다.

---

전통적 프로그래밍 방식은 프로그램 알고리즘을 사람이 직접 규칙에 맞게 작성하지만 머신러닝은 input data와 output data간의 관계를 표현하는 패턴을 컴퓨터가 학습(Train)과정을 통해 직접 찾도록 한다.

• 머신러닝 모델(알고리즘, 모형)
  • 모델이란 데이터의 패턴을 수식화 한 함수를 말한다.
  • 머신러닝은 입력데이터와 출력데이터를 이용해 그 둘의 함수에 근사한 함수를 찾는다.
• 모델을 만드는 과정

1. 모델을 정하여 수식화한다.
2. 모델을 데이터를 이용해 학습(Train)시킨다.
   => 모델을 데이터의 패턴에 맞춘다.(fit)
3. 학습된 모델이 얼마나 데이터 패턴을 잘 표현하는지 평가한다.(Test)

• 데이터 관련 용어
  Feature
  일반적으로 X(대문자)로 표현
  추론하기 위한 근거가 되는 값들을 표현하는 용어
  입력변수(Input),독립변수라고도 한다.

Label
출력 변수(output), 종속변수, Target이라고도 한다.
일반적으로 y로 표현한다.

Class
Lable잉 범주형(Categorical)일 경우 그 고유값을 Class라고 한다.

데이터 포인트
개별 데이터를 표현하는 용어.

---

머신러닝 알고리즘 분류

• 지도학습(Supervised Learning)

  • 모델에게 데이터의 특징(Feature)와 정답(Label)을 알려주며 학습시킨다.
  • 대부분의 머신러닝은 지도학습
  • 종류(분류/ 회귀)
    • 분류(Classification)
      두개 이상의 클래스(범주)에서 선택을 묻는 지도 학습방법 (이진분류 / 다중분류)
      의사결정나무(Decision Tree)
      로지스틱 회귀(Logistic Regression)
      K-최근접 이웃(K-Nearest Neighbors, KNN)
      나이브 베이즈(Naive Bayes)
      서포트 벡터 머신(Support Vector Machine, SVM)
      랜덤 포레스트(Random Forest)
      신경망(Neural Network)
    • 회귀(Regression)
      숫자(연속된 값)를 예측하는 지도학습
      의사결정나무(Decision Tree)
      선형 회귀(Linear Regression)
      릿지 회귀(Rige Regression)
      라쏘 회귀(Lasso Regression)
      엘라스틱 넷(Elastic Net)
      K-최근접 이웃(K-Nearest Neighbors, KNN)
      나이브 베이즈(Naive Bayes)
      서포트 벡터 머신(Support Vector Machine, SVM)
      랜덤 포레스트(Random Forest)
      신경망(Neural Network)

• 비지도학습 (Unsupervised Learning)

  • 정답이 없이 데이터의 특징만 학습하여 데이터간의 관계를 찾는 학습방법
  • 군집(Clustering)
    • 비슷한 유형의 데이터 그룹을 찾는다.
  • 차원축소(Dimensionality Reduction)
    • 예측에 영향을 최대한 주지 않으면서 변수(Feature)를 축소한다.

---

머신러닝 개발 절차 (Machine Learning Process)

머신러닝 개발 절차

1. Business Understanding
   머신러닝 개발을 통해 얻고자 하는 것 파악
2. Data Understanding
   데이터 수집
   탐색을 통해 데이터 파악
3. Data Preparation
   데이터 전처리
4. Modeling
   머신러닝 모델 선정
   모델 학습
5. Evaluation
   모델 평가
   평가 결과에 따라 위 프로세스 반복
6. Deployment
   평가 결과가 좋으면 실제 업무에 적용

---

위의 개발절차들을 진행하는데 도움을 주는 패키지들이 있다.

파이썬 머신러닝, 딥러닝 주요 패키지

• Scikit-learn
  • 딥러닝을 제외한 머신러닝 주요 알고리즘 제공
• Pytorch
  • 토치(Torch) 및 카페2(Caffe2) 프레임워크를 기반으로한 페이스북에서 만든 딥러닝 프레임워크
• Tensorflow
  • 구글 브레인 팀이 개발한 텐서플로우는 머신러닝 및 딥러닝 위한 오픈소스 라이브러리
• Keras
  • 딥러닝 모델을 쉽게 만들 수 있도록 다양한 딥러닝 플랫폼 위에서 실행되는 고수준 딥러닝 패키지.

이러한 주요 패키지 중 우리가 사용하는 것은 Scikit-learn

---

사이킷런 (Scikit-learn)

• 파이썬의 가장 대표적인 머신러닝 라이브러리

• 머신러닝 프로세스를 구현하기 위한 다양한 기능 제공

• 많은 머신러닝 알고리즘을 제공

• 데이터 전처리, 하이퍼파라미터 튜닝, 파이프라인 구현등을 위한 다양한 기능 제공

• 사이킷런의 특징

  • 머신러닝 관련 다양한 알고리즘을 제공하며 모든 알고리즘에 일관성있는 상용법을 제공한다.

• 설치 방법

conda install -y scikit-learn
or
pip install scikit-learn