머신러닝이란
인공지능을 구현하는 한가지 방법입니다. 유용한 함수를 학습시키는 것 입니다.
예시 ; 강아지와 고양이 사진들로 학습시킨 후 , 강아지와 고양이 구별하게 하는 것
과거에는 AI는 컴퓨터에 데이터를 입력후 결과 도출
최근에는 데이터를 입력해주고,컴퓨터가 학습후 Function으로 결과 도출 ( 패턴을 인식!
빅데이터 시대에 머신러닝이 굉장히 적합합니다!(데이터로 함수를 학습) 인공지능 구현의 한가지
딥러닝은 머신러닝의 하위 분야입니다. 인간의 인지능력,시각능력 언어적인 능력, 음성.. 오감등 인지능력과 관련된 모델링을 하는 있어 굉장히 좋은 성능을 보이고 있는 방법입니다.
우리는 빅데이터 시대에 살고 있습니다! 어마어마한 양의 다양한 데이터가 나오고 있고, 이런 것들이 머신러닝 모형에 있어 좋은 자양분이 됩니다. 특정 분야의 문제만 해결하는 것이 아니라, 굉장히 광범위한 영향을 줄 수 있습니다.
특히 GPU Computin은 딥러닝의 발전을 가속 시키는 것에 큰 역활을 했습니다. 딥러닝에서 성공을 이루면서 기존에 있었던, 다른 기본적인 머신러닝 알고리즘들도 이런 GPU를 이용한 효율적인 계산에 관심을 가지게 되었고 많은 양의 데이터를 효율적으로 계산 하게 되었습니다.
GPU란 무엇이냐?
CPU는 하나의 일, 하나의 계산, 한 번에 하나씩 처리하는 개념이라면,
GPU는 여러개의 태스크들을 한 번에 처리하는 개념입니다! 그래서 계산이 굉장히 빠르게 되는 겁니다.
머신러닝은 크게 4가지 구성으로 이루어져 있습니다.
머신러닝은 알고리즘 경험을 제공합니다. 환경과 상호작용을 하면서 얻어지는 경험들, 기억 되는 패턴들이 녹아져 있는 저장의 결과입니다. 함수에 데이터를 넣어서 함수를 학습 시킵니다. 함수가 정말로 쓸모 있게끔 만들어줍니다. 최종적인 모형의 성능을 평가 할 수 있는 그런 기준이 머신러닝에 중요한 요소가 됩니다.
적합한, 적절한 광장히 좋은 그런 함수를 만들어 줘야한다.
오차
Mean Squared Error(MSE) - 모델이 데이터를 통해서 학습이 되고, "나는 이렇게 생각해" 라는 얘기해준 그 값
MSE_A = 3\1 {(11 -12)**2 +*(6-5) **2 +(8-9)**2}
MSE_B = 3\1 {(11 -6)**2 +*(6-8) **2 +(8-4)**2}
A = 1, B = 15A = 1
작은 오차를 내는 모형을 선택하는 개념이 머신러닝의 기본 개념입니다.
Linear Regression - 기본적인 머신러닝 방법론입니다.
일련의 학습의 절차가 앞에서 우리가 다뤘던 손실함수를 정의 하고, 그 다음 그 손실 함수를 최소화하는 일련의 과정을 컴퓨터에게 알려주게 되면, 컴퓨터는 "2배 차이가 나는 구나"를 알 수 있게 되는 겁니다.
