졸작으로 게임을 만들어서 출시하려 했는데

어찌저찌 하다 AI분야를 하게 되었다…

대회도 나가고 논문도 쓴다는데

새내기들 수업 조교도 하게 되었고

청소년 교육사업도 해야하는데

개인프로젝트로 언리얼 게임 만들기를 할 수 있을까…
1년만에 폭삭 늙어버리진 않을까...

전 말이죠… 게임 개발자가 되고 싶었어요…

1-1

인공지능

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

머신러닝

• 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구하는 분야

사이킷런

• 파이썬 기반에서 머신러닝 분석을 위해 사용할 수 있는 라이브러리
• 컴퓨터 과학 분야 대표 머신러닝 라이브러리

딥러닝

머신러닝 알고리즘 중 인공 신경망 기반한 방법들의 통칭

1-2

코렐 기초니 넘어가도록…

1-3

분류

• 머신러닝에서 여러개의 종류(class)중 하나를 구별해 내는 문제
• 이진분류: 2개의 클래스 중 하나를 고르는 문제

특성

• 데이터의 특징

산점도

• x, y축으로 이루어진 좌표계에서 두 변수의 관계를 표현하는 방법

• 선형: 산점도 그래프가 일직선에 가까운 형태로 나타나는 경우

• 맷플롯립: 과학 계산용 그래프 패키지

도미 데이터로 산점도 그래프를 출력해 보자!

스타듀밸리 하고싶다…

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

plt.scatter(bream_length, bream_weight)
plt.xlabel('length') # x축
plt.ylabel('weight') # y축
plt.show()

그래프에 빙어 데이터를 추가하자!

시샤모, 맛있었는데…. 보고싶다… 다들

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]

plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight) # 빙어 데이터 추가
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

첫 번째 머신러닝 프로그램

K-최근점 이웃 알고리즘으로 도미와 빙어 데이터를 구분해 보자

• 우선 도미와 빙어 데이터를 하나의 데이터로 합치자

length = bream_length + smelt_length
weight = bream_weight + smelt_weight

• 사이킷런 패키지를 쓸 건데 그러려면 각 특성의 리스트를 세로방향 2차원 리스트로 만들어야 함
• 파이썬의 zip 함수와 리스트 내포 구문을 사용하면 된다.

Zip()

나열된 리스트 각각에서 하나씩 원소를 꺼내 반환

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

결과

[[25.4, 242.0], [26.3, 290.0], [26.5, 340.0], [29.0, 363.0], [29.0, 430.0], [29.7, 450.0], [29.7, 500.0], [30.0, 390.0], [30.0, 450.0], [30.7, 500.0], [31.0, 475.0], [31.0, 500.0], [31.5, 500.0], [32.0, 340.0], [32.0, 600.0], [32.0, 600.0], [33.0, 700.0], [33.0, 700.0], [33.5, 610.0], [33.5, 650.0], [34.0, 575.0], [34.0, 685.0], [34.5, 620.0], [35.0, 680.0], [35.0, 700.0], [35.0, 725.0], [35.0, 720.0], [36.0, 714.0], [36.0, 850.0], [37.0, 1000.0], [38.5, 920.0], [38.5, 955.0], [39.5, 925.0], [41.0, 975.0], [41.0, 950.0], [9.8, 6.7], [10.5, 7.5], [10.6, 7.0], [11.0, 9.7], [11.2, 9.8], [11.3, 8.7], [11.8, 10.0], [11.8, 9.9], [12.0, 9.8], [12.2, 12.2], [12.4, 13.4], [13.0, 12.2], [14.3, 19.7], [15.0, 19.9]]

정답 데이터 준비

• 컴퓨터는 문자를 직접 이해 불가
• 따라서 도미와 방어를 1과 0으로 표현

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

결과

[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

• 사이킷 런의 K-최근접 이웃 알고리즘 일 구현한 KNeighborsClassifier 클래스를 임포트 하고
• 임포트 한 KNeighborsClassifier 클래스의 객체를 만든다.

  from sklearn.neighbors import KNeighborsClassifier
  
  kn =  KNeighborsClassifier()

• 객체에 fish_data와 fish_target을 전달해 도미를 찾기 위한 기준을 학습 시킬것임
• 훈련: 모델에 데이터를 전달하여 규칙을 학습하는 과정

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

• fit(): 주어진 데이터로 알고리즘을 훈련하는 매서드
• score(): 모델 평가 매서드.
  • 1.0은 모든 데이터를 정확히 맞힘, 0.5는 절반
  • 이 값을 정확도라고 함
  • 이 코드에서 score 결과는 1.0

predict

• predict() 매서드: 새로운 데이터의 정답을 예측

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

결과는 array([1])

• K-최근접 이웃 알고리즘은 예측 시 가장 가까운 직선거리의 데이터만 살피면 됨
• 단점: 데이터가 아주 많은 경우 사용하기 어렵…
• 실제로 훈련 되는것이 없는 셈

가까운 몇개의 데이터를 참조하게 해보자

• KNeighborsClassifier의 기본값은 5임
• 가까운 49개 데이터를 참조해 예측하게 해보자

kn49 =  KNeighborsClassifier(n_neighbors=49)

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

0.7142857142857143

• 별로 안정확 하다…
• 몇개를 참조시킬지 정하는것도 중요할듯