LG Aimers
1.Module 1. 『AI 윤리』 1. 데이터 분석과 AI학습에서 유의할 점
예) 초콜릿, 인지기능과 노벨상 수상의 인과관계→ 상관 관계와 인과 관계를 혼용해서는 안된다.예) 에러바가 없는 그래프→ Error bar 추가하기, 적합한 통계 테스트 사용하기, 데이터 전처리(아웃라이어 제거), 데이터 표준화, EDA보통의 인공지능은 millions
2.Module 1. 『AI 윤리』 2. AI Ethics
적대적 생성 신경망(GAN)이라는 모델이 나오면서, 특히 음악 분야에서 단순한 모방과 변형을 넘어서는 새로운 창작이 가능해졌다.NLP 분야에서도 초거대 언어 모델이 개발되면서 작문, 챗봇 형태로 일상적인 대화 나누기 등의 기능을 수행할 수 있게 되었다.예) Open A
3.Module 1. 『AI 윤리』 3. 세계적인 데이터 과학자가 되는 방법
데이터에 대한 호기심 → 이종 데이터 간 결합은 사회적 혁신을 가져올 수 있다.예) 서울시의 야간 버스 노선 - 통신사와의 협업을 통해 초 단위로 유동 인구 파악하여 노선 신설
4.Module 2. 『품질과 신뢰성』 1. 품질 및 품질비용
1. 품질 및 신뢰성 공학 1.1 품질이란? 오늘날의 품질 : 규제 적합성 → 고객 요구의 충족(고객의 명시적/묵시적 요구를 충족시킬 능력이 있는 특징이나 특성의 전체) 품질의 8가지 차원 성능 : 제품의 기본적 운용특성 특징 : 성능의 부차적/보완적 특성
5.Module 2. 『품질과 신뢰성』 2. SPC의 필요성과 개념
: Statistical Process Control; 통계적 공정 관리공종에서 요구되는 품질이나 생산성 목표를 달성하기 위하여 통계적인 방법으로 공정을 효율적으로 운영해 나가는 관리방법불량원인을 쉽게 발견하도록 도와주고, 공정상태를 탐지하여 주고, 개선을 위하여 어떤
6.Module 2. 『품질과 신뢰성』 3. 스마트 품질 경영
ICT 융합을 통해 종전의 사후검사 및 보증에서 벗어나 사전에 수집, 분석된 빅데이터를 활용하여 선제적 불량예지 및 보전 중심으로 진화된 품질경영시스템으로, 기존 TQM 및 6시그마 등 기존 품질관리기법과 IoT, 빅데이터 분석기술 등이 결합된 신개념 품질관리 및 경영
7.Module 2. 『품질과 신뢰성』 4. 신뢰성 개념과 중요성
신뢰성 개념과 중요성 신뢰성 주어진 작동 환경에서 주어진 시간동안 시스템이 고장없이 고유의 기능을 수행할 확률 cf> 성질을 나타내면 '신뢰성', 확률을 나타내면 '신뢰도' 품질 vs. 신뢰성 신뢰성을 추정하기 위해서는 불완전한 데이터를 장기적으로 분석해서 미래의
8.Module 2. 『품질과 신뢰성』 5. 신뢰성 분포와 신뢰성 척도
$λ$ : 사건의 발생 빈도시간에 따라 독립적으로 나타나며 고장율이 일정한 형태로 나타나는 유일한 분포이다.첫번째 고장이 발생할 때까지의 시간으로 표현 가능한 지수분포는 무기억성을 가진다.cf> 마모고장은 시간에 따른 고장율을 다르게 표현해야 하기 때문에 지수분포로 나
9.Module 2. 『품질과 신뢰성』 6. ICT기반 예지보전
→ 안전하고, 경제적으로 운전될 수 있는 조건으로 장비유지결정의 기본사항비용검토와 관련된 문제의 인식: 효율감소로부터 증가하는 경제적 손실이 유효 보수비용보다 큰 지를 판단Safety risk: 사전보전조치에 의한 안전에 대한 위험 요소 필요→ 고장상태의 예측 방법론
10.Module 3. 『지도학습(분류/회귀)』 1. SL Foundation
Machine Learning : Data로부터 내재된 패턴을 학습하는 과정 = Learning from data 예) 스팸 메일 분류, Image Recognition(이미지 분류) 등 크게 supervised learning, unsupervised learning
11.Module 3. 『지도학습(분류/회귀)』 2. Linear Regression
Supervised Learning의 한 종류로, model의 출력이 연속적인 값을 갖는 경우이다.입력 변수의 개수에 따라, Univariate problem / Multivariate problem으로 구분할 수 있다.: Hypothesis $h$가 입력 featur
12.Module 3. 『지도학습(분류/회귀)』 3. Gradient Discent
Gradient Discent의 목적 : objective 함수 최소화하는 $θ$ 찾기$α$가 너무 작으면 수렴하는 형태가 안정적이지만 속도가 매우 느리다.$α$가 너무 크면 error surface 상에서 최소인 지점을 찾기 어렵고 발산하는 형태로 학습이 진행된다.(
13.Module 3. 『지도학습(분류/회귀)』 4. Linear Classification
classification은 모델의 출력이 discrete한 값을 가지게 된다.→ decision boundary의 정확한 추정을 통해 주어진 입력에 대해 출력의 분류를 수행하는 문제$d$차원의 입력 feature vector가 있다고 할 때,binary classif
14.Module 3. 『지도학습(분류/회귀)』 5. Advanced Classification
overview sample의 분류는 hyper plane을 기준으로 score값을 계산하여 classification을 수행한다. 이때 hyper plane을 구성하는 model paramter가 $w$이면, 이 hyper plane에 normal한 방향으로 hype
15.Module 3. 『지도학습(분류/회귀)』 6. Ensemble
: 머신러닝에서 알고리즘의 종류에 상관없이 서로 다르거나, 같은 매커니즘으로 동작하는 다양한 머신러닝 모델을 묶어 함께 사용하는 방식이미 사용하고 있거나 개발한 알고리즘의 간단한 확장으로, Supervised learning task에서 성능을 올릴 수 있는 방법이다.
16.Module 4. 『딥러닝(Deep Learning)』 1. Introduction to Deep Neural Networks
1. 심층신경망(deep neural networks)의 기본 동작 과정 Deep Learning : 기계학습 방식의 일종으로, 뉴런 혹은 신경세포와 그들간의 (연결 관계)망을 본따 수학적인 인공지능으로 만든 알고리즘 자연어 처리나 컴퓨터비전 분야에서 많이 활용되고
17.Module 4. 『딥러닝(Deep Learning)』 2. Training Neural Networks
기본적으로 gradient descent 알고리즘을 활용하여 신경망을 학습한다. $W$ : 최적화하고자 하는 neural network의 parameter들출력을 미분하여 기울기를 구한 후 그 값의 반대 방향으로 step size만큼 곱해 기존 parameter $W$
18.Module 4. 『딥러닝(Deep Learning)』 3. Convolutional Neural Networks and Image Classification
cf> MLP: 입력 노드가 출력 노드 모두와 특정한 가중치의 형태로 연결이 된 Fully-connecnted layer로 구성CNN 사용 이전 컴퓨터 비전 분야의 문제점IlluminationIntra-class variationOcclusionDeformationBa
19.Module 4. 『딥러닝(Deep Learning)』 4. Seq2Seq with Attention for Natural Language Understanding and Generation
: sequence data에 특화된 형태를 띄며 동일한 function을 반복적으로 호출하는 방식현재 시점에서의 데이터 $xt$와 Hidden state vector $h{t-1}$을 입력으로 받아 current hidden state vector인 $h_t$를 만든
20.Module 4. 『딥러닝(Deep Learning)』 5. Transformer
seq2seq model: encoder, decoder와 각 time step으로부터 encoder의 hidden state vector들 중 원하는 정보를 그때그때 가져갈 수 있도록 하는 추가적인 attention module로 구성된 RNN 기반 모델: RNN이나
21.Module 4. 『딥러닝(Deep Learning)』 6. Self-Supervised Learning and Large-Scale Pre-Trained Models
사람이 일일이 해야 하는 Labeling 과정 없이원시 data(별도의 추가적인 label이 없는 data)에서 일부를 가려놓고 입력했을 때 가려진 부분을 잘 복원 혹은 예측하도록 하여 주어진 데이터의 일부를 출력 대상으로 삼고 model을 학습하는 방식예) 컴퓨터비전
22.Module 5. 『설명가능한 AI(Explainable AI)』 1. Explainable AI (XAI)
📍 강의 자료 출처 : LG Aimers초창기 딥러닝 모델에 비해 성능이 점점 좋아지는 반면, 그에 따라 대용량 학습 데이터로부터 학습하는 모델의 구조가 점점 더 복잡해지고 이해하기 어려워지는 문제가 발생하고 있다.입력이 주어지면 어떻게 모델이 동작하였는지는 알 수
23.Module 5. 『설명가능한 AI(Explainable AI)』 2. Explainable AI (XAI)
📍 강의 자료 출처 : LG Aimers: global average pooling이라는 특정한 layer를 만들고 그것을 활용하여 설명을 제공하는 방법: 각 Activation map의 모든 Activation들을 평균을 내는 연산Activation map 별 평균
24.Module 5. 『설명가능한 AI(Explainable AI)』 3. Explainable AI (XAI)
📍 강의 자료 출처 : LG Aimers1\. Human-based visual assessment : 사람들이 직접 XAI 방법들이 만들어낸 설명을 보고 비교 평가하는 방법Human annotation: 이미 만들어진 annotation을 활용하여 설명 가능 기법들
25.Module 6. 『인과추론』 1. Causality
📍 강의 자료 출처 : LG Aimers: 하나의 어떤 무엇인가가 다른 무엇을 생성함에 있어 영향을 미치는 것인과성이 인공지능, 기계학습, 데이터사이언스와 어떤 연결고리가 있을까?인공지능에 대한 일반적 정의를 보면, '에이전트(소프트웨어, 로봇 등)가 목표를 성취하기
26.Module 6. 『인과추론』 2. Causal Effect Identification
📍 강의 자료 출처 : LG Aimers→ 결합 확률을 식으로 decompose해놓고 그 식에 $x$가 나오는 확률을 1로 바꾸면, 중재 때의 확률 분포가 어떻게 될 것인가를 볼 수 있다.지금까지는 식을 전개하고 그 결합 분포에서부터 중재하고 있는 변수, 그 변수와
27.Module 6. 『인과추론』 3. Modern Identification
📍 강의 자료 출처 : LG Aimers지금까지는 하나의 도메인에 대한 인과 추론 방법을 살펴 보았다. 그렇다면 만약 여러 종류의 데이터가 있다면, 한꺼번에 활용해서 우리가 원하는 인과 효과를 계산하면 더 효율적이지 않을까?: 어러 데이터가 한 도메인에 주어져 있을
28.Module 7. 『시계열 데이터 및 AI 모델 성능 최적화』 1. 순환신경망 기반의 시계열 데이터 회귀
📍 강의 자료 출처 : LG Aimers순서가 있고 / 없고에 따라 데이터의 종류가 나뉜다.Non-Sequential Data: 시간 정보를 포함하지 않고 생성되는 데이터→ 데이터의 순서가 없어 테이블 또는 행렬의 형태로 주로 표현된다.순서가 없는 인공신경망의 구조를
29.Module 7. 『시계열 데이터 및 AI 모델 성능 최적화』 2. 합성곱 기반의 시계열 데이터 회귀
📍 강의 자료 출처 : LG Aimers: 시각적인 데이터를 처리하기 위해 고안된 구조로, Convolution 연산을 통해 이미지로부터 필요한 특질(feature)를 스스로 학습할 수 있는 능력을 갖춘 심층 신경망 구조아래 4가지 경우에 대해 사용될 수 있다.Cla
30.Module 7. 『시계열 데이터 및 AI 모델 성능 최적화』 3. 트랜스포머 기반의 시계열 데이터 회귀
📍 강의 자료 출처 : LG Aimers합성곱 신경망 : 이미지 데이터를 처리하기 위해 제안된 방법으로, 시계열 데이터에도 활용될 수 있다.순환 신경망: 원래부터 시계열 데이터, 순차 데이터를 처리하기 위해 만들어진 방법론: NLP를 위해 만들어진 Language M