인공지능 개론 (1) : 인공지능이란

STUDY_J·2024년 8월 18일

인공지능개론

목록 보기

1/13

1. 인공지능(AI, Artificial Intelligence)

인공지능은 컴퓨터가 인간처럼 사고하고 학습할 수 있도록 하는 기술을 말한다.
인공지능은 다양한 알고리즘과 모델을 통해 데이터를 분석하고, 이를 바탕으로 결론을 도출하거나 새로운 패턴을 학습하는 능력을 가지고 있다.

2. 인공지능의 기본 개념

인공지능은 크게 세 가지로 분류할 수 있다.

인공지능(AI)

인간의 지능을 모방하는 시스템으로, 문제 해결, 학습, 추론 등을 수행할 수 있다.

머신러닝(ML, Machine Learning)

인공지능의 하위 분야로, 데이터를 기반으로 스스로 학습하여 패턴을 찾아내는 알고리즘이다.
사람이 직접 프로그래밍하지 않아도 주어진 데이터로부터 규칙을 학습해 결과를 예측하거나 결정을 내릴 수 있다.

딥러닝(DL, Deep Learning)

머신러닝의 하위 분야로, 인간의 뇌 신경망을 모방한 인공신경망(Artificial Neural Networks)을 사용하여 더욱 복잡한 데이터를 처리하고 학습하는 기술이다.
음성 인식, 이미지 분류, 자연어 처리와 같은 복잡한 문제를 해결하는 데 주로 사용된다.

(이미지 출처 : https://blog.naver.com/dsjang650628/221864626337)

결론적으로 인공지능은 포괄적인 개념으로, 머신러닝은 그 하위 분야이며, 딥러닝은 머신러닝에서 발전된 특정 기술입니다.

(이미지 출처 : https://www.lgcns.com/blog/cns-tech/ai-data/8864/ )

3. 머신러닝의 학습 방식

머신러닝은 학습 데이터의 유형에 따라 크게
지도학습(Supervised Learning),
비지도학습(Unsupervised Learning),
강화학습(Reinforcement Learning) 으로 나뉜다.

지도학습(Supervised Learning)
주어진 데이터에 정답(레이블)이 있는 경우, 이를 통해 모델이 학습하는 방식이다.
예를 들어, 과거의 집값 데이터를 사용하여 새로운 집의 가격을 예측할 수 있다.
사용 사례: 이미지 분류, 스팸 메일 필터링, 음성 인식 등

비지도학습(Unsupervised Learning)
정답이 없는 데이터를 바탕으로 패턴을 스스로 찾아내는 방식이다.
군집화(Clustering)나 차원 축소(Dimensionality Reduction)와 같은 작업에서 주로 사용된다.
사용 사례: 고객 세분화, 이상치 탐지, 추천 시스템 등

강화학습(Reinforcement Learning)
에이전트가 환경과 상호작용하며 보상을 최대화하는 방향으로 학습하는 방식이다.
주로 게임, 로봇 제어, 자율 주행 등의 분야에서 사용된다.

(이미지 출처 : https://blog.naver.com/dsjang650628/221864626337)

4. 딥러닝의 학습 방식

딥러닝은 인공신경망(Artificial Neural Networks) 을 기반으로 한 기계 학습 기법이다.
여기서 '딥(Deep)'이라는 용어는 신경망에서 숨겨진 층(Hidden Layers) 의 수가 많아 '깊다'는 의미에서 유래했다.
기존의 머신러닝 모델은 주로 얕은 신경망 구조를 사용한 반면, 딥러닝은 여러 층을 쌓아 복잡한 패턴을 더 잘 학습할 수 있다.

다층 신경망(Deep Neural Networks)

딥러닝은 입력층(Input Layer), 숨겨진 층(Hidden Layers), 출력층(Output Layer)으로 구성된 다층 구조를 사용한다.
이 층이 많아질수록 더 복잡한 데이터를 처리하고 추상적인 패턴을 학습할 수 있게 된다. 이러한 다층 구조 덕분에 딥러닝은 높은 정확도를 자랑하며, 음성 인식, 이미지 분류, 자연어 처리 등의 복잡한 문제를 해결하는 데 탁월한 성능을 발휘할 수 있다.

대표적인 네트워크 구조

딥러닝에서는 다양한 신경망 구조가 존재하는데, 그 중 대표적인 것은 CNN(Convolutional Neural Networks)과 RNN(Recurrent Neural Networks)이다.

CNN은 주로 이미지 처리에 특화되어 있으며, 필터를 통해 이미지의 공간적 특징을 학습한다.
RNN은 시계열 데이터나 자연어 처리와 같은 순차적인 데이터를 다루는 데 적합한 구조로, 과거의 정보를 기억하며 학습할 수 있는 특징을 가지고 있다.

요약 (Summary)

1) 인공지능(AI)은 컴퓨터가 인간처럼 사고하고 학습하는 기술로, 그 하위 분야인 머신러닝(ML)과 딥러닝(DL)은 데이터를 기반으로 다양한 문제를 해결한다.

머신러닝은 정형 데이터(표 형태의 데이터)에서 패턴을 학습해 예측 및 분류 작업을 수행하는 데 주로 사용되며, 사람이 정의한 특징을 바탕으로 작동한다.
딥러닝은 비정형 데이터(이미지, 음성, 텍스트 등)를 처리할 수 있는 강력한 신경망 구조를 사용해, 사람의 개입 없이도 데이터를 통해 스스로 복잡한 특징을 학습한다.

2) 머신러닝은 비교적 얕은 신경망을 사용하는 반면, 딥러닝은 다층 신경망(Deep Neural Networks)을 사용해 더 깊이 있는 학습이 가능하며, 특히 대규모 데이터와 고성능 하드웨어가 있을 때 그 성능을 극대화할 수 있다.