ㅎ..
머신러닝...
아직도 너무 어려운걸요...
해야 할 공부는 많고, 공부해봐도 빙산의 일각인거 같고..
그래도 어쩌겠어요,,, 멈추면 더 모를텐데욥...
해야지 해야지,,,😫😩😤

🏷 머신러닝

" 인공지능 > 머신러닝 > 딥러닝 " 대략 이렇게 보시면 될텐데요

머신러닝과 그 구성요소인 딥러닝, 신경망은 모두 AI의 세부 하위집합입니다. AI는 의사결정과 예측을 수행하기 위해 데이터를 처리합니다. AI는 머신러닝 알고리즘으로 데이터를 처리할 뿐 아니라 추가 프로그래밍 없이도 데이터를 학습하면서 지능화합니다. 인공지능은 모든 머신러닝 관련 하위집합을 포괄하는 상위집합입니다. 첫 번째 하위집합은 머신러닝이며, 그 안에 딥러닝이 있고 딥러닝 안에는 신경망이 있습니다.

📍 신경망이란?

신경망은 인간의 두뇌에서 영감을 얻은 방식으로 데이터를 처리하도록 컴퓨터를 가르치는 인공 지능 방식입니다. 인간의 두뇌와 비슷한 계층 구조로 상호 연결된 노드 또는 뉴런을 사용하는 딥 러닝이라고 불리는 기계 학습 과정의 유형입니다. 신경망은 컴퓨터가 실수에서 배우고 지속적으로 개선하는 데 사용하는 적응형 시스템을 생성합니다. 따라서 인공 신경망은 문서 요약 또는 얼굴 인식과 같은 복잡한 문제를 더 정확하게 해결하려고 합니다.

• input layer: 입력층
• hidden layer: 히든층
• output layer: 결과

신경망은 이후 페이지에서 한번 더 다뤄보도록 하겠습니다.

📍 딥러닝이란?

• 딥러닝은 사람에게는 자연스러운 일, 즉 예시를 통해 학습하는 것을 컴퓨터가 수행할 수 있도록 가르치는 머신 러닝 기법입니다. 딥러닝은 무인 자동차에서 활용되는 핵심 기술로, 자동차가 정지 신호를 인식하고 보행자와 가로등을 구별할 수 있도록 합니다. 딥러닝은 전화, 태블릿, TV 및 핸즈프리 스피커와 같은 가전의 음성 제어를 위한 핵심 요소입니다. 최근 딥러닝이 많은 관심을 받고 있습니다. 딥러닝을 통해 이전에는 불가능했던 결과를 도출합니다.
• 딥러닝에서는 컴퓨터 모델이 직접 이미지, 텍스트 또는 사운드로부터 분류 작업 방법을 학습합니다. 딥러닝 모델은 종종 사람의 능력을 넘어서는 최고 수준의 정확도에 도달하고 있습니다. 여러 레이어를 포함하는 신경망 아키텍처와 함께 레이블링된 대단위 데이터를 활용하여 모델이 학습됩니다.

🏷 머신러닝의 작동방식

: 지도, 비지도, 준지도, 강화

사용 중인 데이터 세트와 원하는 결과에 따라 각 모델 내에서 하나 이상의 알고리즘 기법을 적용할 수 있습니다.
머신러닝 알고리즘은 기본적으로 사물 분류, 패턴 발견, 결과 예측, 정보 기반 의사결정 등을 수행하도록 설계됩니다.
알고리즘은 하나씩 사용할 수도 있고 복잡하고 보다 예측 불가능한 데이터가 포함된 경우에는 정확도를 극대화하기 위해 여러 알고리즘을 결합할 수도 있습니다.

✏️ 지도형 학습이란?

지도 학습은 말 그대로 정답이 있는 데이터를 활용해 데이터를 학습시키는 것입니다. 입력 값(X data)이 주어지면 입력값에 대한 Label(Y data)를 주어 학습시키며 대표적으로 분류, 회귀 문제가 있습니다.

• 수많은 고양이와 기린의 사진을 주고 각 사진이 고양이인지 기린인지 하나하나 정답을 알려준 후 어떤 사진을 주었을 때 고양이인지 기린인지 알아맞힐 수 있도록 합니다.

지도학습의 목적은 분류(classification)와 회귀생성(regression)입니다.

• 분류는 위에서 예로 들었던 고양이와 기린을 구별해내는 것처럼 어떤 데이터를 적절한 유한개의 클래스로 분류하는 것을 의미합니다. 구체적으로, 두 개의 클래스로 분류하는 이진 분류(binary classification)와 셋 이상의 여러 개의 클래스로 분류하는 다중 분류(multiclass classification)로 나뉩니다.
• 회귀생성은 데이터의 특징을 기반으로 연속적인 값을 예측하는 것을 말하며 일반적으로 연속적인 숫자(벡터)를 예측하는 데에 사용됩니다. 예를 들어 사람들의 몸무게, 성별, 나이와 같은 데이터로 키를 예측하는 문제가 여기에 해당되죠. 최근 딥러닝을 활용해 전혀 새로운 이미지를 만들거나 목소리를 합성 (Text-to-speech) 하는데 이때 회귀생성이 사용되고 있습니다.

✏️ 비지도 학습이란?

• 어떤 사진이 고양이고 어떤 사진이 기린인지 알려주지 않더라도 사람들은 노랗고 얼룩무늬가 있고 목이 긴 동물과 그렇지 않은 동물로 구분할 수 있을 것입니다.

이렇게 하나하나 정답을 주지 않더라도 데이터의 특성을 파악하여 비슷한 사진끼리 분류하는 것을 군집화라고 합니다. 다시 말해, 비지도학습은 정답이 주어져 있지 않은 데이터의 특성을 학습하여 스스로 패턴을 파악하는 것을 의미합니다.

✏️ 준지도 학습이란?

• 모든 데이터가 시스템에 입력되기 전에 정형화되고 레이블이 지정되어 있다면 더할 나위 없이 완벽할 것입니다. 그러나 실제에서는 이러한 일이 불가능하기 때문에, 대량의 원시 비정형 데이터를 처리해야 하는 경우 준지도 학습은 유효한 해결책이 될 수 있습니다.
• 이 모델은 소량의 레이블이 지정된 데이터를 입력해 레이블이 없는 데이터 세트를 증강합니다. 이 모델의 핵심은 레이블이 지정된 데이터를 통해 시스템이 학습을 시작하게 하며, 학습 속도와 정확성을 상당한 수준으로 개선하도록 하는 것입니다. 준지도 학습 알고리즘은 레이블이 지정된 데이터를 분석해 레이블이 없는 데이터에 적용 가능한 상관관계가 있는 속성을 찾도록 머신을 훈련합니다.

✏️ 강화 학습이란?

• 강화학습의 핵심은 일단 해보는 것입니다.
• 강화(Reinforcement)는 시행착오(Trial and Error)를 통해 학습하는 방법 중 하나를 의미합니다. 이러한 강화를 바탕으로 강화학습은 실수와 보상을 통해 학습을 하여 목표를 찾아가는 알고리즘입니다. 기존의 신경망들이 라벨(정답)이 있는 데이터를 통해서 가중치와 편향을 학습하는 것과 비슷하게 보상(Reward)이라는 개념을 사용하여 가중치와 편향을 학습하는 것입니다. 목적은 최적의 행동양식 또는 정책을 학습하는 것입니다.