TRACE

1. 인공지능(Artificial Intelligence)

: 컴퓨터가 인간과 같이 생각할 수 있도록 만드는 기법을 연구하는 학문

2. 머신러닝(Machine Learning)

:: 데이터에 기반한 학습을 통해 인공지능을 구현하는 기법

:: "명시적인 프로그래밍 없이 데이터를 이용해서 컴퓨터가 어떤 지식이나 패턴을 학습하는 것"

:: "어떤 문제(Task)에 관련된 경험(Experience)으로부터 성과 측정 지표(Performance Measure)를 가지고 학습(Learn)을 진행하는 컴퓨터 프로그램  → 이때, T에 대한 성과는 P로 측정, E로부터 개선을 진행

<머신러닝 알고리즘의 3가지 분류>

① 지도학습(Supervised Learning)

: 정답 데이터가 존재하는 상황에서 학습하는 알고리즘

: 입력 데이터 x와 그에 대한 정답 레이블 y의 쌍 (x,y)를 이용해서 학습하는 알고리즘

: 목적 = 어떤 값에 대한 예측을 수행

이렇게 학습이 끝난 모델을 이용해서 결과값을 예측할 수가 있다.

1. 분류 문제(Classification) : 예측하는 결과값이 이산값(Discrete Value)인 문제(답이 딱딱 정해진, 분리된)

2. 회귀 문제(Regression) : 예측하는 결과값이 연속값(Continuous Value)인 문제(이렇게 계속 진행된다면 답은 ~일 것임)

딥러닝에서 지도학습 방법론으로 주로 사용되는 구조는 CNN(Convolutional Neural Networks), RNN(Recurrent Neural Networks) 이다.

② 비지도학습(Unsupervised Learning) 

: 정답 레이블 y 없이 입력 데이터 x만을 이용해서 학습하는 알고리즘

: 목적 = 데이터의 숨겨진 특징을 찾아내는 것

: 단독으로 사용하기 보다는 지도학습의 인풋 데이터로서 활용하여 지도학습의 성능을 끌어올리는 용도로 사용!

대표적인 방법론으로는 주성분 분석 Principal Component Analysis(PCA)이 있고

딥러닝에서 비지도학습 방법론으로 주로 사용되는 구조는 오토인코더 Autoencoder가 있다.

③ 강화학습(Reinforcement Learning)

: 에이전트(Agent)가 주어진 환경(State)에서 어떤 행동(Action)을 취하고 이에 대한 보상(Reward)를 얻으면서 학습을 진행

→ 이때, 에이전트는 보상을 최대화하도록 학습을 진행, 동적인 상태에서 데이터를 수집

: 대표적인 예시 = 알파고

대표적 알고리즘으로는 Q-Learning이 있고

최근에는 Q-Learning + 딥러닝 = DQN(Deep Q-Netwok) 기법을 많이 활용

3. 딥러닝(Deep Learning)

: 머신러닝 기법 중 하나인 인공신경망(Artificial Neural Networks) 기법의 은닉층(Hidden Layer)을 깊게 쌓은 구조를 이용해 학습하는 기법

장점?

- 데이터의 특징을 단계별로 추상화를 높여가면서 학습할 수 있음 ="표현 학습(Representation Learning)"

(ex : 얕은 은닉층에선 점,선,면과 같은 특징 학습 --> 깊은 은닉층에선 눈,코,입과 같은 특징 학습)

☞ 따라서 사람과 같은 고차원적 인지 활동을 수행할 수 있음

+) 딥러닝 알고리즘을 가능하게 만든 3가지 환경적 요인?

① 빅데이터(Big Data)를 구할 수 있는 환경이 조성됨

② GPU의 발전으로 컴퓨팅 환경이 개선됨

③ 새로운 알고리즘의 등장으로 딥러닝 모델을 더 잘 학습시킬 수 있게 됨