[AI] 1. Introduction to deep learning

1. Introduction to deep learning

1-1. What is the AI?

인공지능(Artificial Intelligence): 사람의 지능을 만들기 위한 시스템이나 프로그램

• 강 인공지능(strong AI): 사람과 구분이 안 될 정도로 강한 성능을 가진 인공지능
• ex: ‘아이언맨'의 자비스, ‘그녀'의 사만다, ‘업그레이드'의 스템 등
• 약 인공지능(weak AI): 특정 영역에서 작업을 수행하는 인공지능
• ex: ‘테슬라'의 자율 주행 자동차, ‘애플'의 시리(Siri) 등

강 인공지능은 현재 만들 수 없고 지금까지 발전을 거듭하고 있는 인공지능 기술은 모두 약 인공지능이다.

머신러닝과 딥러닝 그리고 인공지능의 관계

머신러닝 + 딥러닝 = 약 인공지능(=인공지능)

머신러닝(machine learning): 기계 학습

딥러닝(deep learning ≒ 인공신경망): 머신러닝 알고리즘 중 인공신경망 알고리즘을 사용하여 만든 것

1-2. Introduction to Machine Learning

머신러닝(Machine Learning): 기계학습

• 학습: 데이터의 규칙을 컴퓨터 스스로 찾아내는 것 (훈련: 규칙을 찾아 수정하는 과정)
  • 지도 학습(supervised learning): ‘입력’과 ‘타깃(garget)’으로 구성된 훈련 데이터로 모델을 훈련 시킴 ex: 기존의 날씨 데이터를 활용하여 내일의 날씨를 예측, 스팸 이메일을 분류
  • 비지도 학습(unsupervised learning): 타깃이 없는 훈련 데이터로 훈련 시킴, 대표적으로 ‘군집(clustering) ex: 기업이 고객의 소비 성향에 따라 그룹을 지정하는 상황
  • 강화 학습(reinforcement learning): 주어진 환경으로부터 피드백을 받아 훈련 함. 에이전트라는 것을 훈련시키는데, 훈련된 에이전트는 특정 환경에 최적화된 행동을 수행하고 수행에 대한 ‘보상'과 ‘현재 상태'를 받는데, 이 에이전트의 목표는 ‘최대한 많은 보상을 받는 것'이다. 강화학습의 대표적인 알고리즘: Q-러닝(Q-learning), SARSA, DQN(Deep Q Network) ex: 알파고

• 모델(model): 학습을 통해 만들어진 프로그램, 모델은 새로운 입력에 대한 예측을 만든다.

규칙이란 가중치와 절편을 말한다.

1.5*x+0.1=y

1.5: 가중치 | x: 입력 | 0.1: 절편 | y: 타깃 → y가 1이상이면 다음 날 비가 온다고 예측.

입력과 곱하는 수가 가중치, 더하는 수가 절편

모델은 머신러닝의 수학적 표현이다.

모델(model): 훈련 데이터로 학습된 머신러닝 알고리즘

모델 파라미터(model parameter): 가중치 + 절편

손실 함수로 모델의 규칙을 수정한다.

훈련 데이터에 새로운 입력과 출력 값을 넣게되면 예측한 값과 실제 타깃값이 맞지 않는데, 이런 경우에 모델의 규칙(가중치, 절편)을 수정해야한다.

이때, 모델의 규칙을 수정하는 기준이 되는 함수를 ‘손실함수(loss function)’라 함.

최적화 알고리즘으로 손실 함수의 최소값을 찾는다.

1-3. Introduction to Deep Learning

딥러닝(deep learning): 머신러닝 알고리즘 중 하나인 인공신경망(artificial neural network)으로 만든 것.

딥러닝은 인공신경망으로 구성된다.

딥러닝이라는 용어는 인공신경망을 여러 겹으로 쌓은 모습에서 유래됨

인공신경망을 여러 겹 쌓은 것이 곧 딥러닝이다.

딥러닝은 사람의 뇌와 많이 다르다.

인공신경만은 뇌의 뉴런에서 영감을 받아 만들었으나, 실제 뇌가 작동하는 방식과는 많이 다르다.

딥러닝은 머신러닝이 처리하기 어려운 데이터를 더 잘 처리한다.

머신러닝과 딥러닝의 대표적인 차이점: ‘처리하는 데이터’

• 머신러닝: 암환자의 검진 데이터, 회사의 매출 데이터와 같은 정형화된 데이터에 대한 문제를 잘 해결
• 딥러닝: 이미지, 음성, 텍스트에 관련된 분야의 문제를 잘 해결

반드시 기억해야 할 내용

1. 입력(input): 훈련 데이터를 구성하는 값 중 하나, ex: 습도
2. 타깃(target): 훈련 데이터를 구성하는 값 중 하나, ex: 입력(습도)값에 따라 비가 오는지(O), 안오는지(X)
3. 모델(model): 훈련 데이터를 이용하여 만든 일종의 수식, 모델을 통해 예측 가능.
4. 규칙(rule): 훈련 데이터를 통해 만든 수식을 구성하는 중요 요소(가중치 + 절편)