인공지능, 머신러닝, 딥러닝 세상 제일 쉽게설명 해드립니다.
미리보기
인공지능 분류 : 인공지능(인간의 지적능력, 최종목표) > 머신러닝(스스로 학습) > 딥러닝(인공신경망 학습법)
----------------------------------
1. 머신러닝(Machine Learning, ML) : 스스로 학습 > 한계 : 여러 개의 학습방식 비효율 > 개선 : 딥러닝(여러 학습 방법 중 하나, 인간의 뉴런 모방)
* 머신러닝 학습 종류 : 지도학습, 비지도학습, 강화학습
1) 지도학습(Supervised Learning) : 문제 & 정답 제시 > 사용처 : 예측(회귀), 분류 > 한계 : 빅데이터 필요(시간, 비용)
2) 비지도학습(Unsupervised Learning) : 문제만 제시 > 사용처 : 군집, 연관 규칙
3) 강화학습(Reinforcement Learning) : 보상을 통해 학습 > 사용처 : 보상
-----------------------------------
2. 딥러닝(Deep Learning) : one of 지도학습방법s > 원리 : 인간의 뇌 작동방식 모방
퍼셉트론(Perceptron, 뉴런모양) : 알고리즘 for 딥러닝 > ex : Input-Weight-Net input function - Activation function
ANN(Artificial Neural Network, 인공신경망) : Input Layer(입력층) - Hidden Layer(은닉층) - Output Layer(출력층)
* Input Layer(입력층) : 데이터 입력
* Hidden Layer(은닉층) : 데이터 처리
* Output Layer(출력층) : 데이터 결과 출력
1. 머신러닝(Machine Learning) : 스스로 학습
머신러닝은 스스로 학습하는 기계를 의미하는데요. 다른 종족 대비 인간의 '지능'은 더 뛰어나죠. 인간이 아닌 인공적으로 사람의 지능을 똑같이 따라한 것이 '인공지능'이에요. 다만, 이는 아직 먼 이야기이죠. 그래서, 그나마 가깝게 인공지능을 구현한 것이 '머신러닝'이에요. 스스로 기계가 학습하기 때문이죠.
머신러닝은 스스로 학습을 하는데 3가지 방법이 있어요. 지도학습, 비지도학습, 강화학습이죠.
1) 지도학습(Supervised Learning) : 문제 & 정답 제시 > 사용처 : 예측(회귀), 분류 > 한계 : 빅데이터 필요(시간, 비용)
지도학습은 이름 그대로 사람이 직접 지도하여 학습을 시키는 것이에요. 여기서, 지도(SuperviseD)란 문제와 정답을 알려주는 것이죠.
2) 비지도학습(Unsupervised Learning) : 문제만 제시 > 사용처 : 군집, 연관 규칙
비지지도학습은 이름 그대로지도하지 않는 것을 의미해요. 즉, 문제만 주고 정답은 알려주지않는 것이죠.
3) 강화학습(Reinforcement Learning) : 보상을 통해 학습 > 사용처 : 보상
강화학습은 문제를 풀 때마다 보상을 해주는 것이에요. 이름 그대로 '강화'를 시켜주는 것이죠. 사람들은 무언가 보상이 있을 때 더 강하게 열심히 하는 경향이 있죠. 기계학습에도 '강화학습'이라는 이름으로 똑같이 적용한 것이에요.
정리
지도학습(Supervised Learning) : 문제 & 정답 제시 > 사용처 : 예측(회귀), 분류 > 한계 : 빅데이터 필요(시간, 비용)
비지도학습(Unsupervised Learning) : 문제만 제시 > 사용처 : 군집, 연관 규칙
강화학습(Reinforcement Learning) : 보상을 통해 학습 > 사용처 : 보상
2. 딥러닝(Deep Learning) : One of 지도학습s
머신러닝은 스스로 학습하는 기계이고 학습종류로는 '지도학습, 비지도학습, 강화학습'이 있다고 했죠. 딥러닝은 '지도 학습'에 있는 여러 학습 중 하나를 의미해요. 지도 학습에는 결정트리, 선형 회귀, 로지스틱스 회귀 등 다양한 지도학습방식들이 있어요. 이 중 딥러닝이 주목받는 이유는 "인간의 뇌가 작동하는 방식을 모방하여 가장 효율적이기 때문입니다".
정리
딥러닝(Deep Learning) : one of 지도학습방법s > 원리 : 인간의 뇌 작동방식 모방
* 머신러닝(Machine Learning, ML) : 스스로 학습 > 한계 : 여러 개의 학습방식 비효율 > 개선 : 딥러닝(여러 학습 방법 중 하나, 인간의 뉴런 모방)
딥러닝은 인간의 뇌가 작동하는 방식을 모방하기 위해 특정한 알고리즘을 사용하는데요. 이를 '퍼셉트론(Perceptron)'이라 불러요. 퍼셉션(Perception)이 '인지'라는 뜻임으로 퍼셉트론은 '인지자' 정도로 이해하면 돼요. 즉, 신호를 인지하는 자식들이라 생각하면 됩니다. 퍼셉트론은 알고리즘이기 때문에 '함수'가 등장을 해요.
정리
퍼셉트론(Perceptron, 뉴런모양) : 알고리즘 for 딥러닝 > ex : Input-Weight-Net input function - Activation function
인간의 뇌는 수 많은 뉴런(Neuron)들로 이루어져있죠. 위에 퍼셉트론은 함수를 사용한다는 것을 얘기하려고 간단하게 도식화 한 것이에요. 실제로는 수 많은 노드(Node)들이 쌓여있어요. 여기서, 노드란 데이터를 입력하는 개수를 의미해요. 입력한 만큼 처리하는 과정도 많아지겠죠. 입력, 처리안에는 많은 노드들이 숨어있어요. 이는 모델 생성을 할 때, 조절할 수 있어요.
앞서, 퍼셉트론(Perceptron)은 딥러닝 구현을 위한 알고리즘이라고 했어요. 딥러닝은 인간의 신경망구조를 따라한 것이고요. 퍼셉트론이 함수 같은 수식을 넣어서 실제로 계산을 하는 것이라면 ANN(Artificial Neural Network, 인공신경망)은 퍼셉트론의 구조를 자세히 보여줍니다. ANN은 인공신경망으로 입력층(Input Layer) - 은닉층(Hidden Layer) - 출력층(Output Layer)로 구성되어 있어요.
정리
ANN(Artificial Neural Network, 인공신경망) : Input Layer(입력층) - Hidden Layer(은닉층) - Output Layer(출력층)
* Input Layer(입력층) : 데이터 입력
* Hidden Layer(은닉층) : 데이터 처리
* Output Layer(출력층) : 데이터 결과 출력