1. 머신러닝과 딥러닝

본 내용은 도서 '딥러닝 텐서플로 교과서'의 내용을 참고했습니다.
출처 : http://www.yes24.com/Product/Goods/100295267?OzSrank=1

 

인공지능 : 인간의 지능을 모방하여 사람이 하는 일을 컴퓨터가 할 수 있도록 하는 기술

인공지능과 머신러닝, 딥러닝의 관계는 아래 그림과 같다.

 

 

머신러닝과 딥러닝의 차이점 

머신러닝 : 주어진 데이터를 인간이 먼저 처리하고, 이를 컴퓨터에 학습시켜 문제를 해결함

딥러닝 : 대량의 데이터를 신경망에 적용한 후, 컴퓨터가 스스로 분석하고 답을 찾음

 

 

2. 머신러닝

머신러닝 : 인공지능의 한 분야로, 컴퓨터 스스로 대용량 데이터에서 지식이나 패턴을 찾아 학습하고 예측을 수행하는 것

 

머신러닝 학습 과정

 

 

머신러닝의 주요 구성요소

* 데이터 : 머신러닝이 학습 모델을 만드는데 사용하는 것으로써, 실제 데이터의 특징이 잘 반영되고 편향되지 않은 데이터를 확보해야 한다.

 

* 모델(모형) : 머신 러닝의 학습 단계에서 얻은 최종 결과물로 '가설'이라고도 부른다. 모델의 학습 절차는 아래와 같다.

1. 모델(또는 가설) 선택
2. 모델 학습 및 평가
3. 평가를 바탕으로 모델 업데이트

위의 과정을 반복하며 주어진 문제를 가장 잘 풀 수 있는 모델을 찾는다.

 

 

머신러닝 학습 알고리즘

* 지도학습 : 정답이 무엇인지 컴퓨터에 알려 주고 학습시키는 방법

• 분류 : K-최근접 이웃(KNN), 서포트 벡터 머신(SVM), 결정 트리, 로지스틱 회귀(logistic regression)
• 회귀 : 선형 회귀(linear regression)

 

* 비지도 학습 : 정답을 알려주지 않고 특징을 범주화하여 예측하는 학습 방법

• 군집 : K-평균 군집화, 밀도 기반 군집 분석(DBSCAN)
• 차원 축소 : 주성분 분석(PCA)

 

* 강화 학습 : 자신의 행동에 대한 보상을 받으며 학습을 진행하는 것으로, 보상이 커지는 행동은 자주 하고, 보상이 줄어드는 행동은 덜 하도록 하여 학습을 진행한다.

• 마르코프 결정 과정(MDP)

 

 

3. 딥러닝

딥러닝  :인간의 신경망 원리를 모방한 심층 신경망 이론을 기반으로 고안된 머신 런이 기법의 일종

머신러닝과의 가장 큰 차이점은 인간의 뇌를 기초로 하여 설계했다는 것이다.

 

딥러닝 학습 과정

 

 

딥러닝 학습 알고리즘

지도학습

• 합성곱 신경망(CNN) : 이미지 분류, 인식, 분할에 이용 가능하다. 
• 순환 신경망(RNN) : 시계열 데이터를 분류할 때 사용한다.

 

비지도 학습

• 워드 임베딩 : 워드투벡터(Word2Vec), 글로브(GloVe)를 가장 많이 이용한다.
• 군집 : 아무런 정보가 없는 상태에서 데이터를 분류하는 방법이다.

 

전이 학습(transfer learning)

사전에 학습이 완료된 모델(pre-training model)을 갖고, 우리가 원하는 학습에 미세 조정 기법을 이용하여 학습시키는 방법

 

사전 학습 모델

풀고자 하는 문제와 비슷하면서 많은 데이터로 이미 학습이 되어 있는 모델이다. VGG, 인셉션, MobileNet과 같은 사전 학습 모델을 사용한다면, 효율적인 학습이 가능하다.