1. 인공지능(Artificial Intelligence)
사람의 지능을 만들기 위한 시스템이나 프로그램.
딥러닝은 머신러닝에 포함되며, 머신러닝은 인공지능에 포함된다.
강 인공지능(strong AI): 사람과 구분이 안 될 정도로 강한 성능을 가진 인공지능
약 인공지능(weak AI): 특정 영역에서 작업을 수행하는 인공지능
(자율주행 자동차, 음성 비서, 인공지능 스피커 등)
2. 머신러닝(Machine Learning, ML)
기계학습
학습: 데이터의 규칙을 컴퓨터 스스로 찾아내는 것
훈련: 규칙을 찾아 수정하는 과정
머신러닝의 학습방식
지도학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning)
- 지도학습
- 입력과 타깃으로 모델을 훈련 시킴
- `훈련 데이터`: 모델을 훈련시키기 위해 사용하는 데이터. `입력` + `타깃` 구성
- `입력`: 모델이 풀어야 할 문제
- `타깃`: 모델이 맞춰야 할 정답
- `모델`: 학습을 통해 만들어진 프로그램.
새로운 입력에 대한 예측을 만듦
- 지도학습에서는 훈련 데이터를 만드는 것이 가장 중요하고 어렵다.
- 비지도 학습
- 타깃이 없는 데이터 사용
- `군집(clustering)`
- 타깃이 없어 모델의 훈련 결과를 평가하기 어렵다.- 강화 학습
- 주어진 환경으로부터 피드백을 받아 훈련
- 머신러닝 알고리즘으로 에이전트 훈련
- 훈련된 에이전트는 특정 환경에 최적화된 행동을 수행
- 수행에 대한 '보상'과 '현재 상태'를 받음
- 에이전트의 목표는 최대한 많은 보상을 받는 것
- 대표적 알고리즘: Q-learning, SARSA, DQN
규칙
가중치와 절편을 말함
가중치: 입력과 곱하는 수
절편: 가중치와 절편을 곱한 값에 더하는 수
모델
훈련데이터로 학습된 머신러닝 알고리즘
모델 파라미터(model parameter): 가중치와 절편
- '손실함수(loss function)`
- 모델의 규칙을 수정하는 기준이 되는 함수
- 손실함수는 단순히 예측값과 차이를 정이하는 것이므로 손실함수이 최솟값을 효율적으로 찾는 방법 필요
- 최적화 알고리즘: 손실함수의 최솟값을 찾는 방법
3. 딥러닝(deep learing)
머신러닝 알고리즘 중 하나인 인공신경망(artificial neural network)로 만든 것.
복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 형태
머신러닝과의 차이
딥러닝은 머신러닝이 처리하기 어려운 데이터를 잘 처리한다.
딥러닝은인지와 관련된 문제를 잘 해결
머신러닝은정형화된 데이터에 대한 문제를 잘 해결
딥러닝에 잘 맞는 데이터: 비정형 데이터 (이미지, 영상, 음성, 소리, 텍스트, 번역 등)
머신러닝에 잘 맞는 데이터: 정형 데이터 (데이터베이스, 레코드 파일, 엑셀, CSV 등)
reference
박해선, 『Do it! 정직하게 코딩하며 배우는 딥러닝 입문』, 이지스퍼블리싱(주)
