머신러닝 & 딥러닝 체계도

머신러닝 딥러닝 체계도를 설명하는 글입니다.

 

머신러닝

 

머신러닝은 지도학습, 비지도학습, 강화학습으로 나뉜다.

 

데이터나 작업 속성이 무엇인지에 따라 선택해야 할 알고리즘이 달라진다.

 

지도학습

학습 데이터 선별 및 속성 지정, 학습 내용 제시 등을 사람이 담당

-문제은행을 풀게 하는 것.

 

패턴을 바탕으로 답을 추론 및 예측

학습용 데이터(입력 변수) -> 학습 결과(출력 변수)

입력 변수와 출력 변수의 관계 함수를 알아내는 것.

캐글 경진대회와 같은 성향

 

비지도학습

정답이 없는 문제를 제공하면 시스템 스스로 문제를 분석하고 데이터 학습으로 결론 도출

 

분류되지 않은 데이터를 제공받아, 데이터 기저 고유 패턴을 적용한다.

1. 클러스터링 구조(Clustering Structure)

2. 저차원 다양체 (Low-dimensional Manifold)

3. 희소 트리 및 그래프 (sparse Tree and Graph)

 

예: 구분할 때 지도학습은 레이블을 사람이 정해줘야 함

비지도학습은 사물이 가진 속성들을 자기 나름대로 비슷하다고 판단한 것끼리 분류한다.

 

데이터를 통해 독자적 이해 및 구분한다.

 

강화학습

지도 의존도는 낮으나 퍼포먼스가 가장 높다.

주어진 데이터 없이 스스로 다양한 시도를 통해 결과 도출

 

강화학습은 아예 데이터가 없다.

사전 학습 없이 바로 실전

실전을 통해 스스로 학습하여 빠른 실력 향상을 누린다.

 

강화학습의 학습원리는 보상 시스템

보상이 행동을 유도한다.

에러를 줄이고 보상을 극대화한다.

 

알파고는 비지도+지도

알파고 제로는 강화학습

 

강화학습의 장점

1.데이터 없이 단기간에 높은 성장 가능

2.인간의 실수 데이터 없이 최적의 수로만 이뤄진 학습이 가능하다.

 

강화학습의 한계점

기본적인 규칙은 필요하기 때문에, 규칙 제시가 어려운 상황은 적용에 한계가 있다.

 

보스턴 다이나믹스에서 아틀라스에 강화학습 적용

JP모건, 자율주행 -> 강화학습

 

딥러닝

인공신경망 기반 알고리즘

중요한 것에 대해 스스로 가중치를 부여하여 데이터 분석 및 처리

 

일반적인 머신러닝은 지도학습.

전문가가 데이터 특징을 추출하고, 머신러닝이 분류 및 판단

 

딥러닝은 비지도학습

머신러닝 + 데이터 특징 추출/ 분류/ 판단

정확히는 가중치를 자신이 찾아내는 것.

 

구글 번역기 및 파파고

딥러닝 번역 알고리즘이 문장 전체를 코드화.

이 코드를 푸는 과정에서 번역 문장 생성

정답과 비교하면서 정답과 오답의 차이 측정(순전파 손실 함수 비교)

정답을 처음으로 보내면 번역의 질을 향상하기 위해 다른 결과 생성(역전파)

 

딥러닝 번역 시스템은 알고리즘이 스스로 학습해서 점점 더 정확한 문장을 만들어나간다.

 

딥러닝 사용분야

공장 최적화, 자율주행, 식물 재배, 안면 인식

 

AI 지원 도구

 

인공지능 API

깃허브

 

고급 알고리즘을 개발하는 경우, AI 개발 지원 시스템

kite 코드 추천

AI 직접 머신러닝 알고리즘을 만들어주는 방법