Skip to content

Latest commit

 

History

History
179 lines (156 loc) · 9.71 KB

03_machine_learning.md

File metadata and controls

179 lines (156 loc) · 9.71 KB

03. AI · ML · DL과 머신러닝

참고: 인공지능개론 강의 자료 p.47 ~ 58 + 수업 필기

1. AI, ML, DL (p.47 ~ 48)

  • AI(Artificial Intelligence, 인공지능): 컴퓨터가 사람의 행동을 흉내 내게 하는 모든 기술
  • ML(Machine Learning, 머신러닝): AI의 한 부분
    • 통계적 방법으로 경험을 통해 성능 향상
    • 최적의 방식을 찾아감
  • DL(Deep Learning, 딥러닝): ML의 한 부분, 다층 신경망 사용

AI ML DL 포함 관계

  • ML vs DL
    • 고전 ML: 사람이 특징(feature) 지정 → **분류기(classifier)**로 분류
      • 분류기 예시: SVM, Random Forest
      • 특징을 좌표계에 표시 → 분류선으로 나눔
    • DL: 신경망이 특징까지 스스로 학습
%%{init: {'theme': 'base', 'themeVariables': {'fontSize': '18px', 'primaryColor': '#E9EDF3', 'primaryBorderColor': '#1F3A5F', 'primaryTextColor': '#111827', 'lineColor': '#8A94A6', 'secondaryColor': '#F3F4F6', 'tertiaryColor': '#F3F4F6', 'clusterBkg': '#F6F7F9', 'clusterBorder': '#9AA5B1', 'edgeLabelBackground': '#E9EDF3'}, 'flowchart': {'nodeSpacing': 30, 'rankSpacing': 40}}}%%
flowchart TD
  classDef default fill:#E9EDF3,stroke:#1F3A5F,stroke-width:1.5px,color:#111827
  linkStyle default stroke:#8A94A6,stroke-width:3px,color:#111827
  subgraph ML["고전 ML"]
    direction LR
    A1["입력"] --> B1["특징 추출<br/>(수작업)"] --> C1["분류기<br/>(SVM, Random Forest)"] --> D1["결과"]
  end
  subgraph DL["DL"]
    direction LR
    A2["입력"] --> B2["신경망<br/>(특징 추출 + 분류)"] --> D2["결과"]
  end
  ML ~~~ DL
  linkStyle 5 stroke-width:0px
  style ML fill:none,stroke:#9AA5B1,stroke-width:1.5px,color:#8A94A6
  style DL fill:none,stroke:#9AA5B1,stroke-width:1.5px,color:#8A94A6
Loading

2. ML의 흐름 (p.49)

  • 데이터(입력) + 알고리즘("모델" 동작) + 학습
    • 학습 = 데이터 + 알고리즘으로 원하는 결과를 내도록 튜닝
  • 흐름
    1. Dataset: 학습 데이터 확보
      • 학습 데이터 / 검증 데이터(성능 확인) / 테스트 데이터(일반화 확인)
    2. Data cleaning: 데이터 전처리 (예외 처리)
      • 참고
        • ETL(Extract, Transform, Load): 추출 → 변환 → 적재
        • ELT(Extract, Load, Transform): 추출 → 적재 → 변환
    3. Feature Engineering: 필요한 데이터 추출, 특징 생성
    4. Train Model: 원하는 결과가 나오는지 확인 → 학습 성능
      • Learning Algorithm = 값을 조절하기 위한 알고리즘
      • 모델 → 결과 → 예측 - 실제 = 오차 → 다시 반영
    5. Score / Evaluate Model: 학습에 쓰지 않은 새 데이터로 분석 → 일반화 성능
%%{init: {'theme': 'base', 'themeVariables': {'fontSize': '18px', 'primaryColor': '#E9EDF3', 'primaryBorderColor': '#1F3A5F', 'primaryTextColor': '#111827', 'lineColor': '#8A94A6', 'secondaryColor': '#F3F4F6', 'tertiaryColor': '#F3F4F6', 'clusterBkg': '#F6F7F9', 'clusterBorder': '#9AA5B1', 'edgeLabelBackground': '#E9EDF3'}, 'flowchart': {'nodeSpacing': 30, 'rankSpacing': 70}}}%%
flowchart TD
  classDef default fill:#E9EDF3,stroke:#1F3A5F,stroke-width:1.5px,color:#111827
  linkStyle default stroke:#8A94A6,stroke-width:3px,color:#111827
  subgraph P1["데이터 준비"]
    direction LR
    A["Dataset<br/>데이터 수집"] --> B["Data cleaning<br/>전처리"] --> C["Feature Engineering<br/>특징 추출"]
  end
  subgraph P2["학습 · 평가"]
    direction LR
    D["Train Model<br/>학습"] --> E{"예측 - 실제<br/>= 오차"}
    E -- 가중치 갱신 --> D
    E -- 수렴 --> F["Evaluate Model<br/>새 데이터로 평가"]
  end
  P1 --> P2
  style P1 fill:none,stroke:#9AA5B1,stroke-width:1.5px,color:#8A94A6
  style P2 fill:none,stroke:#9AA5B1,stroke-width:1.5px,color:#8A94A6
  linkStyle 5 stroke:#9AA5B1,stroke-width:4px
Loading

3. ML 분류 (p.50 ~ 52)

학습 데이터 종류 부가 설명
지도학습 데이터 O, 정답 O 분류, 회귀 입력과 정답을 주고 학습 → 새 입력의 정답 예측
준지도학습 일부만 정답 정답 있는 것으로 분류 → 다른 것을 유추
단, 오답이 섞일 가능성 있음
비지도학습 데이터 O, 정답 X 군집화, 차원 축소 비슷한 데이터끼리 군집화
강화학습 보상 게임 AI, 로봇
%%{init: {'theme': 'base', 'themeVariables': {'fontSize': '18px', 'primaryColor': '#E9EDF3', 'primaryBorderColor': '#1F3A5F', 'primaryTextColor': '#111827', 'lineColor': '#8A94A6', 'secondaryColor': '#F3F4F6', 'tertiaryColor': '#F3F4F6', 'clusterBkg': '#F6F7F9', 'clusterBorder': '#9AA5B1', 'edgeLabelBackground': '#E9EDF3'}, 'flowchart': {'nodeSpacing': 30, 'rankSpacing': 40}}}%%
flowchart TD
  classDef default fill:#E9EDF3,stroke:#1F3A5F,stroke-width:1.5px,color:#111827
  linkStyle default stroke:#8A94A6,stroke-width:3px,color:#111827
  ML["머신러닝"] --> S["지도학습"]
  ML --> SS["준지도학습"]
  ML --> U["비지도학습"]
  ML --> R["강화학습"]
  S --> S1["분류"]
  S --> S2["회귀"]
  U --> U1["군집화"]
  U --> U2["차원 축소"]
  R --> R1["게임 AI, 로봇"]
Loading
  • 분류: 범주가 정해져 있음 (이산적 → 0, 1, 2)
  • 회귀: 분포 예측 (연속적) → 예시: 부모 키로 자식 키 예측
  • 군집화: 데이터를 특징(기준)으로 묶어 줌 (정답 없음), 군집 개수 정하기가 어려움
  • 차원 축소: 전체 데이터 중 핵심 특징만 추출

분류 회귀 군집화 비교

  • 예시
    • 지도: 자동차 번호판 인식(맞다/아니다), 핸드폰 사진 얼굴 분류
    • 준지도: 일부만 정답 → cluster → 평가
    • 비지도: 추천 알고리즘
  • ※ 알고리즘은 scikit-learn으로 활용 가능 → 종류 파악 위주
    • K-NN(k-Nearest Neighbors, k-최근접 이웃), K-Means, Mean Shift 등

4. 지도학습 (p.53 ~ 54)

  • (데이터, 정답)으로 학습 → 새 데이터의 정답 유추
    • 확률적으로 가장 높은 것을 정답이라고 판단
  • 입력 주고 정답을 알려 줌 → 분류·회귀 문제
  • 분류: 데이터를 주어진 범주로 구분
    • '기타' 범주를 넣어 예상 못 한 입력에 대비
    • SVM(Support Vector Machine, 서포트 벡터 머신)
      • 분류선과 가장 가까운 점(support vector) 사이 margin을 최대로
      • margin = 위 그림 왼쪽 점선 사이 간격
  • 회귀: 독립변수(원인, 영향 줌)와 종속변수(결과, 영향 받음)의 관계 분석
    • 학습된 곡선 = 실제로 사용할 결과 (위 그림 가운데 회귀선)

5. 비지도학습 (p.55 ~ 56)

  • 정답 없이 데이터만 입력 → 군집화 (특징 추출)
  • 군집화: 데이터 고유의 구조·정보 추출
    • 새 데이터 → 거리가 가장 가까운 군집에 배정
    • k-means: k개로 분류, EM(Expectation-Maximization, 기댓값 최대화) 기반 (예측 → 측정 반복)
  • 이상 탐지: 패턴에서 벗어나면 알림
    • 활용: 카드 사용 (타 지역 결제 알림)

이상 탐지

6. 준지도학습 (p.57)

  • (데이터, 정답) + (데이터)로 학습 → 지도학습용 데이터를 늘려 성능 개선
%%{init: {'theme': 'base', 'themeVariables': {'fontSize': '18px', 'primaryColor': '#E9EDF3', 'primaryBorderColor': '#1F3A5F', 'primaryTextColor': '#111827', 'lineColor': '#8A94A6', 'secondaryColor': '#F3F4F6', 'tertiaryColor': '#F3F4F6', 'clusterBkg': '#F6F7F9', 'clusterBorder': '#9AA5B1', 'edgeLabelBackground': '#E9EDF3'}, 'flowchart': {'nodeSpacing': 30, 'rankSpacing': 40}}}%%
flowchart LR
  classDef default fill:#E9EDF3,stroke:#1F3A5F,stroke-width:1.5px,color:#111827
  linkStyle default stroke:#8A94A6,stroke-width:3px,color:#111827
  A["레이블 데이터<br/>(소량)"] --> B["모델 학습"]
  B --> C["비레이블 데이터에<br/>의사 레이블 부여"]
  C --> D["전체 데이터로<br/>재학습"]
Loading
  • 가정
    • 평활성 가정(Smoothness): 입력 공간에서 가까운 데이터는 같은 레이블일 가능성이 높음
    • 저밀도 가정(Low-density)
      • 결정 경계는 데이터가 적은 곳을 지나야 함
      • → 클래스 간 명확한 구분 필요
    • 다양체 가정(Manifold): 고차원 데이터도 저차원 다양체 위에 놓여 있어 구분 가능

7. 강화학습 (p.58)

  • 상태 시퀀스에서 최대의 보상을 주는 행동 정책 학습
    • 최종 목표 기준으로 최선의 행동 선택
    • 경우의 수(에피소드)가 방대함
  • 구성: Agent(Action 선택) ↔ Environment(Agent가 상호작용하는 환경)
    • Observation, State, Reward, Action Space(가능한 행동의 집합)
%%{init: {'theme': 'base', 'themeVariables': {'fontSize': '18px', 'primaryColor': '#E9EDF3', 'primaryBorderColor': '#1F3A5F', 'primaryTextColor': '#111827', 'lineColor': '#8A94A6', 'secondaryColor': '#F3F4F6', 'tertiaryColor': '#F3F4F6', 'clusterBkg': '#F6F7F9', 'clusterBorder': '#9AA5B1', 'edgeLabelBackground': '#E9EDF3'}, 'flowchart': {'nodeSpacing': 30, 'rankSpacing': 40}}}%%
flowchart LR
  classDef default fill:#E9EDF3,stroke:#1F3A5F,stroke-width:1.5px,color:#111827
  linkStyle default stroke:#8A94A6,stroke-width:3px,color:#111827
  AG((Agent)) -- "Action<br/>(Action Space 중 선택)" --> EN[Environment]
  EN -- "State / Observation" --> AG
  EN -- Reward --> AG
Loading
  • 예시: 바둑(AlphaGo): 순간순간 최선의 수가 아니라 승리를 위한 최적의 수를 둠

참고

  • AI hub 데이터로 재학습 후 활용 실습