참고: 인공지능개론 강의 자료 p.47 ~ 58 + 수업 필기
- 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
- 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
- 고전 ML: 사람이 특징(feature) 지정 → **분류기(classifier)**로 분류
%%{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
- 데이터(입력) + 알고리즘("모델" 동작) + 학습
- 학습 = 데이터 + 알고리즘으로 원하는 결과를 내도록 튜닝
- 흐름
- Dataset: 학습 데이터 확보
- 학습 데이터 / 검증 데이터(성능 확인) / 테스트 데이터(일반화 확인)
- Data cleaning: 데이터 전처리 (예외 처리)
- 참고
- ETL(Extract, Transform, Load): 추출 → 변환 → 적재
- ELT(Extract, Load, Transform): 추출 → 적재 → 변환
- 참고
- Feature Engineering: 필요한 데이터 추출, 특징 생성
- Train Model: 원하는 결과가 나오는지 확인 → 학습 성능
- Learning Algorithm = 값을 조절하기 위한 알고리즘
- 모델 → 결과 → 예측 - 실제 = 오차 → 다시 반영
- Score / Evaluate Model: 학습에 쓰지 않은 새 데이터로 분석 → 일반화 성능
- Dataset: 학습 데이터 확보
%%{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
| 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"]
- 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
- 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
- (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)
- 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)
- (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"]
- 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
- 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
- 예시: 바둑(AlphaGo): 순간순간 최선의 수가 아니라 승리를 위한 최적의 수를 둠
- AI hub 데이터로 재학습 후 활용 실습
- 실습: cnn-crop-classifier
- PyTorch CNN 작물 3종 분류, 모델 깊이 비교
- 실습: cnn-crop-classifier


