https://github.com/gilbutITbook/080289

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

ㄴ얘를 구현하는 방법: 딥러닝, 머신러닝

인공지능과 머신러닝, 딥러닝의 관계

둘 다 학습 모델을 제공하여 데이터를 분류할 수 있는 기술

차이점: 머신러닝은 주어진 데이터를 인간이 전처리 해야 됨 (예를 들어서 feature를 뽑아낸다거나… 이미지 데이터라면 사람이 학습 데이터를 컴퓨터가 인식할 수 있도록 준비해야 됨)

머신러닝의 경우: 즉, 범용적인 목적을 위해 제작된 것으로 데이터의 특징을 스스로 추출하지 못함 (인간이 해줘야 됨)

딥러닝의 경우: 인간이 하던 작업 (특징 추출, 전처리)을 생략한다. 대량의 데이터를 신경망에 적용하면 컴퓨터가 스스로 분석 후 답을 찾는다.

⇒특성을 추출하는 주체가 다르다! (인간/컴퓨터)

<aside>

왜 머신러닝에는 수천개, 딥러닝에는 수백만개 이상의 데이터가 필요하지?

⇒ chatGPT: 딥러닝 모델은 파라미터가 수백만~수십억개까지… 파라미터가 많을수록 훈련데이터가 적으면 쉽게 과적합. 따라서 일반화를 위해 더 많은 데이터가 필요하다.

</aside>

머신러닝이란

컴푸터 스스로 대용량 데이터에서 지식이나 패턴을 찾아 학습하고 예측을 수행하는 것.

머신러닝의 학습 과정

• 학습 단계: 훈련데이터를 머신 러닝 알고리즘에 적용하여 학습시키고 이 학습 결과로 모형 생성
• 예측 단계: 학습 단계에서 생성된 모형에 새로운 데이터를 적용하여 결과 예측

<aside>

💡특성 추출

머신 러닝에서 컴퓨터가 스스로 학습하려면 컴퓨터가 입력받은 데이터를 분석하여 일정한 패턴이나 규칙을 찾아 내려면 사람이 인지하는 데이터를 컴퓨터도 인지할 수 있는 데이터로 변환해주어야 한다.

⇒ 이때, 데이터별로 어떤 특징을 가지고 있는지 찾아내고, 그것을 토대로 데이터를 벡터로 변환하는 작업을 특성 추출이라고 한다.

</aside>

*벡터: 현실의 데이터를 숫자 좌표로 바꿔 수학으로 다룰 수 있게 만드는 것. 그 좌표 한 덩어리를 벡터라고 부름. 모델은 이 벡터를 입력으로 받아 학습한다.

머신러닝의 주요 구성 요소

• 데이터: 머신러닝이 학습 모델을 만드는 데 사용하는 것. 실제 데이터의 특징이 잘 반영되고 편향되지 않는 훈련 데이터를 확보하는 것이 중요하다.
  • 훈련 데이터셋과 테스트 데이터셋 용도로 분리해서 사용. (여기서, 훈련 데이터셋을 또다시 훈련 데이터셋과 검증 데이터셋으로 분리해서 사용하기도 함)