딥러닝, 머신러닝, 인공지능 이들의 관계
인공지능 = 머신러닝 + 딥러닝
딥러닝
숨겨져 있는 특징들을 찾아내어 복잡한 문제를 풀 수 있도록 설계하는 것 (뉴런 네트워크)
머신러닝
뉴런 네트워크를 활용해서 조금 더 상위차원의 문제를 푸는 것(극소 패턴 추가, 새로운 알고리즘 추가)
인공지능
머신러닝의 알고리즘을 활용해서 고차원적인 문제를 푸는 것
러닝의 4가지 종류
1. 지도 학습(Supervised Learning)
컴퓨터가 훈련 데이터에 있는 패턴을 학습하여 새로운 데이터에 대한 예측을 수행하는 머신 러닝의 한 분야
Input (이미지, 텍스트) -> Encoder(특징 찾기) -> Feature -> Decoder(정답도출) -> Output(분류, 회귀, 연관성)
Output(분류, 회귀, 연관성)
분류: 입력 데이터를 여러 번주 중 하나로 분류하는 데 사용된다. ex) 고양이 or 개
회귀: 입력 데이터를 사용하여 연속적인 값을 예측하는 데 사용된다. ex) 다음 날의 기온을 예측
연관성: 두 가지 변수 간의 관계를 식별하는 데 사용될 수 있다. ex) 특정 제품을 구매한 고객이 다른 제품을 구매할 가능성이 더 높은지 여부를 식별하는 데 사용될 수 있다.
문제와 답이 주어지고 그 특징을 찾아내서 학습하는 것
2. 비지도 학습(Unsupervised Learning)
지도 학습과 달리 훈련 데이터에 정답이 없는 상태에서 학습하는 머신 러닝의 한 분야로 비지도 학습 모델은 훈련 데이터에 있는 패턴을 스스로 학습하여 새로운 데이터에 대한 예측을 수행한다.
비지도 학습의 예
군집화: 훈련 데이터에 있는 데이터 포인트를 유사한 특성을 가진 그룹으로 나누는 데 사용
ex) 고객을 관심사에 따라 그룹을 나누거나, 이미지를 유사한 내용을 가진 그룹으로 나누는 데 사용할 수 있다.
차원축소: 훈련 데이터의 차원을 줄이는 데 사용될 수 있다. 차원 축소는 데이터의 복잡성을 줄이고 데이터 분석을 더 쉽게 만드는 데 사용될 수 있다.
연관 규칙 학습: 연관 규칙을 학습하는 데 사용, 연관 규칙은 두 가지 변수 간의 관계를 설명하는 것이다.
ex) 특정 제품을 구매한 고객이 다른 제품을 구매할 가능성이 더 높은지 여부를 식별하는 데 사용할 수 있다.
비지도 학습은 지도학습과 달리 정답이 없기 때문에 모델의 성능을 평가하기가 더 어렵다.
3. 준지도 학습(Seml-supervised learning)
지도 학습과 비지도 학습의 중간 지점에 있는 머신 러닝의 한 분야. 준지도 학습 모델은 훈련 데이터에 일부 정답이 있는 상태에서 학습한다.
준지도 학습의 예시
- 지도 데이터를 사용하여 초기화해 줌
준지도 학습 모델은 지도 데이터를 사용하여 초기화할 수 있다. 초기화는 모델의 매개변수를 특정 값으로 설정하는 과정이다. 지도 데이터를 사용하여 초기화하면 모델이 빠르게 학습할 수 있다.
- 지도 데이터와 비지도 데이터를 모두 사용하여 학습
준지도 학습 모델은 지도 데이터와 비지도 데이터를 모두 사용하여 학습할 수 있다. 지도 데이터를 사용하여 모델의 일반성을 향상하고, 비지도 데이터를 사용하여 모델의 정확성을 향상할 수 있다.
- 자기 지도 학습
자기 지도 학습은 준지도 학습의 한 가지 유형으로 자기지도 학습 모델은 자기 지도 데이터를 생성하기 위해 비지도 데이터를 사용, 지도 데이터를 생성하면 모델이 훈련 데이터의 패턴을 더 잘 이해할 수 있음
준지도 학습은 지도 학습과 비지도 학습의 장점을 모두 활용할 수 있는 방법으로, 준지도 학습은 지도 학습보다 훈련 데이터가 적게 필요하고, 비지도 학습보다 모델의 정확성이 높다, 준지도 학습은 이미지 인식, 자연어 처리(gpt, bard), 추천 시스템, 생물 정보학 등 다양한 분야에서 활용
4. 강화 학습(Reinforcement Learning)
에이전트(에이전트란? 보상을 최대화하는 주체로 로봇, 소프트웨어가 될 수 있다.)가 환경과 상호작용하면서 보상을 최대화하는 행동을 학습하는 머신러닝의 한 분야, 에이전트는 환경의 상태를 관찰하고, 행동을 선택하고, 행동의 결과에 따라 보상을 받는다.
문제 -> 답 제출(인공지능)-> 점수(사람) -> 최대 점수를 받도록 설계되어 강화 학습을 함
강화학습의 예시
게임: 강화학습은 게임에서 에이전트가 승리하는 방법을 학습하는 데 사용될 수 있다. 예를 들어 체스나 바둑과 같은 게임에서 에이전트가 최적의 전역을 학습하는 데 사용할 수 있다. ex)이세돌 님과 인공지능 알파고의 바둑 경기
로봇 제어: 강화학습은 로봇의 환경을 탐색하고 목표를 달성하는 방법을 학습하는 데 사용될 수 있다. ex) 로봇이 장애물을 피라고 목적지에 도달하는 방법을 학습하는 데 사용될 수 있다.
자율 주행: 자율 주행 자동차가 안전하게 주행하는 방법을 학습하는 데 사용될 수 있다. ex) 자율 주행 자동차가 다른 차량이나 보행자와 충돌하지 않고 목적지에 도달하는 방법을 학습하는 데 사용될 수 있다.