728x90
인공지능(Artificial Intelligence)
- AI는 기계가 인지 기능을 모방하는 것: 인공지능은 기계가 학습이나 문제 해결 같은 인간의 인지 기능을 모방하는 애플리케이션을 포괄적으로 설명하는 용어입니다.
- 더 낮은 수준에서의 AI: AI는 특정 상황에서 기계가 특정 방식으로 행동하도록 프로그래밍된 규칙일 수도 있습니다. 예를 들어, 조건에 따라 기계가 특정 동작을 하도록 설정된 간단한 규칙도 AI의 일종입니다.
머신 러닝(Machine Learning)
- 고전적인 알고리즘을 포함: 머신 러닝은 클러스터링, 회귀 분석, 분류 등의 다양한 작업을 위한 고전적인 알고리즘들을 포함합니다.
- 데이터 학습 필요: ML 알고리즘은 데이터를 통해 학습해야 하며, 제공되는 데이터가 많을수록 모델의 성능이 더 좋아집니다.
- 오차 최소화: ML 모델은 예측과 실제 결과 값 간의 오차를 최소화하려고 합니다. 이를 위해 오류 함수(손실 함수 또는 목표 함수라고도 함)를 정의하고, 이 함수를 최소화하는 방향으로 학습을 진행합니다.
- 최적화 알고리즘: 간단히 말해, ML 모델은 최적화 알고리즘입니다. 적절히 조정되면, 반복적인 추측을 통해 오차를 최소화합니다.
머신 러닝의 기본 정의
- 데이터를 분석하고 학습하여 결정하는 알고리즘:
- 1 .머신 러닝의 기본 정의는 데이터를 분석하고,
- 2. 그로부터 학습하여,
- 3. 학습한 통찰을 바탕으로 결정을 내리는 알고리즘입니다.
- 오래된 분야: 머신 러닝은 매우 오래된 분야이며, 수십 년 동안 존재해온 메서드와 알고리즘을 포함합니다. 예를 들어, 나이브 베이즈 분류기와 서포트 벡터 머신(SVM)은 데이터 분류에 자주 사용되며, 클러스터 분석 알고리즘으로는 K-Means와 트리 기반 클러스터링이 있습니다.
- 복잡한 수학과 많은 코딩 요구: 원하는 기능과 결과를 얻기 위해 복잡한 수학적 계산과 많은 코딩이 필요합니다.
딥 러닝(Deep Learning)
- 인공지능의 매우 젊은 분야: 딥 러닝은 인공 신경망을 기반으로 한 인공지능의 매우 젊은 분야다.
- 머신 러닝의 일부분: 딥 러닝 알고리즘도 문제를 해결하기 위해 데이터를 학습해야 하므로, 딥 러닝은 머신 러닝의 일부분으로 볼 수 있습니다. 그래서 머신 러닝과 딥 러닝이라는 용어가 종종 같은 의미로 사용된다.
- 다른 능력: 그러나 딥 러닝 시스템은 머신 러닝과는 다른 능력을 가지고 있다. 딥 러닝은 특히 복잡하고 대규모 데이터에서 더 좋은 성능을 보이며, 사람이 직접 피처 엔지니어링을 하지 않고도 자동으로 특징을 학습할 수 있는 강력한 능력을 제공
특징 추출 (Feature Extraction)
- 인공 신경망과 특징 추출 불필요성 : 특징 추출 단계를 필요로 하지 않습니다. 신경망의 각 계층이 원시 데이터를 직접 학습하여, 데이터를 암묵적으로 표현할 수 있다.
- 자동화된 특징 추출: 즉, 인공 신경망 내부에서 이미 특징 추출 과정이 자동으로 이루어지고 있다 ( 이미 내제되어 있다)
많은 양의 데이터에서 힘을 낸다. 데이터가 많을수록 더 많은 학습이 필요하고 그에 따라 정확도가 올라간다.
728x90