introduction of Machine Learning 1

Artificial Intelligence :

인간의 학습, 추론, 지각, 자연언어 이해 등의 지능적 능력을 인공적으로 구현하려는 컴퓨터 과학의 세부분야

Goal :

사람 처럼 생각하는 기계를 만드는것

주요 사례 :

  • 로봇
  • 자율주행
  • 실시간 번역
  • 실시간 객체인식 등.. 많음

Stage of

  • Super AI

:인간을 넘어서는 영역

:: 모든 인류의 지성을 합친것 보다 뛰어난 인공지능

  • Strong AI

: 인간이 할 수 있는 지적업무를 성공적으로 해낼 수 있는 인공지능

  • weak AI

: 인간의 지시한 명령의 틀 안에서만 일 하는 인공지능

:: 예측,관리가 용이하고 특정분야에만 일할수있기 때문에 종합적 판단이 한계를 나타냄.

:: 요즘 빠르게 발전

Machine Learning

: 인공지능의 하위 범주로, 컴퓨터가 학습을 통해 패턴을 파악해 특정 프로그래밍 없이 데이터 기반으로 예측을 하여 필요한 작업을 수행하는것.

학습: 경험의 결과로 나타난는, 비교적 지속적인 행동의 변화나 그 잼재력의 변화 or 지식을 습득하는 과정

프로그래밍과 기계학습의 차이

  • programming : 컴퓨터에 입력값과 프로그램 코드를 주면 출력값을 준다.
  • ML : 컴퓨터에 입,출력값을 주면 학습을 하요 프로그램 코드와 비슷한 역할을 하는 모델을 생성한다.

Type of ML

supervised learning

  • 특징 벡터 x, 목표치 y가 모두 주어진상황

  • regression, classification으로 예측하는 상황에서 사용(ex) 주식 등..)

unsupervised learning

  • 특징 벡터 x만 존재 목표치 y는 주어지지 않는 상황
  • clustering 과업(ex)고객 성향에 맞게 홍보 등 ..)
  • density estimation, 특징 공간 변환 과업(ex) PCA)

reinforcement learning

  • 목표치 y대치 reward를 주어 reward 가 높아지는 쪽으로 학습을 진해
  • 황경에 맞는 상호관계를 통한 학습을 진행한다 (action/policy)
  • ex) 바둑(알파고), 게임

semi-supervised learning

  • supervised learning와 같이 x,y 값이 주어지긴하지만 일부만 모두가지고 나머지들은 x만을 가진 상황이다.
  • 데이터 x의 수집은 어렵지만 y의 수작업이 필요하여 최근 중요성이 부각되고 있다.

Type of ML model

online model and offline model

  • online : 실시간으로 발생하는 데이터를 넣어 점짐적으로 학습

  • offline : 데이터 집합을 모아 합습 (일반적으로 사용하는 방법)

deterministic model and stochastic model

  • deteministic : 데이터 집합을 가지고 학습하면 매번 동일한 결과를 만드는 모델

  • stochastic : 학습과정에 확률분포 요소를 추가하여 같은 데이터여도 수행할때마다 다른 결과를 만들 수 있는 모델

discriminative model and generative model

  • discriminative : 데이터와 정답 간의 관계,P(y x) 추정이 목적인 모델
  • generative : 데이터 생성 P(x) 추정이 목적인 모델 -> 새로운 데이터를 생성할 수 있음

Requirements for ML

  • data

: 양,질 적으로 좋은 데이터가 필요

:: 데이터에 대한 이해도 꼭 필요하다

  • pattern

특정 상황에 패턴이 있어야한다.

  • non closed-form solution

함수로 설명할 수 없는 문제여야 한다.