인공지능_딥러닝, 머신러닝 간단하게 총정리

A.I.(Artificial Intelligence)은 사람이 수행하는 지능적 작업을 자동화하기 위한 연구 활동이다. A.I.는 머신 러닝과 딥러닝을 포함하는 종합적인 분야다.

 

M.L.(Machine Learning)에서는 컴퓨터가 수행하는 통계적 학습이다. 컴퓨터가 data feature를 통해 표본 data 속에 존재하는 일반화 가능한 패턴을 찾아 스스로 학습하는 과정이다. 다시 말하면 명시적으로 프로그램되지 않고도 학습할 수 있도록 하는 방법이다.

 

D.L.(Deep Learning)은 M.L.의 특정한 하나의 분야로 인공신경망(neural network)에 기반하여 많은 데이터를 스스로 학습해 좋은 성능을 이끌어낸다. 머신러닝과 딥러닝의 차이는 머신러닝은 특징을 추출할 때 사람이 많이 관여해야 하지만 딥러닝은 특징 추출기까지 모델 안에 포함되어 인간이 크게 관여할 필요가 없다는 것이다.

 

 

M.L.(Machine Learning)

학습의 종류

머신러닝의 학습의 종류에는 지도학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning) 3가지 종류가 있다.

머신러닝 학습의 종류

지도 학습(supervised learning)은 레이블 된 훈련 데이터에서 모델을 학습하여 본 적 없는 미래 데이터에 대하여 예측하는 것을 주목적으로 한다. 즉, 입력 데이터와 정답 데이터가 있는 훈련 데이터로 모델을 학습하는 방법이다. 지도 학습의 종류에는 데이터의 레이블을 분류하는 분류(classification)나 연속적인 값을 출력하는 회귀(regression)가 있다. 

cf. 특정 데이터에 할당된 클래스를 레이블이라고 한다. 

 

비지도 학습(unsupervised learning)은 레이블 되지 않거나 구조를 알 수 없는 데이터를 학습하여 출력 데이터를 얻는 방법이다. 대표적인 예로 자동으로 군집을 묶어주는 클러스트링(clustering)이 있다.

 

강화 학습(reinforcement learning)은 환경과 상호작용하여 시스템(agent)의 성능을 향상시키는 방법이다. 환경의 정보는 보상(reward) 신호를 포함하고 있으며 시스템은 환경과 상호작용하여 보상이 최대화되는 방향으로 학습한다. 주로 시행착오(trial and error) 방식이나 신중한 계획을 사용한다.

 

 

D.L.(Deep Learning)

 딥러닝은 M.L.의 특정한 하나의 분야로 인공신경망(Artificial neural networks, ANN)에 기반하여 많은 데이터를 학습해 좋은 성능을 이끌어낸다. 딥러닝의 대표적인 알고리즘 종류로는 DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Networks)이 있다.

 

DNN (Deep Neural Network)

 심층 신경망(DNN, Deep Neural Network)은 은닉계층이 한개인 단순한 신경망과는 다르게 층(layer)을 쌓아 층을 더욱 깊게 만든 신경망이다. 입력계층(input layer)과 출력계층(output layer) 사이에 여러개의 은닉계층(hidden layer)들로 이뤄진다.

 

CNN (Convolutional Neural Network)

CNN알고리즘 중 하나인 AlexNet

 합성곱 신경망(CNN, Convolutional Neural Network)은 최소한의 전처리를 사용하도록 설계된 신경망이다. CNN은 하나 또는 여러개의 합성곱 계층과 그 위에 일반적인 인공 신경망 계층들로 이루어져 있어 특성맵(feature map)을 만들며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 신경망들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 다른 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

 

RNN (Recurrent Neural Network)

RNN

 순환 신경망(RNN, Recurrent Neural Network)은 은닉계층이 입력계층과 이전 타임스텝의 은닉계층으로부터 정보를 받는 모델이다. 이러한 특성에 의해 CNN과 DNN과 달리 순환 신경망은 지난 정보를 기억할 수 있다. 이를 기반으로 원소들간 특정 순서를 가져 상호독립적이지 않은 시퀀스 데이터를 처리 가능하다. 순환 신경망은 이미지 캡셔닝(captioning)이나 언어 번역과 같은 데이터를 학습하는데 주로 사용된다.

 

GAN (Generative Adversarial Networks)

GAN

 생성적 적대 신경망(GAN, Generative Adversarial Networks)은 회귀생성 모델로서 분류를 담당하는 모델(판별자 D)과 회귀생성을 담당하는 두 개의 모델(생성자 G)로 구성되어 있다. 두 모델은 생성자 G와 판별자 D가 서로의 성능을 개선해 적대적으로 경쟁해 나간다. 비지도학습 GAN은 원데이터가 가지고 있는 확률분포를 추정하도록 하고, 인공신경망이 그 분포를 만들어 낼 수 있도록 한다는 점에서 단순한 군집화 기반의 비지도학습과 차이가 있다. GAN은 이미지, 음악 등의 분야에서 실제 비슷한 새로운 결과를 만들어내도록 학습될 수 있다.