인공지능 (AI : Artificial Intelligence)

강한 인공지능 (Strong AI)

스스로 사고하여 문제를 해결할 수 있는 인공지능
주관적인 질문과 답을 탐색
 
 

약한 인공지능 (Weak AI)

스스로 사고하여 문제를 해결할 수 없는 인공지능
→ 입력된 질문(데이터)에 대한 객관적인 답을 출력
ex) 지도학습, CNN, RNN, LSTM
 
 

 
 

---

머신러닝

경험적 데이터를 바탕으로 지식을 자동으로 습득하여 스스로 성능을 향상하는 기술
데이터를 기반으로 모델을 자동으로 생성
실세계의 복잡한 데이터로부터 규칙과 패턴을 발견하여 미래를 예측하는 기술
입출력 데이터로부터 프로그램(알고리즘)을 자동으로 생성하는 기술
 
 

 머신러닝의 학습 시스템

• 환경 : 학습시스템이 상호작용하는 대상, 학습할 문제
• 데이터 : 환경과 상호작용을 통해 축적된 경험
• 모델 : 데이터를 모델링하는 학습시스템의 구조
• 성능지수 : 학습시스템의 성능 평가 지표 (최적화해야하는 대상)

 

머신러닝 알고리즘의 적용분야

• 패턴인식
• 패턴생성
• 이상인식
• 예측

 

머신러닝 알고리즘의 분류

• 지도학습 (Supervised Learning) :

패턴을 학습
과거 데이터로 학습된 학습모델에 새로운 데이터를 적용하여 예측/분류

회귀 / 예측	Regression Neural Network(딥러닝) Random Forest
분류	KNN SVN Decision Tree

 

• 비지도학습 (Unsupervised Learning)

데이터의 숨겨진 패턴/규칙 발견, 초기 탐색적 분석 단계에서 사용
클러스터링, 상관관계, feature engineeing

패턴/구조 발견	Associaton Rule Analysis Network Analysis
분류	Clustering
영상/이미지/신호 분석	Wavelet / Fast Fourier Transformation DTW(Dynamic Time Warping)
차원축소	PCA(Principal component analysis) Factor Analysis

 

• 강화학습 (Reinforcement Learning)

상/벌, 게임분야
 
 
 

딥러닝

특징 추출을 위한 전처리 단계를 전체 학습 프로세스에 포함
특징맵, 표상을 자동으로 학습
많은 수의 층(layer)으로 다층 신경망을 학습할 수 있음
컨볼루션(Convolution) 커널 도입을 통한 복잡도 완화 (CNN)
새로운 뉴런 활성화 함수 도입을 통한 오차의석문제 완화
 

딥러닝 알고리즘

• CNN (Convolutional Neural Network)

: 이미지 데이터 특화
  Convolution, Pooling 과정을 통해 분류 및 예측
 

• RNN (Recurrent Neural Network) / LSTM (Long Short Term Memory)

: 순차적 데이터, 시계열 데이터에 특화
  ex) 문장변역, 음성인식
 

• GAN (Generative Adversarial Network)

: 진짜같은 가짜를 만드는 AI
  ex) 인물/사물 합성
 

• AE (Autoencoder)

: 입력을 출력으로 복사, 비지도 학습
 ex) 데이터 압축/노이즈 제거, 가상 데이터 추출에 사용
 
 
 
 
ai 모듈 개발 : 물리시스템과 사이버 시스템 연결
데이터 유용성 : 유용하냐 usefulness
데이터 가용성 : 많이 가지고잇느냐 usability -> 비지도학습

데이터 기반 : 데이터가 많이 필요
이론적 모델 기반 (physics-based) : 잘 안맞은, 데이터 적게 필요 
hybrid(data+physics) approach