인공지능 용어 정리, 구분(기계학습, 지도학습, 비지도학습, 강화학습 / RNN CNN DNN 등)

인공지능: 인간의 학습, 이해, 추론, 지각능력 등을 컴퓨터 프로그램으로 실현한 기술

약 인공지능: 주어진 조건 아래서만 작동 가능: 구글맵스, 자율자동차, 구글번역, 페이스북 추천

­­강 인공지능: 인간과 같은 사고가 가능한 인공지능 : 터미네이터, 비서로봇, 공장로봇

초 인공지능: 모든 영역에서 인간을 훨씬 뛰어넘는 인공지능

 

튜링테스트: 기계가 인간과 얼마나 비슷하게 대화할 수 있는지를 기준으로 기계에 지능이 있는지를 판별하고자 하는 테스트. 주어진 문제 해결적 사고 상황에서 판단자가 기계의 출력과 사람의 출력을 구별할 수 없다면, 그 기계는 인간과 같은 사고를 하였다고 규정할 수 있음

 

기계학습: 새로운 지식을 습득하면서 새로운 상황의 문제를 해결할 수 있는 프로그램. 환경과의 상호작용에 기반한 데이터로부터 스스로 성능을 향상시키는 시스템을 연구하는 과학과 기술

지도학습: 원하는 결과가 표현된 학습데이터를 이용한 기계학습 방법. 입력과 그에 대한 목표출력 제시. 분류, 회귀분석, 인식, 진단 예측 신경망모델, SVM

비지도학습: 원하는 결과가 표현되지 않는 학습데이터를 이용한 기계학습 방법. 성능은 별로인데 학습데이터 구축이 용이해서 군집화 등 문제에 적용. 학습 입력 ㅇ 출력x
입력 패턴들의 공통적인 특성을 파악하는 것이 학습 목적(군집화, 밀도함수 추정, 차원 축소, 특징 추출, K-means)

강화학습: 잘한 행동에 대해 칭찬받고 잘못한 행동에 대해 벌을 받는 경험을 통해 자신의 지식을 키워나가는 학습법. 시행착오, 동적프로그래밍, Q-L­­arning, DQN

 

신경망=뉴럴네트워크: 사람의 두뇌를 모델로 하여 여러 정보를 처리하는데 있어 두뇌와 비슷하 방식으로 처리하기 위한 알고리즘

은닉 마르코프 모델 HMM: 전이확률 곱하기 발생확률: 방향성 그래프, 순차척 데이터 모델링, 확률적 모델, 생성 모델

의사결정트리 : 트리구조, 데이터 공간의 순차적 분할, 엔트로피기반 정보획득, 규칙으로 변환 가능

다층 신경망 MLP : 층구조, 시그모이드 뉴런, 에러 수정, 잡음에 견고, 이산치/연속치 입출력 사상

 

군집화(클러스터링): 밀접하게 관련된 데이터들의 계층 기법으로 데이터 집합을 부분 집합이나 군집으로 분류

K-Means: 군집별 중심값에서 데이터의 거리를 측정하여 유사 그룹 데이터를 분류하는 군집화 알고리즘

계층적 군집화 hierarchy clustering : 전체 데이터를 계층 구조로 분할. 다차원 데이터의 시각화에 유용

 

딥러닝: 사람의 개입이 필요한 기존의 지도학습에 보다 능동적인 비지도 학습이 결합돼 컴퓨터가 사람처럼 스스로 학습할 수 있는 인공지능 기술

 

기존 기계학습의 한계: training data 부족, overfitting 문제, 컴퓨터 파워 부족

-> varity/volume data갖춤: 빅데이터 분석:하둡, 인메모리 & GPU컴퓨팅 CUDA SILK++등 HW발전
-> 역전파오류, 정규화 등을 거친 딥러닝: DNN CNN RBN DBN
-> 자연어처리, 패턴분석 등에 활용

 

DNN: ANN의 한계를 극복하고 복잡하고 표현력 높은 모델을 구축하기 위해 입력과 출력 계층 사이에 복수개의 은닉 계층을 넣은 인공신경망

CNN: 생물의 시신경이 동작하는 원리를 이용하여 이미지데이터 처리에 적합한 구조로 만들어진 신경망 알고리즘 컨볼루션-폴링-컨볼루션-폴링-피드포워드레이어

RNN:리커런트. 인공신경망을 구성하는 유닛 사이의 연결이 directed cycle을 구성하는 신경망

하나의 입력값을 넣으면 여러 개의 값이 나오는 관계를 만듦

과거의 신경망과 현재의 신경망을 연결해주는 역할을 수행하며 기존 인공 신경망의 학습 알고리즘인 오류역전파를 확장한 BPTT라는 알고리즘을 통해 학습