# [AI] 인공지능 개요 ## AI vs ML vs DL --- ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/155737_aaDYhiLAwYwkrdpvWe?q=80&s=1280x180&t=outside&f=webp) ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/155740_MpKyDFiVdKP9aCeW7L?q=80&s=1280x180&t=outside&f=webp) | **AI** **(Artificial Intelligence)** | 인간의 지적 능력을 컴퓨터를 통해 구현 | 규칙 기반 알고리즘 | | --- | --- | --- | | **ML** **(Machine Learning)** | 컴퓨터가 스스로 학습하여 인공지능의 성능 향상 | 선형회귀, 랜덤포레스트 | | **DL** **(Deep Learning)** | 머신러닝 알고리즘의 종류 (인공신경망) | CNN, RNN, Transformer | ## 머신러닝 Machine Learning --- ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/155904_hChFKb8lRnjCmMzPXn?q=80&s=1280x180&t=outside&f=webp) - “컴퓨터가 명시적으로 프로그램되지 않고도 학습할 수 있도록 하는 연구 분야” - **과거 데이터**로부터 숨겨진 **규칙**을 찾아 일반화 → **미래 예측**에 활용 ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/155911_ADKAsikloKOQGtZACw?q=80&s=1280x180&t=outside&f=webp) **전통적인 프로그래밍** - 규칙 기반 Rule-Based - 모든 상황 포괄 어려움 → 예외 취약 ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/155914_MpujNuzVpfzNGwidR3?q=80&s=1280x180&t=outside&f=webp) **머신러닝** - 데이터 기반 Data Based - 데이터만 준비하면된다 ### **학습 Learning** - 머신이 규칙을 알아내는 과정 - 인간의 입장에서 머신이 **훈련 training** 시키는 과정 - 학습 데이터가 많을 수록 유리하다 ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/155936_XgFJrGJdUgGcaGmGyg?q=80&s=1280x180&t=outside&f=webp) - 데이터: $(y_i, x_i), i=1, 2, 3, …, n$ - 반응변수 response variable: $y_i$ - 설명변수 explanatory variable: $x_i = (x_{i1}, x_{i2}, …, x_{ip})$ - 반응변수 Y와 설명변수 X간의 관계를 찾는것 → **훈련** y = f(x) - 전통적: f(), x → y - 머신러닝 x, y → f() **Learning 방법** - 다양한 학습 알고리즘들이 존재 - KNN, SVM, regression, random forest, deep neural network, … - **전통적인 문제 해결**: 인간 분석자가 데이터를 연구 → 원리, 이론 도출 - **Machine Learning**: 데이터와 학습 방법을 제시 → 프로그램 스스로 원리나 이론 도출 **Learning 결과** ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160050_3vmJZYl7C4ZzLp9XFN?q=80&s=1280x180&t=outside&f=webp) ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160055_grOZT1h4tFykstnVZN?q=80&s=1280x180&t=outside&f=webp) ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160059_areL8L3LAqxlFgOtAd?q=80&s=1280x180&t=outside&f=webp) - 어떤 방법으로 학습 시켰는지에 따라 model의 형태는 다양 ### Machien Learning 분류 **Classification** ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160135_o3D7FCyCVq4T0g9Q8I?q=80&s=1280x180&t=outside&f=webp) **Regression** ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160141_Bvxt6qAUQmn44WMHzO?q=80&s=1280x180&t=outside&f=webp) **Clustering** ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160144_oQjlpXqEf3xmYbheDN?q=80&s=1280x180&t=outside&f=webp) | **지도 학습** **Supervised Learning** | **비지도학습** **Unsupervised Learning** | **강화학습** **Reinforcement Learning** | | --- | --- | --- | | 회귀 Regression 분류 Classification | 군집화 Clustering | | | 설명변수 X, 반응변수 Y | 설명변수 X | 행동 심리학 기반 | ### 학습 모델 개발 과정 ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160349_KHAq0FC9Urb1nP3xQY?q=80&s=1280x180&t=outside&f=webp) **데이터 수집** ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160416_8TrnC7wnBL2tYSFptu?q=80&s=1280x180&t=outside&f=webp) - 데이터의 품질이 학습된 모델의 품질을 결정한다 (많고 다양한 데이터를 수집해야함) - 데이터의 형태에 따라 다양한 방법으로 수집 가능 - 대표성 있는 훈련 데이터를 수집하는 것이 중요 → 타겟 집단을 대표해야함 - 샘플수가 크더라도 샘플링 편향이 발생할 수 있다 **데이터 전처리** ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160428_bfOKxIBd5Yk1dOcxHC?q=80&s=1280x180&t=outside&f=webp) ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160436_M87wiMlnLbsxtST9H1?q=80&s=1280x180&t=outside&f=webp) - 머신러닝에서 가장 중요한 작업 중 하나 → 데이터를 변환하여 작업 처리하는 것 - 컴퓨터는 숫자로만 학습 가능 → 머신러닝을 위해 모든 데이터를 숫자로 바꿔야 한다 - 데이터 전처리는 머신에게 학습시키기 위한 데이터프레임을 만드는 것 - 데이터 전처리를 통해 변수 간 관계를 파악하고 변수들의 특징을 더 잘 이해할 수 있다 **모델링 및 훈련** - 적절한 알고리즘을 선정하여 코드 작성, 학습시킨다 - 데이터 타입에 따라 모델 구축/목적에 따라 선정하는 모델이 달라진다 - **모델 평가**: 모델이 잘 학습되었는지 판단하는 다양한 **평가지표**가 존재 - **모델 정확도 (Accuracy)**: 모델의 예측/분류 등 성과에 대한 지표 - **모델 복잡도 (Complexity**): 모델의 학습 과정에서 소요되는 계산량 - **모델 해석도 (Interpretability)**: 학습 결과에 대한 해석력이 높을수록 모델 피드백이 쉬움 - **모델 확장도 (Scalability)**: 데이터의 추가에 따른 모델의 정확도 상승이 어디까지 가능한지에 대한 지표 - **모델 배포**: 배포 후, 성능을 지속적으로 체크 ### Train, Test, Validation ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160453_UHiN56aFKiijJPTsRj?q=80&s=1280x180&t=outside&f=webp) Training \ set:Validation \ set:Test \ set = 60:20:20 - 머신러닝, 딥러닝 모델은 데이터셋을 나누어 학습 - 정해진 룰은 없지만 위와 같은 비율을 일반적으로 사용 ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160521_uIfJHf4rjieW2EPhCo?q=80&s=1280x180&t=outside&f=webp) ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160524_sJ6ImGB5kRtskNTv3r?q=80&s=1280x180&t=outside&f=webp) **Training data (50 - 75%)** - **과거 데이터**의 역할 - training set은 k개 만큼 나누어 **교차 검증 cross-validation**에 사용한다 **Validation data (나머지)** - 학습 과정에서 만들어지는 모델을 평가 → 더 나은 모델을 만드는 데 기여 - 학습 방법에 따라 필요치 않은 경우도 있음 **Test data (10 - 30%)** - **미래 데이터**의 역할 - 학습에 사용하지 않은 일부 데이터를 미래 데이터로 간주 - 미래 예측시 모델이 어느 정도의 성능을 보일지를 판단하는 자료 ![Image](https://upload.cafenono.com/image/slashpagePost/20250201/160540_k7k9Xgd0ImXEg7AtMg?q=80&s=1280x180&t=outside&f=webp) - **Training accuracy**: 모델이 과거 데이터를 얼마나 잘 설명할 수 있는가? - **Test accuracy**: 모델이 미래의 데이터를 얼마나 잘 예측할 수 있는가? - 일반적으로 Training accuracy > Test accuracy ### 머신러닝 라이브러리 **scikit-learn** ```javascript install scikit-learn ``` - 분류, 회귀, 차원축소 등 머신러닝 관련 알고리즘들을 구현 - 데이터 전처리, hyper-parameter tuning, 모델 평가 기능도 제공 **pandas** ```javascript pip install pandas ``` - Numpy의 배열은 주로 숫자를 저장 - Pandas의 data frame은 문자, 숫자 컬럼을 함께 저장 가능 ## 딥러닝 --- > 머신러닝 알고리즘 중 한 종류, 데이터 유닛의 층을 여러 개 쌓아 구조적이지 않은 데이터에서 고수준 표현을 학습 - 최근 인공지능 개발이 이루어지고 있는데, 많은 분야에서 딥러닝 기술들이 사용된다. - 대부분의 딥러닝 시스템은 여러 **은닉층**을 쌓은 **인공 신경망**으로 심층 신경망과 거의 동의어로 사용되고 있다. - 딥러닝의 대표적인 라이브러리에는 **TensorFlow**와 **Keras**가 있다. **딥러닝용 데이터** - 보통의 머신러닝 알고리즘은 테이블 형태의 **정형 데이터**를 입력으로 사용 - 딥러닝 알고리즘은 **비정형 데이터**에도 적용 가능하다 - 생성 모델링은 이미지, 텍스트 등 비정형 데이터를 생성하는 것이 관심사 **신경망** - 딥러닝을 이해하고 인공지능을 구현하는 데 필요한 첫 출발점 - 사람들은 인간의 뇌를 모방하여 인공지능을 구현하려고 한다 - 인공신경망을 알기 위해선 사람의 뇌를 먼저 알아야 한다. ### 딥러닝 라이브러리 **TensorFlow** - 구글에서 개발한 TensorFlow는 수치 계산과 대규모 머신러닝을 위한 오픈 소스 라이브러리 - 다수의 머신러닝과 딥러닝 모델과 알고리즘을 결합해 공통 메타포를 통해 유용성을 높임 - 프론트 엔드 API를 제공하며 성능이 우수한 C++로 에플리케이션을 실행 **PyTorch** - 페이스북의 AI 연구팀이 2016년에 만든 오픈소스 라이브러리 - NLP 및 컴퓨터 비전과 같은 딥 러닝 애플리케이션에 유용 - 빠른 실행 속도, CPU 및 GPU에서 작동할 수 있는 유연한 라이브러리 **Keras** - 파이썬으로 구현된 간결한 딥러닝 라이브러리 - 직관적 API 제공 - Tensorflow, theano, CNTK 등 딥러닝 엔진 사용 - 구글 엔지니어인 프랑소와 쏠레에 의해 개발, 유지보수 For the site tree, see the [root Markdown](https://slashpage.com/yerim-devnote.md).