1부 1.1 인공지능과 머신 러닝, 딥러닝

1부 딥러닝의 기초

1장 딥러닝이란 무엇인가?

---

1.1 인공 지능과 머신 러닝, 딥러닝

출처 : https://brunch.co.kr/@bnviiteye/7

인공지능

보통의 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구 활동

 

심볼릭 AI (전통적인 프로그래밍)

명시적인 규칙을 충분하게 많이 만들어 지식을 다루면 인간 수준의 인공 지능을 만들 수 있음.

 

머신 러닝을 하기 위해 필요한 3가지

입력 데이터 포인트

기대 출력

알고리즘의 성능을 측정하는 방법

 

머신 러닝

데이터와 결과를 입력하면 훈련을 하여 규칙을 찾아줌.

입력 데이터를 기반으로 기대 출력에 가깝게 만드는 유용한 표현을 학습(더 나은 표현을 찾는 자동화된 과정)하는 것

가능성 있는 공간을 사전에 정의하고 피드백 신호의 도움을 받아 입력 데이터에 대한 유용한 변환을 찾는 것

 

심볼릭AI(전통적인 프로그래밍)와 머신러닝의 차이점

심볼릭 AI	데이터 + 규칙 -> 결과
머신 러닝	데이터 + 결과 -> 규칙

 

 

딥러닝

머신 러닝의 특정한 한 분야로서 연속된 층(layer)에서 점진적으로 의미 있는 표현을 배우는 데 강점이 있으며, 데이터로부터 표현을 학습하는 새로운 방식

기본 층을 겹겹이 쌓아 올려 구성한 신경망이라는 모델을 사용하여 표현 층을 학습

 

딥러닝의 '딥'은 그냥 연속된 층으로 표현을 학습한다는 의미

 

층 기반 표현 학습 (계층적 표현 학습)

모델의 깊이 == 데이터로부터 모델을 만드는 데 얼마나 많은 층을 사용했는지

 

학습

주어진 입력을 정확한 타깃에 매핑하기 위해 신경망의 모든 층에 있는 가중치 값을 찾는 것을 의미

 

딥러닝 작동 원리

출처 : https://neocarus.tistory.com/entry/%EC%8B%A0%EA%B2%BD%EB%A7%9D-%EA%B5%AC%EC%A1%B0

1. 층에서 입력 데이터가 처리되는 상세 내용은 일련의 숫자로 이루어진 층의 가중치(weight)에 저장되어 있음.

 

2. 손실 함수(목적 함수)로 출력이 기대하는 것보다 얼마나 벗어났는지 측정

신경망의 예측과 실제 타깃의 차이를 점수로 계산

 

3. 옵티마이저(역전파 알고가 리즘을 구현)손실 점수를 피드백 신호로 사용하여 현재 샘플의 손실 점수가 감소되는 방향으로 가중치 값을 조금씩 수정하는 훈련 반복

 

지금까지 딥러닝의 성과

지각과 자연어 인식 외에 형식 추론(논리학에서 추론 규칙에 따라 새로운 논리식이나 규칙을 검사하는 방법)과 같은 다양한 문제에 적용하기 시작

 

AI에 대한 단기간의 과대 선전을 믿지 말고 장기 비전을 믿기