AI, 로봇 실습 과목
@ 화3수2 → 둘 다 201호
@ Brief 요약
@ Manner 방식
@ Exhibiting
@ Characteristics 특징
@ Fraud 사기
@ Investigate 조사
💫 @
@ U 중간고사 출제 : 기계는 생각할 수 있는가? 근거를 들어서
Nature of Code
지능? 뭔지 말할 수는 없지만 느낌은 알고 있다
기호주의 VS 연결주의
머신러닝 VS 딥러닝
강인공지능, Strong AI,
인간 수준의 지능
인공일반지능, A General I, AGI
다양한 문제를 해결하고 다향한 지능적 활동을 수핼할 수 있는 능력
강인공지능, 약인공지능 사이
약인공지능, Weak AI, Narrow AI
특정한 작업/도메인에서 인간과 유사한 성능을 발휘하는
튜링 테스트
Imitation/모방 Game
에 대한 반박
중국어방
에 대한 반박
System Response
@ 비욘드 EBS 지능 만들기
AI Application Programming
퍼지 추론
I.E. 카메라 초점
Lisp → Python?
NP-complete
💫 머신러닝 VS 딥러닝
머신러닝
Input → 특징 추출 → 분류, 회귀 → Output
인공신경망 없이 Classification 분류나 Regression 회귀하는
Feature Extraction 특징 추출 이후에서야 분류, 회귀가 가능
→ 때문에 Domain Knowledge 전문 지식이 딥러닝보다 상대적으로 더 요구됨
딥러닝
Input → 특징 추출 + 분류 회귀 → Output
인공신경망을 이용한 수치 해석
인공신경망 내부에서 (자체에서) 분류, 회귀가 가능
머신러닝보다 상대적으로 좀 더 복잡한 모델
→ 복잡한 데이터(양, 차원적으로)를 다룰 때, 머신러닝보다 상대적으로 더 정확한 모델을 생성할 가능성이 높음
인공신경망을 구성할 때 계산되는 Parameter가 굉장히 많고, 결정해야하는 Hyper Parameter가 많기 때문에
데이터, 모델 사이즈가 클 수록 딥러닝이 더 잘 맞는 경우가 많음
💫 머신러닝, 딥러닝의 세 타입
회귀 - 앞으로 어떻게 되나?
Supervised 지도학습
Input, Output을 주고 분류, 회귀
Unsupervised 비지도학습
Input만 주는
미지수 2개, 방정식 1개 = 풀 수 없는 문제
Clustering 군집화
Reinforcement 강화학습
Agent가 Action을 Environment에 취했을 때 Reword를 주는..?
💫 머신러닝, 딥러닝
Distribution 확률분포가 유사한 데이터를 학습해야한다
전통적인 방법 : 규칙 만들고 고치고
그래서 전문 지식이 있어야 하는
머신러닝 방법 : 지혼자 계속 최적화하는
데이터만 잘 볼 수 있다면, 전문 지식 없이도
💫 머신러닝
KNN Classifier
K Nearest Neighbors
근처 K 개의 이웃을 가지고, 내가 누구인지
때문에 K는 홀수로
복잡한 디멘션 느리다
Decision Tree
알고리즘 성능 측정에 좋다
데이터를 분개해서 Entropy 복잡도가 가장 낮은 정도의 데이터까지 가도록
이후 분류, 회귀
많이 모이면 Random Forest
Support Vector Machine SVM
데이터를 분류하는 선 Hyper Line, Hyper Plane
분류 별로 가장 Hyper Line, Hyper Plane과 가까운 요소와의 거리가 최대가 되도록
Hyper Line, Hyper Plane을 만드는 Kernel Function → 어려움
Cost Function, Object Function, 목적 함수를 만들때는 이정도만 이해해도
💫 딥러닝
인공신경망, 체내 신경망을 수학적으로 표시한
뉴런 → Node
Input Layer, Hidden Layer, Output Layer
내가 가지고 있는 데이터에 대해서만 적합한, Overfitting 문제 주의
Activation Function 활성함수
자극 받았, 임계치 값 이상을 넘겨주는 역할
계단식 함수, 0 ~ 1 시그모이드 함수, 렐유 함수 (오버피팅 방지)
Linear한 알고리즘을 좀 더 Non Linear하게 복잡하게 만들어주는