인공지능이란?

인공지능

 

- 사람의 지능에 대비하여 기계에 실현된 스스로 판단하고 행동할 수 있는 지능

- 학문으로 출발한 시기는 1955년 다트머스 회의

- TOP-DOWN과 BOTTOM-UP 방식이 있음

- TOP-DOWN : 학습되지 않은것을 판단할 수없다 

- BOTTOM-UP : 인간의 뇌와 같다.(성장하듯이 스스로 학습할 수 있다)

- 여러 학문의 응용이 필요 : 탐색과 수리적 최적화, 인공신경망, 확률과 통계 등

 

 

인공 신경망(ANN: Artificial Neural Network)

 

- 인공신경망은 생물학적인 신경망으로부터 영감을 받은 계산 시스템(Computing System)

- 하나의 신경세포는 받은 자극을 받아 다음 뉴런에 자극을 전달할 수 있다. (활성함수)

- 인공 신경망의 구조를 간단히 표현하는 방법으로는 벡터와 행렬을 이용한다.

 

- 입력층과 은닉층 사이의 관계, 가중값과 bias가 있는데

- 최종적으로 출력될 값과 참값

- w, b를 조정해야 함, 비용함수(평균제곱오차)를 이용함

- 모든 모수를 미분해야함

- 결과값을 이용하여 차근차근 최소값을 찾는 것을 경사하강법이라고 한다.

 

신경세포에 자극되는 자극의 크기 합이 임계치를 넘으면

다음 뉴런으로 신호가 이동한다

 

이러한 뉴런의 구조와 동작을 인공적으로 만든것이 인공 신경망이다.

 

각각 신경 자극이 최종 뉴런의 출력값에 얼마만큼 영향을 미치는지 학습한다.

(가중치 값 학습)

- 자극 각각의 중요도 학습

 

분류

 

대분류       중분류       소분류

인공지능 > 머신러닝 > 딥러닝

 

실제 뇌세포처럼 뉴런을 여러개 쌓으면 심층신경망이 되고 이것을 딥러닝이라 한다.

 

인공지능 영역에서 특이값 분해는 굉장히 중요(수학적으로 계산, 컴포넌트와 컴포넌트의 연관성)

 

- 양자컴퓨팅과 뇌과학이 앞으로 Trend가 될 것(현재도 진행중)

 

 

머신러닝

 

- 인공지능의 subfields

- 학습데이터를 통해 학습 모델을 생성하여 문제를 풀이함

- 고차원의 입출력 데이터 처리가능

- 경험을 통해 더 많은 일을 수행할 수 있음

 

머신러닝의 한계

- 고차원 데이터를 작업하는 동안에는 유용하지 않다.

- NLP, 이미지 인식 등과 같은 중요한 문제를 해결하기 힘들다.

- 이미지 번역 등

 

 

 

딥러닝은 뉴런을 통해 작동

 

뇌는 신경망이라고 하는 여러 개의 연결된 뉴런을 가짐

퍼셉트론(인공 뉴런 네트워크)이 있음.

퍼셉트론은 여러 입력을 받은 뒤 출력을 제공

 

 

인공지능/머신러닝의 주요기법은 많고,

문제를 해결하기 위해 적절한 알고리즘을 선택하는 것이 중요하다.

 

기초적인 지식

 

선형대수(linear algebra), 미적분(calculus), 확률(probability), 통계(statistics) 그리고 기타 등등