[AICE] AI 자격증 도전기 2탄

왜 자격증을 따기로 했을까?

[AICE] AI 자격증 도전기 1탄

아래 내용 출처 및 학습 링크

AICE

이 글을 보면 안되는 사람 정의해드림. 

인공지능, Train/Test, 지도학습, validation, Feature, Label, 강화학습, 분류, CNN, 과적합, AI 모델, 데이터전처리, 알고리즘, DNN, 빅데이터, 회귀, 머신러닝, 비지도학습, 딥러닝, GPU, 예측

1. 위 단어에 대해 10개 이상 단어를 알고 있다.
2. 위 단어에 대해 15개 이상 단어를 알고 있으며, 각 의미에 대해 설명이 가능하다.

위 2가지에 해당 되는 사람은 링크를 클릭하여 이 분의 방법을 따라하는 것을 추천한다. (결론은 무료강의 2파트를 반복적으로 학습하는 것임.)

이건 넘어가도 좋습니다. 제 수준에서 위 단어들에 대해 설명한 것입니다.

• 인공지능: 학습된 데이터를 바탕으로 자연어로 결과를 도출해낸다.
• Train/Test: Train데이터를 바탕으로 학습시킨 뒤 Test 데이터를 바탕으로 훈련된 AI를 평가한다.
• 지도학습: 
• validation:
• Feature:
• Label: 스포츠, 과학, 사회 등 분류하기 위한 라벨
• 강화학습:
• CNN:
• 과적합:
• AI 모델: GPT, Claude 등과 같은 LLM 모델
• 데이터 전처리: 중요 데이터만을 남기기 위한 전처리 과정
• 알고리즘: 문제를 쉽게 풀기 위한 공식
• DNN:
• 빅데이터: 많은 양의 데이터
• 회귀
• 머신러닝
• 비지도학습:
• 딥러닝:
• GPU:
• 예측: AI 모델이 학습된 데이터를 가지고 정답을 예측하는 것

[이론편] AI의 이해 1 / 12 강사 소개 및 과정 소개

간략하게 들어볼만 하지만 굳이 들을 필요 없다. 

[2/ 12] AI 의 정의

AI란 알고리즘으로 데이터를 학습(Train) 하여 모델을 만드는 기술이다. 

기계에 부여하는 명령을 만드는 작업(전통적인 프로그래밍)과 달리 알고리즘으로 데이터를 학습하여 판단이나 예측을 하는 기술(머신러닝)

[3/12] AI 용어 및 요소

AI가 주목 받는 이유:

1. 빅데이터 시대의 도래: 양질의 데이터 폭발적 증가
2. 컴퓨팅 기술의 발전: GPU, 클라우드 발전
3. Easy & Open: AI 기술 및 알고리즘 공유 문화 

AI 기술 문화

• 프레임워크: TensorFlow, Keras, PyTorch, learn
• 프로그래밍 언어: Python 
• AI 모델링 자동화 플랫폼: maum.ai, AIDUez, AI Suite
• 오픈소스 라이브러리: NumPy(수치), pandas(테이블, 엑셀 같은)

AI 구현을 위한 3가지 요소

1. 알고리즘: 입력되는 방대한 데이터를 어떻게 학습하여 추론할 것인지에 대한 영역. 
2. 데이터: 학습하기 위한 양질의 데이터. 서비스의 품질을 가른다.
3. GPU: 방대한 데이터를 단시간에 처리할 수 있게 도와준다.

AI에서 자주 사용되는 알고리즘은 머신러닝과 딥러닝이 있다. 

 

AI 구조도, 인공지능 안에 머신러닝 안에 딥러닝. 즉, 인공지능이 제일 넓은 의미. 딥러닝이 제일 좁은 의미

• 인공지능: 계산, 학습 등 인간의 지적 능력으 ㄹ컴퓨터를 통해 구현하는 기술 
  • 머신러닝: 특정 부분을 스스로 학습해 성능을 향상
    • 딥러닝: 인간의 뉴런과 비슷한 인공신경망으로 정보를 처리

[4 / 12] 딥러닝 (1)

머신러닝의 종류

• 지도학습(Task Driven Predict next value): 기계가 이미 정답이 정해진 데이터를 바탕으로 학습함.
• 비지도학습(Data Driven Idnetify Clusters): 기계가 정답이 없는 데이터 집합에서 데이터의 특성을 특성화하여 군집화한다.
• 강화학습: 상벌을 주어 학습한다.

지도학습

• 입력(Feature, X) / 출력(Label, Y) 데이터로 학습한다. 예를 들어, 사과 사진을 보여주며 이것은 사과라고 학습시킨다. 그리고 컴퓨터에게 사과를 보여주면 컴퓨터는 사과라고 답한다. 즉, 문제도 주고 답도 준다. 
• 예측(Predict)에는 분류(Classification)과 회귀(Regression)이 있다.
  • 범주형이면 분류. 예를 들어 색을 구별하는 모델.
  • 수치형이면 회귀. 예를 들어 사람의 키를 주면 몸무게를 예측함

더 쉽게 말해 분류는 선을 그어서 나눌 수 있다. 남자와 여자처럼. 

회귀는 일정한 규칙에 따라 증가하거나 감소한다. 오차가 가장 적은 선이다. 

지도학습이 잘됐는 지 어떻게 알 수 있을까?

1. 정답이 있는 데이터를 수집. 
2. Training Set과 Test Set을 7:3 혹은 8:2로 나눈다. 

Training set으로 Machine learner 하고 Prediction model을 만든다. 그리고 Test set으로 정답과 얼마나 유사한 지 비교한다.

예를 들어, 이미 거래가 완료된 부동산 데이터를 수집한다. Feature에 지역, 층수, 엘베유무, 평수, 건축년도 등을 넣고 Label은 부동산 매매 가격을 기대한다. (회귀 모델, 수치기 때문에)

또한, KT 5G 전환 가입자 예측. Label은 Yes, No 따라서 분류모델

쉽게 말해 무엇(Feature, X)로 무엇(Label, Y)를 예측하고 싶다.