[AI] 인공지능 도입

인공지능 => 파이썬, 수학
image generator하는 기술 -> 상상할 수 없는 수학적 공식 들어감.
back propagation -> 딥러닝 전체 3~4번째로 어려움. 수학.

머신에서 어떻게 작업하는지 알 수 없음... Black Box

=> AI 깊게 들어가면 이런 이유로 학습에 어려움이 있음.
=> But 이런 것들 없이 접근 가능. 걸림돌이 아님.

만만하게 보지 말고 천천하게 갈 것. 한번에 깊이 못 봄.
코드 이해한다고 해서 이해가 안 됨. 코드는 간단하지만 그 안에서 작업들이 일어나는지에 대한 개념을 머릿속에서 그려야 함. 내부적으로 어떻게 돌아가는지 기본적인 것들을 최대한 이해해야 함.

머신러닝 파트, 딥러닝 파트
둘 다 인공지능인데 머신러닝의 서브셋이 딥러닝. 더 깊게 들어감. 이미지 프로세싱은 딥으로 다룰 것.

 

---

Machine Leanring의 대표적인 학습방법 
- 개념적으로 중요 : Decision Tree(결정 트리) -> 이걸 여러개 모아놓은 걸 Random Forest(앙상블의 한 종류) => Classification(분류)하는 방법 중 대표적인 방법! 다루면서 성능이 점점 좋아지는 방법론이 나올 것(Gradient Boosting 방법)
- 수학적으로 중요 : Linear Regression(선형회귀) -> 수학적으로 굉장히 중요. 미분과 편미분. 딥러닝으로 연결되고, 딥러닝에서 진하게 다루게 될 것.
- Logistic Regression
(선형회귀는 코드 자체가 수학적인 코드라서 코드가 짧음.
개념은 수학의 덩어리이므로 개념들을 커스터마이징해서 코드로 구현... 라이브러리 쓸 수도 있는데 선형회귀보다는 코드가 길게 나오게 됨.)
- 추천 시스템(협업 필터링 Collaboration Filtering)

---

Deep Learning

Linear Regression이 수백개, 수천개 있는 게 딥러닝.
라인이 쌓이는 게 딥하다는 것. 선형회귀가 딥러닝의 핵심적인 베이스.
뉴럴(인간 신경세포) 네트워크가 어떻게 동작하는지 알아야 함.
인간의 시각화를 기계 입장에서 보는 게 컴퓨터 비전.

데이터를 수천개씩 주면 알아서 black box 안에서 학습함.
시각적인 걸 학습시키는 게 쉽진 않음. -> 인간이 구별하는 것보다 확실하고 넘어섰음.

뉴럴 네트워크 중에서 ANN, DNN, RNN, ...
Fully Connected Layer로 뉴럴 네트워크에 대한 설명을 끌어갈 것.
=> 그리고 이와 관련한 문제점을 해결하는 것이 CNN

 

 

참고) 머신러닝 용어사전

https://ml-cheatsheet.readthedocs.io/

Machine Learning Glossary — ML Glossary documentation