AIDE 2급 내용 정리_1

4차 산업혁명 중요한 내용 : 데이터 정보 3D프린팅 IoT

 

인공지능 서비스 개요

- 데이터 획득 : IoT 모바일 M2M 등에서 데이터 수집  

- 데이터 가공 : 라벨링 - AI 학습할 수 있는 형태로 가공 

- 모델 생성 : 모델 개발 > 데이터 입력 > 데이터 학습 > 모델 수정 

- 실시간 서비스  : 수치화된 정보로만 결과가 나온다 > 이것을 사람이 인식하게 재작업

 

인공지능 발전 3단계

1. 60-70년대 AI 1차 붐 : AI 개념 - 엘런 튜링 : 인공지능에 대한 가능성 제기 

2. 80-90년대 AI 2차 붐 : 전문가 시스템 

3. 00~ AI 3차 붐 : (빅데이터) 머신러닝 딥러닝 

 

인공지능의 원리

1. 초기 퍼셉트론 구조 - 뉴런을 모방하여 만든 것 ; 57년 프랑코 로젠블라트 / 딥러닝 기원 

2. 인공신경망 ANN artificial neuron network ; 퍼셉트론의 합 

 - 입력층 (input layer) / 은닉층-처리  (hidden layer) / 출력층 (output layer) 

 

인공지능 방법론

AI-인간의 지적능력을 구현 > ML-스스로 학습하여 특정 역할의 기계성능향상 > DL

 

머신러닝과 딥러닝 차이

- 머신러닝 ; 데이터의 여러 특징 중 사람이 직접 분석 판단

   - 인공신경망 / 베이즈 네트워크 / 서포트 벡터 머신 등 

- 딥러닝 ; 기계가 자동으로 학습함

   - CNN / RNN / KSTM / GRU 등 

 

머신러닝의 3가지 학습방법

- 지도학습 ; 딥러닝의 학습 방법 / 예측 분류 ; 많은 데이터 필요 - 시간 많이 필요 

- 비지도학습 ; 연관규칙  분류  ; 

- 강화학습

 

지도학습

- 문제와 답을 많이 주어야 함 

- 따라서 라벨링된 데이터가 많이 필요 

- 분류와 회귀에 사용됨 

 

딥러닝이란

- 자동으로 대규모 데이터에서 패턴 / 규칙을 학습 

- 인공신경망과 딥러닝이 다른 것 = 은닉층의 구조 -> 하나 이상의 복잡한 구조를 가짐 

- 입력층 / 은닉층 / 출력층 

- 학습데이터의 : 학습데이터의 품질에 따른 영향이 크다.

- 훈련 데이터 / 평가용 데이터 (트레이닝 데이터 / 테스트 데이터 8:2)

- 에포크 = 학습의 반복수를 의미 (트레이닝셋 한 번돌면 1 에포크)

 

인공지능 프로그램의 개발 순서 => 5단계

1. 라이브러리 읽어들이기 

2. 데이터를 읽어들이고 전처리하기 

3. 신경망 만들기

4. 모델 만들기 = 학습하기 

5. 모델 적용하기 = 예측하기 

 

인공지능의 객체 검출 방법의 이해 

- Single Object - Multi Object ; 인공지능이 객체를 몇 개 검출하였는지에 따라 

1. Sigle Object 

 1.1 분류확인 Classification 

- 새로운 이미지를 식별 / 학습되지 않은 Class는 인식 못함 

 1.2 영역표시 Classification + Localization 

 - 박스 형태로 위치 파악 / 바운딩박스

2. Mutli Object 

 2.1 Object Detection 객체 검출 

 - 객체를 인식 / 객체를 바운딩박스 / 색을 이용하여 구분 

 2.2 세그멘테이션 = 의미적 분할 Instance Segmentation

 - 객체 인식에서 이미지 내의 의미 있는 단위로 분할하는 작업 

 - 정교하고 복잡한 인공지능 구현 / 영역별 의미를 부여하는 방식 

 - 이 때, 라벨링도 세그멘테이션으로 만들어줘야 함 ;

 

핵심 딥러닝 알고리즘

1. CNN 합성곱 신경망 > 영상처리에 많이 활용

2. RNN 순환신경망 > 음성처리에 많이 사용 

3. GAN 생성적 적대 신경망 > 이미지 생성 또는 복원 

 

CNN - Convolution 뉴럴 네트웤

- 합성곱으로 가중치 수를 줄인다 > 이미지처리에 효과적 

- 특징을 분석하여 패턴을 파악 

- Convolution / Pooling 과정

 

RNN Recurrent 뉴럴 네트웤 

- 은닉계층의 결과가 다음계층 또는자기계층으로 다시 돌아가는 방식 

- 시계열 정보 처리 / 앞뒤 신호가 관계가 있는 경우

- 음성 / 웨이브폼 / 텍스트의 앞뒤

 

GAN Generative Adversial 네트웤

- 신경망끼리 경쟁하여 최적화 수행하는 생성형 신경망

- 두 신경망이 상호 경쟁함 / 생성망-판별망

- 최종적으로, 생성망이 판별망이 구분하지 못할 정도의 가짜데이터를 생성할 수 있게 됨