인공지능의 기초

본 내용은 꿈꾸는아이ai 대회를 참가로 제공되는 온라인 사전교육을 통해 직접 듣고 작성한 것입니다.

참고 링크: https://www.youtube.com/watch?v=0MP1xAD-YiI&list=PLB0ppFIbaAUQGkvA8AC4ImWIolCpJUugg

 

 

인공지능 설명, 앞으로의 발전방향

유스케이스 소개, 샘플코드 제공을 통해 인공지능 딥러닝의 모델 트레이닝 출현할수 있도록하여

전체적인 데이터 흐름이해하고자 한다.

 

인공지능 설명, 발전방향

 

-관련 영화

 엑스마키나(2015) 줄거리

 

아이,로봇(2004) 줄거리

 

 

- 인공지능 overview

 

인공지능이 중요한 이유: 데이터 분석속에서 비즈니스 인사이트를 얻고, 운영을 효율적으로 하고 보안을 강화할 수 잇어서 경제성장 기여에 크기 때문에.

 

인공지능 학습 4가지 범주

-지도/비지도/반지도 학습, 강화학습으로 나뉜다.

 

예시) 스마트팩토리

몇개의 부품이 제조하는게 최적인가: 데이터 검토 

생산량 예측: 기계학습 모델 조정해서 답을 구할 수 있을것

시각적으로 결함을 확인할 수 있나 : 딥러닝 신경망모델을 구축해 훈련시켜 결함 자동 감지할 수 있을 것.

로봇팔의 어떻게 더 잘 학습시킬 수 있나: 로봇팔의 행동에 대한 긍정적/부정적 피드백을 기반으로 학습할 수 있을 것.

 

4차 산업혁명과 인공지능 관계

다양한 기존 산업(빅데이터, 인공지능, 5g, 클라우드 등)의 융합을 통해 모든 것이 연결되고 지능화된 4차 산업혁명.

 

 

- 딥러닝 모델 학습과 추론

 

머신러닝: 확보된 데이터를 통해 구축된 모델을 이용해 새로운 입력데이터를 예측하는 기법, 딥러닝 포함

딥러닝: 입력된 데이터에 대해 가중치를 적용해 적절한 활성함수를 적용하면서 예측의 정확도를 높이는 방식, 반복수행            되는 기계학습의 일종, 대표적인 신경망은 CNN,RNN,RBM이 있음.

 

그림으로 한눈에 알아보는 머신러닝/딥러닝 개념

딥러닝 학습 방법

-지도학습: 예측을 위한 

예시) 사물인식, 진단, 마켓예측 등

-비지도학습: 데이터 분류를 위한

예시) 빅데이터 비쥴라이제이션, 스트럭처 디스커버리, 픽처 추출, 추천 시스템, 세그먼테이션 등

-강화학습: 행위에 대한 보상을 통해 승률을 높이는 것을 위한

예시) 로봇 네이비게이션, 러닝 테스크, 게임 IA? 등

머신러닝의 한계(딥러닝을 쓰는 이유)

-

 

딥러닝 BASICS

그림으로 보는 트레이닝과 인퍼런스 차이

트레이닝은 모델을 만들기 위해 많은 데이터를 이용하고, 로스를 줄이기 위해 가중치를 변경하면서 반복 작업

추론은 이미 학습된 모델을 진행하면서 입력되는 사물을 빠른 시간에 판단하는 것으로 응답속도를 중요시 함. 사물을 판단하는 추론의 정확성은 모델학습과 관련됨.

 

인공지능 프로젝트 워크 플로우

 

- HW and SW 솔루션 (33~ 아마도~)

 

인텔이 호스 리지 발표. 

뉴롤피치? 머래,,, 로이칩 소개.

 

CPU 는 고객이 추론을 위해 선택하는 경우가 많음. 데이터를 자주 ACCESS 하는 경우.

GPU 는 그래픽이나 병렬 연산의 경우 .

의류 영상에서 데이터가 큰 경우에 GPU에서 메모리 크기 제한으로 CPU를 선호

GPU는 데이터를 다루는 데 있어서 CPU보다 더 처리가 빠를 뿐, 성능이 좋은 건 아니다.

어차피 CPU를 거처 GPU를 사용. 

 

 

네트워크

1. 컴퓨터 비젼

-

네트워크 모델- 딥러닝 비젼 ?

 

2. 자연어 처리

- 

Speech Recognition:

 

Language Translation: 음성인식과 음성합성, 음성변환의 차이를 보여줌.

 

Text To Speech: 콜센터에서 녹음된 음성파일을 텍스트로 변환 사용. 딥러닝에 의해 고도화된 음향모델학습 기반, 최근에는 ls팀? 을 적용한 베이스라인 음향모델을 기반으로 한다.

 

네트워크 모델- 딥러닝 자연어처리

형태소 분석, 구문 분석, 화형 분석, ~

 

오픈비노 툴킷(다시~~~~~)

 

OpenCV(그레이, RGB 컬러 이미지 표현)

 

 

3. 강화학습 및 기타

 

 

 

- 인공신경망(ANN)

입력들에 각각의 가중치를 주어 합하고 일정 레벨보다 높으면 행동을 취함.

활성함수: 생물학적 특징을 반영하는 모델을 사용.

- 입력신호의 가중치의 합을 계산해서 이 값이 임계치를 넘는지 계산.

 

Perceptron

-입력층과 출력층으로 구성.

입력신호 세트를 예와 아니오 두 부분으로 나눈다.

 

Multilayter Perceptron(MLP)

-복잡한 문제를 해결하기 위해 여러 개의 층으로 쌓인 퍼셉트론으로 구성된 다층 퍼셉트론

은닉층 2개면 깊은 신경망임

 

Backpropagation(역전파) : 신경망을 훈련시키는 데 일반적으로 사용되는 알고리즘

신경망이 초기화되면 뉴런이라는 개별 요소에 대한 가중치가 설정.

입력은 로드되고 뉴런 네트워크를 통화하며 네트워크 초기 가중치가 주어지면 각 출력을 제공

뉴런의 웨이트를 조정하여 결과가 정답에 가까워지도록 도와줌.

 

Activation Function(활성화함수): 신경망의 출력 결정하는 수학 방정식

각 뉴런의 출력을 1과 0 사이 또는 -1과 1 사이의 범위로 정규화하는 데 도움이 됨

시그모이드, 렐루, 소프트맥스가 주로 사용.

 

Convolution Neural Network(CNN)

이미지 인식과 분류에서 탁월한 성능을 뽐낸다.

기존의 다층 퍼셉트론과 달리 크게 3가지 종류의 층으로 구성.

컨볼루션 층: 이미지로부터 특징 추출

풀링 층: 이미지에서 표본을 추출해서 속도를 높임, 풀링을 활용하면 학습시간을 줄이면서도 이미지 구성요소의 위치 변             화에 더 잘 대응할 수 있음.

풀리 커넥티드 층: 최종적인 분류 작업 

 

Convolution Layer : 이미지의 윤곽, 특징을 나타내기 위해 필터를 사용하고, 필터의 갯수에 따라 계산량이 달라짐

 

사물인식 모델 훈련을 위한 기본 트리: 컨볼루션 > 풀링 > 엑티베이션을 반복함.

 

58분 질문 다시~~~~~~~~~~``

 

극복방안

오버피팅은 하이베리언스 모델이기 때문에 트레이트 오프로써 바이언스?????????? 높이고 베리언스를 낮춰준다.

               코스트 펑션은 민 스퀘어 에러를 사용함. 실제값과 예측값의 차이를 곱해서 평균을 구하는 것

               이를 최소화하ㅡㄴ 것을 경사하강법(Gradient Descent) =선형회귀 (W, b를 찾기)

 

VGG-16: 이미지넷에서 92.72% 최상의 데스트 정확도 달성.

언더피팅은 피처를 많이 반영하여 베리언스를 높여 해결. 베리언스를 더 높은 딥러닝 모델을 사용하거나 에폭을 더 많이 한다.

 

1:05 부터`~~~~~~~~~~~~~``

 

손글씨 인식하기

진짜사진 구별하기

 

- 인공지능 응용사례