딥러닝 개요

 

1. 인공지능

• 인공지능 (AI-aritificial Intelligence)
  • 기계가 사람의 지능을 모방하게 하는 기술
  • 규칙 기반, 데이터 학습기반

1.1 Strong AI( 강 인공지능 ) vs Weak AI (약 인공지능)

• 강 인공지능
  • AGI성능을 가지는 인공지능
  • 인공지능 연구가 목표하는 방향
• 약 인공지능
  • 인간은 쉽게 처리할 수 있었지만 컴퓨터로 처리하기 어려웠던 일을 컴퓨터가 수행할 수 있도록 하는 것
  • 지각을 가지고 있지 않으며 특정한 업무를 처리하는데 집중

1.2 인공지능의 발전을 가능하게만든 세가지 요소

• 데이터의 급격한 증가
  • 사진, 동영상,IoT 기기, SNS컨텐츠 등으로 데이터가 증가
  • 전 세계 디지털데이터의 90%가 최근 2년동안 생성
• 알고리즘의 발전
  • 급증한 데이터를 이용한 기존 알고리즘 개선 및 새로운 알고리즘들이 개발됨
• 컴퓨터 하드웨어의 발전
  • CPU와 GPU의 발전
  • 특히 GPU의 발전은 딥러닝의 발전으로 이어짐
  • TPU(Tensor Processing Unit) : 구글이 개발한 딥러닝 전용 칩셋

2. 머신러닝과 딥러닝

2.1 머신러닝(Machine Learning)

• 데이터 학습 기반의 인공지능
• 기계에서 어떻게 동작할지 일일히 코드로 명시하지 않고 데이터를 이용해 학습할수있도록하는 알고리즘과 기술을 개발

2.2 딥러닝(Deep learning)

• 딥러닝은 인공신경망 알고리즘을 기반으로 하는 머신러닝의 분야 (머신러닝 > 딥 러닝)
• 비정형 데이터에 대해 뛰어난 성능을 보임
• 학습데이터의 양이 많아야함

정형데이터와 비정형 데이터 - 규칙의 유무

• 비정형 데이터 : 정해진 규칙없이 저장됨, 값의 의미나 특성을 쉽게 파악할 수 없음
• 예) 텍스트,영상,음성 데이터
• 정형데이터 : 표(table)형태로 미리정해놓은 형식과 구조 존재
• 의미나 특성 파악이 용이
• 예) 관계형 데이터 베이스

2.3 기존프로그래밍방식과 머신러닝방식의 차이

기존 프로그램: 사람이 알고리즘을 만들어서 결과를 뽑아냄

머신러닝: 알고리즘이 입력데이터와 출력데이터간의 상관관계를 스스로 알고리즘을 찾게하는 방법

2.4 머신러닝 모델

• 모델이란 데이터의 패턴을 수식화한 함수

  

  
  
  • 그러나 처음에는 방대한 데이터의 패턴을 알 수 없기때문에 “이 데이터는 이런패턴을 가졌을 것”이라고 가정한 함수를 정한 뒤 데이터를 학습시켜 데이터 패턴을 잘 표현하는 함수를 만듦. 모델을 만드는 과정은 아래와 같음
    
  1. 모델을 정해서 수식화
  2. 모델을 데이터를 이용해 학습(Train) → 모델을 데이터의 패턴에 맞춤(fit)
  3. 학습된 모델이 얼마나 데이터 패턴을 잘 표현하는지 평가(Test)

2.5 머신러닝과 딥러닝

 

2.6 딥러닝

3. 딥러닝 라이브러리

Pytorch설치

1. https://pytorch.org/
2. install 클릭
3. 자신의 환경을 선택한 뒤 생성된 명령어로 설치정리

 

---

데이터분석 부트캠프 |  08_Deeplearning_pytorch / 01_딥러닝 개요 의 파트 정리