본문 바로가기

전체 글52

인공지능 초매개변수와 모델 성능 평가 기계 학습 알고리즘 대다수는 초매개변수를 가지며, 이는 알고리즘의 행동을 제어하는 설정입니다. 하지만 이 값들은 학습 알고리즘이 직접 조절하지 않습니다. 모델 검증을 위한 예비 시험 집합 활용학습 알고리즘이 학습하지 않는 설정 중에는 최적화하기 어려운 것들을 초매개변수로 설정하는 경우가 종종 있습니다. 그러나 더 흔한 접근 방식은 훈련 데이터에 적합하지 않은 설정을 초매개변수로 설정하는 것입니다. 모델의 용량을 제어하는 모든 초매개변수가 해당됩니다. 이러한 초매개변수를 훈련 데이터를 통해 학습하면 모델은 최대 용량을 가진 초매개변수를 선택하게 되어 과적합이 발생할 수 있습니다. 이러한 문제를 극복하기 위해 관측하지 않은 데이터로 이루어진 검증 세트가 필요합니다.훈련 및 검증 집합의 구성과 초매개변수 선택.. 2024. 3. 13.
인공지능 데이터 일반화와 학습 모델의 수용력 기계 학습의 주요 어려움은 모델을 훈련할 때 사용한 데이터뿐만 아니라 이전에 관찰하지 않았던 새로운 데이터에 대해서도 모델이 잘 작동하도록 하는 것입니다. 이를 일반화라고 합니다.  최적화 문제: 훈련과 시험 오차의 관리기계 학습 모델을 훈련할 때, 일반적으로 훈련 집합을 사용하고 모델의 예측과 실제 값 간의 오차를 측정하여 훈련 오차를 줄이려고 합니다. 이는 최적화 문제입니다. 그러나 기계 학습에서 다른 중요한 측면은 일반화 오차도 줄여야 한다는 것입니다. 일반화 오차는 새로운 입력에 대한 예측 오차의 기댓값으로, 훈련된 시스템이 실제로 마주할 수 있는 모든 가능한 입력에 대한 오차의 평균입니다. 통계적 학습 이론에서는 훈련 집합과 시험 집합을 일정한 가정과 제약에 따라 수집함으로써 모델의 성능을 개선.. 2024. 3. 13.
인공지능 성능 평가와 패러다임 기계 학습 알고리즘의 성능을 평가하기 위해서는 수치로 표현된 측정 지표를 개발해야 합니다. 이러한 성과 측정 지표는 주로 시스템이 수행하는 작업에 따라 다양하게 변할 수 있습니다.  성과 측정 지표의 다양성분류나 결과 입력이 있는 자료의 분류, 전사와 같은 과제에서는 주로 모형의 정확도를 성과 측도로 사용합니다. 정확도는 모형이 올바른 결과를 출력한 보기들의 비율을 의미하며, 오류율은 모형이 틀린 결과를 출력한 보기들의 비율을 나타냅니다. 이러한 오류율은 종종 기대 손실로 표현되며, 각 보기에 대한 손실은 올바르게 분류되면 0이고 그렇지 않으면 1입니다. 그러나 밀도 추정과 같은 과제에서는 정확도나 오류율과 같은 측도가 유용하지 않습니다. 이러한 경우에는 각 보기에 연속 값 점수를 부여하는 성과 측정 방.. 2024. 3. 12.
인공지능 다양한 기계 학습 과제 기계 학습 알고리즘은 데이터로부터 학습하는데, 학습은 어떤 과제를 수행하고 그 성과를 측정하는 과정에서 경험에 의해 개선되는 것을 의미한다. 경험, 과제, 성과 측도는 응용문제에 따라 다양하게 정의될 수 있습니다.  기계 학습을 통한 과제 해결기계 학습을 통해 사람이 작성한 고정된 프로그램으로는 어려운 과제를 해결할 수 있습니다. 이는 과학과 철학적으로도 흥미롭습니다. 학습 과정은 과제를 수행하기 위한 수단으로, 기계 학습 시스템의 처리 방식을 설명하는 과제의 비교적 공식적인 정의가 있습니다. 보기는 기계 학습 시스템이 처리하는 대상으로, 일반적으로 벡터 형태로 표현됩니다. 이러한 학습을 통해 다양한 과제를 해결할 수 있습니다. 분류(classification) 과제분류(classification) 과제.. 2024. 3. 12.
인공지능 추상적 특징 추출과 복잡 개념 구축 딥러닝은 원본 자료의 추상적인 특징을 추출하여 복잡한 개념을 구축하는 데 사용됩니다. 이는 자료를 간단한 표현을 이용하여 표현함으로써 이루어집니다. 다층 퍼셉트론과 수학 함수딥러닝의 대표적인 형태는 다층 퍼셉트론인데, 이는 입력값을 출력값으로 대응하는 수학 함수입니다. 이 함수는 여러 간단한 함수들로 구성되며, 각 함수는 입력의 새로운 표현을 만들어냅니다. 깊게 학습된 모델의 복잡성딥러닝에 대한 또 다른 관점은 학습이 깊게 이루어지면 컴퓨터가 다단계 프로그램을 배울 수 있다는 것입니다. 이 관점에서는 표현의 각 층이 일련의 병렬 명령을 실행한 후의 컴퓨터 메모리 상태로 생각됩니다. 신경망이 깊어질수록 더 많은 명령이 순차적으로 실행되며, 층별 명령 실행 방식은 이전 층의 결과를 참조하여 강력한 모델을 형.. 2024. 3. 12.
인공지능의 효과적인 표현 기계 학습에서 효과적인 표현은 컴퓨터 과학과 우리의 일상에서 중요한 역할을 합니다. 자료의 표현에 따라 연산 속도나 결과물에 지대한 영향을 미칩니다. 예를 들어, 자료의 구조와 색인이 적절하게 갖춰진 경우 검색 연산이 훨씬 빠릅니다. 마찬가지로, 숫자의 표현 방식에 따라 계산 속도나 편의성이 달라집니다. 이러한 사실은 기계 학습에서도 마찬가지이며, 적절한 자료 표현이 알고리즘의 성능에 큰 영향을 미칩니다.  인공지능 과제와 특징 추출인공지능 과제 중에는 주어진 과제에 적합한 특징 집합을 추출하고 해당 특징들을 활용하여 간단한 기계 학습 알고리즘을 적용하는 것이 일반적입니다. 예를 들어, 음성을 통해 화자를 식별하는 과제에서는 화자의 성별과 연령을 추정할 수 있는 특징들이 중요합니다. 성별에 대한 특징으로.. 2024. 3. 12.
인공지능에 대하여 과거부터 발명가들은 생각하는 기계를 상상해 왔습니다. 이 열망은 고대 그리스로 거슬러 올라가며, 피그말리온, 다이달로스, 헤파이스토스와 같은 신화 속 인물은 전설적인 발명가입니다. 또한, 갈라티아나 탈로스, 판도라 같은 인공생명이 등장합니다. 백 년 전, 프로그래밍할 수 있는 한 컴퓨터의 등장으로 사람들은 그런 기계가 지능을 가질 수 있을지 궁금해했습니다. 현재는 인공지능이 크게 발전하며, 노동 자동화, 음성 및 영상 이해, 의료 진단, 과학 연구 등 다양한 분야에서 활용되고 있습니다.  인공지능의 진정한 어려움인공지능 초창기에는 컴퓨터가 수학적이고 형식적인 문제를 해결하는 데 뛰어나다는 것이 입증되었습니다. 그러나 시간이 흐름에 따라 인공지능의 진정한 어려움은 형식적으로 정의하기 어려운 문제를 해결하는.. 2024. 3. 12.