AI, 머신러닝, 딥러닝 정리 초보용

인공지능, 머신러닝, 딥러닝은 서로 다른 무엇인가?

인공지능 - 사람처럼 느끼고 추론하고 행동하는 컴퓨터 프로그램

머신러닝 - 데이터로부터 패턴을 학습하는 방식의 컴퓨터 프로그램

딥러닝 - 인간 뇌의 신경망을 모사하는 방식의 머신러닝

1. 데이터와 머신러닝의 개념

인공지능의 정의

인공지능의 정의는 지능적인 기계, 특히 지능적인 컴퓨터 프로그램을 만드는 과학 공학이다.

인공지능에 대한 정의는 계속해서 논의와 연구를 통해 확장되어 왔다.

또한 인간의 지능이란 무엇이며 기계가 그것을 가질 수 있는가에 대한 철학적 의문과 연관된다.

Zhong.2006

인공지능은 인간 지능의 비밀을 탐구하는 것과 인간의 지능을 기계에 최대한 이식하는 것을 목표로 하는 현대과학기술의 한 분야이다.

COMEST.2019

AI는 지각, 학습, 추론, 문제해결, 언어 상호작용, 심지어 창의적 작품 제작과 같은 인간지능의 특정 기능을 모방할 수 있는 기계이다.

인공지능의 유형

강 인공지능 vs 약 인공지능

강 인공지능

• 다양한 분야에서 보편적으로 활용 가능
• AI가 스스로 데이터를 찾아서 학습 가능
• 현실적인 어려움으로 인해 성과는 제한

약 인공지능

• 특정 영역에만 활용 가능
• 사람의 알고리즘 구현과 데이터 입력 필요
• 이미 사람의 능력을 넘어선 분야 존재

인공지능 연구의 큰 흐름

기호주의 AI

기호와 규칙을 사용하는 규칙 기반 인공지능

연결주의 AI

뉴런의 연결을 모방하는 신경망 기반 인공지능

인공지능의 역사

준비기 1943~1956

1943년 : 인공신경으로 뇌의 동작을 모사할 수 있음을 증명

1950년 : 튜링테스트

요람기 1956~1974

1956년 : 다트머스 회의에서 인공지능이라는 용어 처음 사용

1958년 : 로젠블랫이 퍼셉트론 제시

1965년 : 최초 전문가 시스템 DENDRAL 개발

1969년 : 퍼셉트론의 결정적 문제점 노출

첫 번째 암흑기 1974~1980

신경망 연구 성과 부족으로 투자와 연구 중단

발전기 1980~1987

다층 퍼셉트론과 역전파 알고리즘 등장

두 번째 암흑기 1987~1993

계산 성능 한계와 신경망 연구 정체

안정기 1993~2011

1997 IBM 딥블루 체스 승리

2004 힌튼 딥러닝 학습 알고리즘 제안

2011 IBM 왓슨 퀴즈쇼 우승

부흥기 2011~현재

2012년 딥러닝 성능 급격한 향상

인공지능 구현 아이디어

1) 탐색

특정 문제의 답을 찾는 방법 (예: 네비게이션)

2) 지식 기반 추론

지식을 표현하고 논리적으로 결론 도출

3) 확률 기반 추론

불확실한 상황에서 판단 (예: 날씨 예측)

4) 머신러닝

데이터로부터 패턴을 학습

5) 딥러닝

인간 뇌 신경망을 모사한 머신러닝

2. 지도 / 비지도 / 강화 학습

지도학습

Label이 있는 데이터로 input과 label 간 패턴을 학습

회귀

판매량 예측 (input: 광고예산 / label: 판매량)

분류

고양이 vs 개 분류

비지도학습

Label 없이 input만으로 패턴 학습

군집분석

유사한 데이터끼리 그룹화

생성모델

이미지, 음성 생성

강화학습

보상을 기반으로 반복 시행착오를 통해 학습

예: 알파고, 자율주행

3. 데이터와 머신러닝 환경

학습 데이터의 양

문제와 알고리즘에 따라 필요 데이터 양은 다름

Volume

데이터 규모가 클수록 정확성과 세분화 분석 가능

딥러닝 모델 성능 향상에 중요

하드웨어와 네트워크

대용량 스토리지, 고성능 CPU/GPU 등장

클라우드로 분산 및 병렬 처리 가능

소프트웨어 발전

빅데이터 처리 기술

Hadoop, Spark 등 분산 처리 기술

딥러닝 라이브러리

TensorFlow, PyTorch, Keras