머신러닝9 에이전트와 강화학습 (4) - 강화학습 에이전트를 학습 환경에서 효율적으로 움직이게 하기 위해서는 학습을 통해서 에이전트가 제어지식을 획득해야 합니다. 학습 방법으로 머신러닝(ML; Machine Learning)이 효과적이며, 머신러닝 중에서도 특히 강화학습이 에이전트의 학습에 효과적입니다. 1. 머신러닝과 강화 학습 강화 학습은 머신러닝(기계학습; machine learning)의 일종으로, 기계가 취하는 행동에 서로 다른 보상(reward)을 제시하여, 보상을 가장 많이 받을 수 있는 방식이 무엇인지를 스스로 학습하도록 하는 방식입니다. 강화 학습은 비유하자면, 문제를 풀었을 때 채점을 해줌으로써 높은 점수를 얻는 답을 찾는 방식을 알아내도록 하는 것과 유사하다. 문제를 잘 해결하는 행동을 했을 때 보상을 해준다는 점에서, 행동주의 심리.. 2023. 6. 11. 자연어처리(NLP; Natural Language Processing) - 딥러닝을 이용한 자연어처리 (4) 2. 머신러닝을 이용한 자연어처리 앞서 설명한 바와 같이 자연어처리 기술은 수작업으로 문법이나 사전을 사전에 구성하는 (종래형) 방법에서 대규모 말뭉치(corpus)를 전제로 한 통계적 방법으로 발전했습니다. 그러나 대규모 데이터 처리에는 통계적 방법뿐만 아니라 머신러닝(machine learning), 특히 딥러닝(deep learniing)이 유용하게 사용되고 있습니다. 통계기반 기계번역과 인공신경망 기계번역은 딥러닝을 활용합니다. 사람은 학습 데이터를 수집하고 가공해서 컴퓨터에 던져주고, 컴퓨터는 입력된 학습 데이터를 바탕으로 스스로 공부합니다. 학습(learning)이 끝나면 번역 프로그램이 스스로 공부한 바를 바탕으로 새로운 문장을 보더라도 번역할 수 있는 능력을 키울 수 있습니다. 2.1 딥러.. 2023. 6. 3. 딥러닝(Deep Learning) (3) - 생성적 대립 신경망(GAN; Generative Adversarial Network) 5. 생성적 대립 신경망(GAN; Generative Adversarial Network) 생성적 대립 신경망(GAN; Generative Adversarial Netwrok)은 생성기(Generator)와 판별기(Discriminator)가 경쟁하면서 실제와 가까운 이미지, 동영상, 음성 등을 자동으로 만들어 내는 머신러닝(ML) 학습 방식의 하나로서, 두 개의 신경망(생성기와 판별기)을 조합하여 비지도학습(unsupervised learning)을 진행하면서 입력된 데이터와 유사한 데이터를 생성할 수 있는 생성계를 구성하는 시스템입니다. GAN을 이용하면 주어진 이미지 데이터를 사용해 학습을 진행하여 주어진 이미지 데이터와 유사한 새로운 이미지 데이터를 생성하는 이미지 생성계를 얻을 수 있습니다. 참.. 2023. 5. 25. 머신러닝 학습 방법: K-인접기법, 결정트리와 랜덤 포레스트 & 서포트 벡터 머신(SVM) 여기서는 앞서 머신러닝(Machine Learning)에서 언급되었던 학습 방법들 중에서 데이터를 분류하는 기법들에 대해 개념 위주로 학습하고자 합니다. 1. K-인접기법(K-nearest neighbor method: KNN) K-인접기법(KNN)은 미리 주어진 학습 표본(데이터)과 새로운 데이터의 특징을 비교하고 비슷한 것을 찾아내어 새로운 데이터로 분류하는 방법입니다. 학습 표본을 기반으로 변수 간의 관계를 기반으로 분류 규칙을 생성하고 새로운 데이터를 특정 범주에 분류하는 기법입니다. 따라서 K-인접기법에서는 미리 학습데이트를 예시로 줘야 합니다. 그리고 데이터 세트에는 학습데이터의 특징을 나타내는 변수들과 그에 따른 분류 레이블인 클래스가 포함됩니다. K-인접기법은 어떤 특정한 공간 내에서 새로.. 2023. 5. 18. 머신러닝 학습 방법과 몇 가지 개념 (2) 3. 학습 데이터세트와 검증 데이터세트 1) 학습 데이터세트와 학습 방법 머신러닝 모델의 학습 단계에서는 다양한 방법을 이용하여 학습 데이터세트에서 지식(knowledge)을 추출합니다. 이때 학습 데이터세트 이용방법의 차이에 따라 학습과정을 다음과 같이 분류할 수 있습니다. a) 배치학습(batch learning): 배치 학습(Batch Learning)은 모든 학습 데이터를 한 번에 가져와서 모델을 학습시키는 머신 러닝 방법입니다. 모델이 모든 데이터를 한 번에 볼 수 있기 때문에, 배치 학습은 대규모 데이터셋에서 매우 유용합니다. 학습의 순서는 아래와 같습니다. 1. 초기 모델 설정: 모델을 초기화하고, 초기 가중치를 설정합니다. 2. 모든 데이터 수신 및 전처리: 모든 학습 데이터를 가져와서 전.. 2023. 5. 14. 머신러닝 (Machine Learning) 학습(learning)은 인간이나 생물에게서 나타나는 지적 활동 중 핵심적인 활동이고 특징이라고 할 수 있습니다. 인공지능(AI)에서 컴퓨터를 이용한 학습, 머신러닝(Machine Learning; ML)의 원리와 다양한 방법을 알아보려 합니다. 1. 머신러닝의 학습이란? 생물에게 학습(learning)이란 과거의 경험이나 지식에 의해 보다 나은 방법으로 환경에 적응하는 수단입니다. 인간에게도 학습은 매우 중요한 일이며, 우리도 여러 가지 교육과 경험을 통해 학습하고 있습니다. 학교에서 오랫동안 교육을 받을 뿐 아니라, 사람들과의 인간관계에서도 경험을 통해 많은 것을 학습합니다. 즉, 교육을 통해 과거의 지식을 전수받거나, 인간관계에서 대화와 실패의 경험을 통해서 더 나은 방법으로 사회의 구성원들과 상호.. 2023. 5. 11. 인공지능(AI) 연구의 분야 별 발전 과정 (3) 2023.05.08 - [분류 전체 보기] - 인공지능(AI) 연구의 분야 별 발전 과정 (2) 7. [2010년~] 딥러닝의 발견, 빅데이터 시대의 도래 1) 딥러닝이 이미지 인식분야에 혁신 이미지 인식, 즉 영상에 무엇이 찍혀 있는지를 판단하는 기술은 이미지 처리에 중요한 과제로 오래전부터 연구되어 왔습니다. 20세기에는 다양한 방법이 제안되어 표준 벤치마크 문제에 대한 인식의 정확도도 점점 향상되고 있었습니다. 세계적으로 이미지 인식 기술의 중요한 축을 형성하는 이미지 넷 대용량 영상 인식 대회(ILSVRC; Large Scale Visual Recognition Challenge)라는 세계 대회가 있습니다. ILSVRC에서 특정 이미지 데이터세트에 포함된 이미지가 무엇인지를 분류하는 과제에서 우승.. 2023. 5. 9. 우리 생활 및 산업에 인공지능(AI) 기술 활용 사례 오늘은 우리 주변에서 흔히 접할 수 있는 인공지능(AI) 기술을 활용한 사례들과 기반이 되는 기술들을 간략하게 정리해 보겠습니다. 1. 생활 속 인공지능 기술 응용 사례 1) 스마트폰 음성응답 시트템 전형적인 사례가 애플의 시리(Siri)와 같은 스마트폰 음성응답 시스템입니다. 스마트폰 음성응답 시스템은 자연어로 음성을 입력하면 키워드에 따라 정보를 검색하거나 스마트폰을 조작합니다. 또한 검색 결과나 조작의 결과를 문자나 음성의 형태로 사용자에게 응답합니다. 이러한 처리를 구현하려면 한국어나 영어와 같은 자연어로 입력된 음성을 단어로 인식하는 음성인식(Speech Recognition) 기술과 주어진 지시의 의미를 해석하는 자연어처리 기술이 사용됩니다. 또한 음성으로 응답할 때는 음성합성(Speech S.. 2023. 5. 6. 인공지능(AI)이란 무엇인가? (1편) 인공지능(AI)은 기본적으로 컴퓨터에서 음성 및 작성된 언어를 보고 이해하고 번역하고 데이터를 분석하고 추천하는 기능 등 인간의 지성이 필요하거나 대량의 데이터를 처리하는 방식을 포함한 다양한 기능을 수행할 수 있는 일련의 소프트웨어 기술입니다. 이런 기능을 구현하기 위하여 AI는 컴퓨터 공학, 데이터분석 및 통계, 하드웨어 및 소프트웨어 엔지니어링, 언어학, 신경과학은 물론 철학과 심리학 등 여러 학문과 광범위하게 연결되어 있습니다. 1. 인공지능(AI)의 유래와 학문으로서의 위치 인공지능(Artificial Intelligence: AI)이라는 용어는 1956년 미국 Dartmouth College에서 열린 인공지능을 주제로 한 학술회의에서 John McCarthy라는 학자가 처음으로 사용했다고 전해.. 2023. 5. 2. 이전 1 다음 728x90
