[파이썬 딥러닝 파이토치] Part2

 

01 인공지능(딥러닝)의 정의와 사례

1.1 인공지능이란

 

1.2 인공지능의 사례

1. 이미지 분류

2. 객체 탐지( 이미지에 포함되어 있는 물체가 뭔지 알아내는거 ex) 쟤는 자동차야)

3. 텍스트
   • 기계 번역
   • 문장 분류
   • 질의 응답 시스템
   • 개체명 인식

4. 알파고

5. GAN(Generative Adversarial Networks)
   • 고민성씨 컨퍼 프로젝트 같은
   • 지들이 output을 만들어내는

6. Style Transfer

• 여름 풍경을 겨울 풍경으로

• 이미지 변경?

7. deepfake

02 파이토치

03 머신러닝의 정의와 종류

3.1 머신러닝이란

3.2 머신러닝의 종류

• 모델 학습

• 손실함수

 

3.3 머신러닝의 구분 및 지도학습 모델의 종류

• 지도 학습 VS 비지도 학습 VS 강화학습

• 1. 지도학습

  • 선형 회귀 모델

  • 회귀 계수 축소 모델 (Lasso, Ridge, ElasticNet)
    • 오히려 변수 많으면 모델 효과 x

  • 의사결정나무

  • K-NN
    • 분류 예측 시에 새로운 데이터 넣고 그 주변 데이터 정보 수합해서 output 추출

  • 신경망

  • SVM
    • 과적합 문제에 대한 해결책 제시 ( 가운데 선 긋는 )

  • Ensemble Learning
    • bagging
    • randomforest
    • boosting
    • stacking

• 2. 비지도학습

  • 군집화

  • 차원 축소법

• 3. 강화학습

  • 알파고

  • 현재 상태, 행동, 보상, 다음 상태의 데이터?가 있어야 ⇒ 지도 및 비지도와는 조금 다른 성격

04 과적합

4.1 학습할 샘플 데이터 수의 부족

4.2 풀고자 하는 문제에 비해 복잡한 모델 사용

• 몸무게 예측하는건데 쓸데없이 손톱길이, 팔 길이 이런 변수들까지 있는 경우 (변수 많이 사용)

• 모델 자체가 복잡한 경우(SVM, 딥러닝)

4.3 적합성 평가 및 실험 설계(Training, Validation, Test, Cross Validation)

• 학습 데이터

• 검증 데이터

• 테스트 데이터

• K-Fold Cross Validation

05 인공 신경망

5.1 퍼셉트론

• MLP

• Feed Forward

• Back Propagation

• 활성화 함수(시그모이드)
  • 활성화 함수 활용하는 이유: 우리가 풀고자 하는 것이 비선형적인 복잡한 문제라서 비선형 모델로 사용

• 경사 하강법

• Universal Approximation Theorem
  • 은닉층이 1개 이상인 신경망은 학습 데이터 내에서 어떤 함수든 근사시킬 수 있다는 이론
  • 학습 데이터 내에서 어떤 모델이든 만들 수 있다는
  • → 과적합 발생

5.2 신경망 모형의 단점

• 과적합

• 기울기 소실 Gradient Vanishing problem

06 성능 지표

• 분류 모형에서 사용하는 지표

• MSE
  • 예측값과 실제 값의 차이에 대한 평균 제곱합

• MAPE
  • MSE의 절대적 지표
  • 예측값과 실제 값의 차이를 실제 값으로 나눠 실제 값 대비 몇 % 정도의 오차가 있는가에 대한 성능 지표

• 정확도
  • 옳게 분류된 데이터 수 (TP+TN) /전체 데이터 수 (TP+FN+FP+TN)

• F1-Measure(F1-score)
  • precision과 recall의 조화 평균