인공지능과 머신러닝, 딥러닝 (2)

저번에 적은것 이어서 적겠습니다!

딥러닝으로 들어가기전 머신러닝과 딥러닝의 차이를 알아야합니다.

우선 머신 러닝의 알고리즘 방식입니다.

머신러닝은 샘플(train data)과 기댓값(result)이 주어졌을 때 데이터의 처리작업을 위한 규칙을 찾는 것이라고 앞서 말한 적이 있습니다!

☆★☆머신러닝을 하기위한 3가지☆★☆

1. 입력데이터 포인트 : 주어진 데이터가 음성인식이라면 데이터 포인트는 사람의 대화가 녹음된 파일입니다.

                              주어진 데이터가 여행 사진 태깅이라면 데이터 포인트는 사진 파일이 됩니다.

2. 기대출력 : 음성인식 작업에서는 사람이 사운드 파일을 듣고 옮긴 글입니다.

                 이미지 작업에서 기대출력은 '강아지', '고양이' 같은 태그입니다

3. 알고리즘의 성능을 측정하는 방법 :  현재 출력과 기대출력 간의 차이를 결정하기 위해 필요합니다.

측정값은 알고리즘의 작동 방식을 교정하기 위한 신로호 다시 피드백 됩니다.

이런 수정단계를 학습(Learning) 이라고 합니다.

머신러닝은 입력 데이터를 의미있는 출력으로 변환합니다. 이것이 알고 있는 입력과 출력의 샘플로부터 학습하는 과정입니다.  

결론은 머신러닝과 딥러닝의 궁극적 문제는 의미있는 데이터로의 변환 입니다.

쉽게 말해 입력된 데이터를 기반으로 기대 출력값에 가깝게 만드는 유용한 표현(데이터를 바라보는 방법)을 학습하는 것입니다.

이러한 데이터가 있다고 가정하자!

주황색 포인트와 파란색 포인트가 있습니다. 포인트 좌표(X,Y)를 입력받고 

그 포인트가 주황색인지 파란색인지 출력하는 알고리즘을 개발하려고 합니다.

이럴 경우는

머신러닝을 하기위한 3가지를 이용해 요약할 수 있습니다.

 * 입력은 포인트 좌표.

 * 기대 출력은 포인트의 색깔.

 * 알고리즘의 성능을 측정하는 방법은 정확히 분류한 포인트의 비율을 사용해 알고리즘 성능을 측정!

이렇게 원하는것은 주황색과 파란색을 구분하는 새로운 표현입니다...사용할수있는 변환 방법은 좌표변환입니다.

포인트에 대한 새로운 좌표는 새로운 데이터를 표현입니다. 

이 경우엔 직접 좌표를 변환하였지만 시스템적으로 가능한 여러좌표를 찾아 포인트중 몇퍼센트가 가장 잘 분류되는지를 피드백으로 사용하면 이때가 바로 머신러닝입니다. 

간단히 정리하면 이러한 변환을 찾는 창의력은 없고 미리 정의된 연산을 이용해 자세히 조사하는 것 뿐입니다.

다음은 딥러닝으로 넘어가보겠습니다! 

 

참고로 이미지로 간단히 표현된것도 찾았습니다!

 그냥 이것쓸껄...

 

 

 

 

 

출처: http://tobetong.com/?p=9393#comment-4028