머신러닝 과 딥러닝

머신러닝과 딥러닝

-       머신러닝은 대규모 데이터를 활용해 컴퓨터가 자동으로 학습하는 과정

-       딥러닝은 인공신경망을 바탕으로 한 머신러닝의 한 분야로, 복잡한 문제를 높은 성능으로 처리할 수 있음

-       슈퍼바이즈드 러닝 : 레이블 O ex) 이미지 분류, 광고 클릭 예측 등

-       언슈퍼바이즈드 러닝 : 레이블 X ex) 군집화

-       강화학습 : 정답 대신 보상을 통해 학습

 

딥러닝의 필요성 및 발전 요소

-       딥러닝은 데이터의 양, 계산 능력, 알고리즘의 발전에 의해 큰 성과를 이룸

-       하이퍼파라미터 튜닝과 정규화 : 신경망 성능을 개선하는 주요 요소

-       딥러닝 모델의 구조화 : 학습 데이터의 분할, 테스트 데이터 활용, 엔드-투-엔드 딥러닝 실습

 

신경망의 기본 구성

-       표준 신경망 (Standard NN) : 단순한 구조의 신경망

-       컨볼루션 신경망 (CNN) : 이미지 처리에 특화

-       순환 신경망 (RNN) : 시계열 데이터에 강점

 

앤드 투 앤드 딥러닝

-       데이터 전처리부터, 모델 학습, 평가 까지 전체과정을 일관되게 처리하는 방식

-       입력 데이터에서 원하는 출력까지의 과정을 하나의 딥러닝 모델 안에서 모두 처리하는 방법

-       모델이 처음부터 끝까지 데이터를 직접 학습하면서 결과를 예측

예제)

 

1. [True/False] AI는 전기 혁명과 비슷한 변혁을 산업 전반에 가져올 것으로 기대된다.

• 답변: True 풀이: 강의에서 AI가 전기 혁명에 비유되었음을 학습.

2. [개념 설명] 머신러닝의 3가지 주요 학습 유형을 설명하세요.

• 답변: 슈퍼바이즈드 러닝, 언슈퍼바이즈드 러닝, 강화학습. 풀이: 각각의 특성 및 예시 설명.

3. [True/False] 딥러닝에서는 더 많은 데이터가 있을수록 성능이 향상된다.

• 답변: True 풀이: 데이터 양이 딥러닝 성능에 중요한 요소임.

4. 다음 중 이미지 분류에 적합한 신경망은?

• 답변: CNN 풀이: CNN은 이미지 데이터를 효율적으로 처리하는 데 최적화되어 있음.

5. [개념 설명] 하이퍼파라미터 튜닝이 무엇인지 간단히 설명하세요.

• 답변: 모델의 성능을 최적화하기 위해 학습 과정에서 조정하는 매개변수.
• 풀이: 학습의 성능 향상을 위한 필수 과정임.

6. [True/False] 강화학습에서는 레이블이 아닌 보상을 통해 학습한다.

• 답변: True 풀이: 강화학습은 보상을 통해 최적의 행동을 선택하도록 학습.

7. [계산 문제] 주어진 데이터 집합에서 평균과 분산을 계산해보세요.

• 답변: (학생이 계산하도록 제공된 수치를 통해 풀이) 풀이: 평균과 분산 계산 과정 설명.

8. [True/False] 언슈퍼바이즈드 러닝에서는 사람이 레이블을 만들어 제공한다.

• 답변: False 풀이: 언슈퍼바이즈드 러닝은 레이블 없이 데이터의 특성을 학습함.

9. [개념 설명] 엔드-투-엔드 딥러닝이란 무엇인지 설명하세요.

• 답변: 데이터 전처리부터 모델 학습, 평가까지 전체 과정을 일관되게 처리하는 방식.
• 풀이: 전 과정이 하나의 연속된 흐름으로 구성됨.

10. 다음 중 비정형 데이터에 적합한 학습 방법은 무엇인가요?

• 답변: 딥러닝

풀이: 텍스트, 이미지, 오디오 등 비정형 데이터에 딥러닝이 적합함