DL4 개발흐름 개발목표: "주어진 데이터에 대해, 원하는 결과를 내는 가상의 함수"를 흉내내는 함수를 만드는 것 개발과정: 문제정의 -> 데이터 수집 -> 데이터 전처리 및 분석 -> 알고리즘 적용 -> 평가 -> 배포 문제정의 - 풀려는 문제를 단계별로 나누고 simplify해야 한다. - 신경망이라는 함수에 넣기 위한 "입력값 x"와 "결과값 y"를 명확히 정의 데이터 수집 - 문제 정의에 따라 정해진 x와 y를 수집 - 풀고자 하는 문제의 영역에 따라 수집 방법이 다르다 *NLP, CV : 크롤링 *RecSys : 실제 수집한 데이터 - 필요에 따라 레이블링(라벨링) 작업을 수행 *자동적으로 레이블이 y로 주어질 수도 있으나 *하지만 대부분의 경우, 레이블이 따로 필요하다 *비지도학습를 기대하지 말자... 2022. 1. 23. 인공지능 인공지능 모델이란? - x가 입력됬을 때, y를 반환하는 함수 - y=f(x), 즉 함수다 파라미터란? - f가 동작하는 방식을 결정 - x가 입력됬을 때, 어떤 y를 반환할지 결정한다는 것 학습 - x와 y의 쌍으로 이루어진 데이터가 주어졌을 때, x -> y의 관계를 배우는 것 - 즉 x와 y를 분석하여 적절한 파라미터를 찾아내는 것 모델 - 상황에 따라 알고리즘이나 파라미터를 가리키는 말 What is Good "AI Model"? - 일반화를 잘 하는 모델 - 보지 못한 데이터(기존에 입력되지 않은)에 대해서도, 좋은 예측을 하는 모델 기존 머신러닝의 한계점 - 기존 머신러닝의 타겟데이터가 선형 또는 낮은 차원의 데이터 - Kernel 등을 사용하여 비선형 데이터도 다룰 수 있지만, 한계가 명확 2022. 1. 23. 딥러닝 정의 Deep Neural Networks (DNN)을 학습시켜 문제를 해결하는 것 기존 신경망에 비하여 더 깊은 구조! - 더욱 높은 신경망 학습률 - 더 많은 빅데이터 활용 - GPU 병렬연산을 통한 학습/추론 속도 증가 비선형 함수로 패턴 인식 능력이 월등하다! 역사 1980년대 역전파 알고리즘의 개발로 인한 중흥기 2000년대 딥러닝 빙하기 재부흥기 - 음성인식 상용화->기계번역 상용화 - 알파고의 승리->GAN 이미지 생성 패러다임 기존 패러다임 - Hand-crafted feature를 추출하여 학습 - 여러 단계의 sub-module로 이루어져 있음 새로운 패러다임 (딥러닝) - Raw 값을 입력하면, 자동으로 특징 학습 - 하나의 task에 대해, 하나의 신경망 모델 => end-to-en.. 2022. 1. 19. 시작 DL을 공부할 때 필요한 기본지식 - Python - 미적분 - 행렬 - 지수와 로그 ! 수학이 등장하지만 당황하지말고 익숙해지자 ! 완강을 목표로 ! 혼자 구현도 해보자 2022. 1. 19. 이전 1 다음