인공지능 개념 & 딥러닝 용어

참고) 해당 포스팅은 패스트 캠퍼스 100% 환급 챌린지 미션 기록용 포스팅이며, 강좌 내용에 맞추어 포스팅함을 언급

 

클립명 : PART1)인공지능에 대한 개념과 준비

           01.챕터이해 02. 전체 구조 및 학습과정 03. 딥러닝 용어 1

 

- 인공지능과 개념이해

강좌에서 말하는 인공지능이란 무엇이며, 어떤 것을 하기 위해 배우는 것일까? 우리가 실생활에서 접하는 다양한 인공지능 사례가 있지만 이 강좌는 데이터 분석을 위한 인공지능을 말한다.

여기서 말하는 인공지능은 데이터를 분석하기 위한 모델링의 구조를 만들었으면, 모델링에 필요한 파라미터들(혹은 함수 변수의 계수들)을 학습시키고, 학습된 파라미터들과 모델을 이용해 예측하는 과정들을 의미한다. 즉, 본 포스팅에서 말하는 인공지능은 데이터 예측을 위해 최적화된 파라미터들을 찾는 방법을 의미한다.

 

그림1. 전체구조 (출처 : 자료 01.인공지능 개념이해-02.전체구조 및 학습과정)

그림1에서 볼 수 있듯이 'Data'는 기존에 주어진 자료들이고, Model은 우리가 선택할 수 있다. 예를들어,  Data를 주가의 시계열이라 하고 Model을 이동평균선이라고 하면 우리는 학습을 시키므로써 Loss값이 가장 적게 만들어 주는 N(이동평균선의 사용되는 데이터의 수)를 Optm 함으로써, 이동평균선으로 주가를 예측했을시의 정확도를 높이는 작업들을 한다고 볼 수 있다. 

참고) 용어 정리

- Data : 학습 시키이 위한 데이터, 이 데이터가 모델에 들어감

- Model : LeNet, AlexNet, VGG나 ResNet 등 다양하게 설계된 모델

- Logit : Logit은 예측된 값 중 정답이라고 생각되는 부분을 확률로 나타냈다고 생각하면 됌

- Loss : 예측한 값과 정답과 비교해서 얼마나 틀렸는지를 확인

이러한 모델학습에 있어 중요한 점은 모델의 선택 및 구조설계도 있지만, 당연히 Data를 어떻게 정리하고 정의하는지도 중요하다. 실무에서 사용되는 Data를 무작정 가지고와서 사용하기엔 용량이 커저 속도도 느려지고 OverFitting라는 과최적화라는 문제도 야기시킬 수 있다. 따라서 어떤 Data만을 가지고 와서 Model 학습에 이용할 것이며, X값과 Y값을 어떻게 정의할 것인지도 정말 중요하다. 특히나 실무에서는 정해진 Y값이 없기 때문에 Data를 다루는 사람마다 다를 것이며, 이것 또한 결과한 큰 영향을 미칠 것이라고 생각한다.

지금은 과정의 초기이고 배우는 단계지만, Data를 전체리 하는것 또한 중요하다는 것을 잊으면 안된다. 설명 모델을 학습하고 결과값이 이상해서 Model 학습과정을 의심해볼 수 있지만, Data의 전처리 또한 의심의 대상이라는 것을 잊으면 안된다.

(글자수 :  총 1193자)

강의 소개 링크 : bit.ly/3cx6kMd

딥러닝/인공지능 올인원 패키지 Online. | 패스트캠퍼스

 

수강 인증샷