2.인공지능/개념&이론

1. 인공지능, 머신러닝, 딥러닝 개념 이해: AI,ML,DL

쿼드큐브 2025. 4. 16. 09:44

728x90

머신러닝, 딥러닝, 신경망, 지도학습, 비지도학습, 강화학습의 개념을 한 번에 정리합니다.

인공지능, 머신러닝, 딥러닝 개념 이해: AI,ML,DL

목차
1. 인공지능, 머신러닝, 딥러닝

2. 신경망(Neural Network) 구조의 이해

3. 지도학습(Supervised Learning)

4. 비지도학습(Unsupervised Learning)

5. 강화학습(Reinforcement Learning)

관련 글 링크

1. 인공지능, 머신러닝, 딥러닝

1) 인공지능(AI, Artificial Intelligence)

인공지능은 인간의 지능적 행동(학습, 추론, 문제 해결, 의사결정 등)을 컴퓨터가 모방하고 수행할 수 있도록 만드는 기술입니다.

◆ 주요 기능

학습(Learning): 데이터를 기반으로 스스로 능력을 향상
추론(Reasoning): 주어진 정보로부터 새로운 지식 도출
인지(Perception): 이미지나 소리 등의 외부 자극을 이해
행동(Action): 상황에 맞게 적절한 결정을 내려 수행

2) 머신러닝(ML, Machine Learning)

머신러닝은 컴퓨터가 명시적인 명령 없이 데이터로부터 스스로 학습하는 기술입니다.

우리가 경험을 통해 배우듯이, 컴퓨터도 데이터를 분석해 패턴을 발견하고 예측합니다.

◆ 핵심 개념

데이터: 학습에 필요한 재료이며, 많고 질 좋은 데이터가 중요합니다.
알고리즘: 데이터를 분석하고 학습하는 방법입니다.
모델: 학습된 결과물로, 새로운 데이터에 대해 예측을 수행합니다.

◆ 주요 분류

지도 학습(Supervised Learning): 정답이 있는 데이터로 학습
비지도 학습(Unsupervised Learning): 정답 없이 패턴을 탐색
강화 학습(Reinforcement Learning): 보상을 통해 최적 행동을 학습

◆ 예시

스팸 메일 필터
사용자 맞춤 상품 추천
동물 사진 분류

3) 딥러닝(DL, Deep Learning)

딥러닝은 머신러닝의 하위 분야로, 인공 신경망(Artificial Neural Network)을 사용하여 복잡한 문제를 해결합니다.

이미지나 음성, 텍스트처럼 비정형 데이터 처리에 강력한 성능을 보입니다.

◆ 핵심 개념

인공 신경망: 인간 뇌를 모방한 구조로, 뉴런들이 층(layer)을 이루어 연결됨
깊은 구조: 여러 개의 은닉층을 통해 점점 더 복잡한 특징을 자동 추출
자동 특징 추출: 별도의 수작업 없이 중요한 정보를 스스로 파악

◆ 예시

이미지 인식 (자율주행 차량의 객체 인식)
음성 인식 (스마트 스피커)
자연어 처리 (챗봇, 기계 번역)

2. 신경망(Neural Network) 구조의 이해

신경망(Neural Network)은 딥러닝의 핵심 구조로, 인간의 뇌에 있는 뉴런(Neuron) 과 그 연결 구조를 모방한 수학적 모델입니다.

뇌에서는 수많은 뉴런들이 연결되어 정보를 전달하고 처리합니다.
마찬가지로 신경망도 수많은 노드(=인공 뉴런)를 층별로 연결하여, 데이터를 처리하고 학습합니다.

1) 신경망의 기본 구성

◆ 뉴런(Neuron)

신경망의 기본 단위입니다.
하나의 뉴런은 여러 입력값을 받아 가중치를 곱하고, 합산 후 활성화 함수를 거쳐 출력값을 생성합니다.

입력값 → 가중치 곱 → 합산 → 활성화 함수 → 출력값

◆ 가중치(Weight, w)

입력값마다 곱해지는 값입니다.
학습을 통해 중요한 입력에는 큰 가중치, 중요하지 않은 입력에는 작은 가중치가 할당됩니다.

◆ 바이어스(Bias, b)

출력값의 조정을 위해 사용하는 편향 값입니다.
가중치 합에 추가되어 더 유연한 학습이 가능하게 합니다.

◆ 활성화 함수(Activation Function)

뉴런의 출력 값을 결정하는 함수입니다.
단순한 선형 출력을 넘어서 비선형 문제를 해결할 수 있도록 해줍니다.
대표적인 활성화 함수:

활성화함수	수식	출력범위	특징
ReLU	max(0, x)	0 ~ ∞	계산이 빠르고 간단, 대부분의 신경망에서 기본 선택
Sigmoid	1 / (1 + e^(-x))	0 ~ 1	출력이 확률처럼 해석 가능, 기울기 소실 문제 있음
Tanh	(e^x - e^(-x)) / (e^x + e^(-x))	-1 ~ 1	중심이 0이라 학습이 더 빠를 수 있음, 기울기 소실 가능

◆ 층(Layer)

신경망은 여러 개의 뉴런을 묶어 층(layer)으로 구성됩니다.

입력층(Input Layer): 데이터가 처음 들어오는 층
은닉층(Hidden Layer): 중간 계산을 담당. 딥러닝에서는 이 층이 여러 개 존재합니다.
출력층(Output Layer): 최종 결과를 출력하는 층

2) 신경망의 작동 방식

◆ 순전파(Forward Propagation)

신경망의 입력층 → 은닉층 → 출력층 방향으로 데이터를 전달하며 예측값을 계산하는 과정입니다.

작동 순서

입력값을 모델에 넣는다.
각 계층(Layer)에서는 입력에 가중치(Weight)와 편향(Bias)을 곱하여 선형 변환을 수행.
변환된 값은 활성화 함수(Activation Function)를 통해 비선형 출력값으로 변환된다.
마지막 출력층에서 예측값이 계산된다.
손실 함수(Loss Function)는 예측값과 실제값을 비교해 오차를 수치화한 값(손실:Loss)을 반환한다.

이 과정은 모델이 입력을 바탕으로 결과를 추론(Inference)하는 과정입니다.

입력 → 가중치 연산 + 바이어스 → 활성화 함수 → 다음 층

◆ 역전파(Back Propagation)

출력층 → 입력층 방향으로 오차를 전파하며, 가중치와 편향을 학습을 통해 수정하는 과정입니다.

작동 순서

순전파로 계산된 오차(Cost)를 바탕으로 각 계층에서 오차의 영향을 계산.
연쇄 법칙(Chain Rule)을 이용해 오차가 각 가중치에 얼마나 영향을 미치는지 계산.
이 정보를 바탕으로 가중치(Weight)와 편향(Bias)을 조정한다.
최적화 알고리즘(Optimization, 예: 경사하강법)을 사용하여 오차를 줄이는 방향으로 업데이트.

이 과정은 모델이 더 나은 예측을 하기 위해 스스로 개선하는 학습 단계입니다.

손실 함수(Loss Function): 예측값과 실제값의 차이 측정
경사 하강법(Gradient Descent): 손실을 줄이기 위한 가중치 조정 기법

3. 지도학습(Supervised Learning)

지도 학습은 '정답이 있는 데이터'를 이용하여 모델을 학습시키는 방법입니다.

입력 데이터와 그에 대한 정답(레이블)을 함께 제공하고, 모델이 이 둘의 관계를 학습하여 새로운 입력이 들어왔을 때 예측하거나 분류할 수 있도록 만드는 방식입니다.

◆ 특징

정답(라벨)이 있는 데이터 필요
분류(Classification) 또는 회귀(Regression) 문제에 사용
학습 후에는 테스트 데이터를 사용해 모델의 성능을 평가

◆ 한계

라벨링 작업은 사람이 직접 해야 하며 비용과 시간이 많이 듭니다
훈련에 충분한 양의 레이블된 데이터를 확보하는 것이 어렵습니다

◆ 예시

이메일 스팸 필터: 이메일 → 스팸 or 일반 메일
이미지 분류: 사진 → 고양이 / 강아지
집값 예측: 면적, 위치 → 가격

4. 비지도학습(Unsupervised Learning)

비지도 학습은 '정답이 없는 데이터'만 가지고 스스로 패턴이나 구조를 찾아내는 방식입니다.

모델은 입력값만 보고 데이터를 비슷한 것끼리 묶거나, 복잡한 데이터의 구조를 단순화합니다.

◆ 특징

레이블 없는 데이터 사용
주로 패턴 발견, 군집화, 차원 축소에 활용
데이터에 대한 사전 지식이 부족한 상황에서 유용

◆ 예시

고객 구매 패턴 분석 → 비슷한 소비 유형별로 고객 세분화
뉴스 기사 그룹화 → 주제별로 분류
데이터 시각화를 위한 차원 축소 (예: PCA)

5. 강화학습(Reinforcement Learning)

강화 학습은 에이전트(Agent)가 환경 속에서 행동을 하며, 보상을 받아가며 학습하는 방식입니다.
행동에 따라 양의 보상(잘함) 또는 음의 보상(못함)을 받고,이를 바탕으로 보상을 최대화하는 방향으로 스스로 학습합니다.

◆ 특징

지도/비지도 학습과 달리, 정답이 주어지지 않음
대신 행동의 결과에 따른 보상이 주어짐
시행착오를 반복하면서 더 나은 전략(policy)을 학습

◆ 예시

알파고: 바둑을 두면서 이기면 보상 → 최고의 수를 학습
로봇 제어: 벽에 부딪히면 -보상, 목적지 도달하면 +보상
자율주행 차량: 교통 상황에서 최적의 운전 전략 학습

7. 객체 탐지 모델 성능 지표:IoU,Precision,Recall,AP,mAP,FPS (0)	2025.04.23
6. 회기 모델 성능 지표: MAE, MSE, RMSE, MAPE, MPE, R² (0)	2025.04.23
5. 분류 모델 성능 지표: Confusion Matrix (0)	2025.04.23
3. 이미지 분석 기술: Classification, Object Detection, Segmentation (0)	2025.04.22
2. 전이 학습(Transfer Learning):Fine-tuning (0)	2025.04.16

1. 인공지능, 머신러닝, 딥러닝 개념 이해: AI,ML,DL

인공지능, 머신러닝, 딥러닝 개념 이해: AI,ML,DL

1. 인공지능, 머신러닝, 딥러닝

1) 인공지능(AI, Artificial Intelligence)

2) 머신러닝(ML, Machine Learning)

3) 딥러닝(DL, Deep Learning)

2. 신경망(Neural Network) 구조의 이해

1) 신경망의 기본 구성

2) 신경망의 작동 방식

3. 지도학습(Supervised Learning)

4. 비지도학습(Unsupervised Learning)

5. 강화학습(Reinforcement Learning)

관련 글 링크

'2.인공지능 > 개념&이론' 카테고리의 다른 글

'2.인공지능/개념&이론'의 다른글

티스토리툴바

1. 인공지능, 머신러닝, 딥러닝 개념 이해: AI,ML,DL

인공지능, 머신러닝, 딥러닝 개념 이해: AI,ML,DL

1. 인공지능, 머신러닝, 딥러닝

1) 인공지능(AI, Artificial Intelligence)

2) 머신러닝(ML, Machine Learning)

3) 딥러닝(DL, Deep Learning)

2. 신경망(Neural Network) 구조의 이해

1) 신경망의 기본 구성

2) 신경망의 작동 방식

3. 지도학습(Supervised Learning)

4. 비지도학습(Unsupervised Learning)

5. 강화학습(Reinforcement Learning)

관련 글 링크

'2.인공지능 > 개념&이론' 카테고리의 다른 글

'2.인공지능/개념&이론'의 다른글

관련글

티스토리툴바