[인공지능 강의 리뷰] 2 - 지도 학습(Supervised Learning with Neural Network)

코세라 (Coursera) 앤드류 응 교수님의 인공지능 강의 1번째 코스, 신경망 및 딥러닝 코스 1주 차 강의 리뷰입니다.

목차

• 1. 지도 학습이란?
• 2. 지도 학습을 사용한 대표적인 알고리즘
• 3. 지도 학습에서 쓰이는 데이터의 종류
• 4. 딥러닝이 떠오른 이유 feat 빅데이터

---

1. 지도 학습(Supervised Learning)이란?

뉴럴 네트워크에서의 지도학습

저번 글에 이어서, 이번에는 신경망에서의 지도학습(Supervised learning)에 대해 알아봅시다.

---

지도 학습의 예시

지도 학습(Supervised Learning)은 기계에게 입력과 결과을 알려주면서 학습시키는 방식입니다.

예를 들어서,

입력으로 영어를 넣어주고, 결과로 그에 해당하는 중국어를 알려주면서 학습시킨다면 번역기 프로그램이 되는 것이죠.

---

2.  지도 학습을 사용한 대표적인 알고리즘

뉴럴 네트워크(신경망)의 대표적인 3가지 방식

신경망에서 지도 학습(Supervised Learning) 방식을 사용한 대표적인 알고리즘은 아래의 3가지가 있습니다.

  1. 일반적인 신경망 (Standard Neural Network)

2. 합성곱 신경망(Convolutional Neural Network)

3. 순환 신경망(Recurrent Neural Network)  

1. 일반적인 신경망(SNN)은 광고나 부동산 가격 예측에 주로 쓰이고

2.합성곱 신경망(CNN)은 이미지를 다루는 카메라 앱에 주로 쓰이며

3.순환 신경망(RNN)은 번역기나 자율주행에 주로 사용됩니다.

---

3. 지도 학습에서의 쓰이는 데이터의 종류

구조화 데이터와 비 구조화 데이터

지도 학습(Supervised Learning)에서 활용되는 데이터는,

구조화된 데이터(Structed Data)와 비구조화된 데이터(Unstructed Data) 로 나뉩니다.

 

구조화된 데이터(Structed data)는 기계가 알아보기 쉽도록 정돈된 형태의 데이터이며 , 
 
비구조화된 데이터(Unstructed Data)는  정돈되지 않아서  기계가 알아보기 어려운 형태의 데이터입니다.
 
------------------->
 
그동안 사람은 비구조화된 데이터의 형태를 쉽게 이해했지만 ,  기계는 비구조화된 데이터를 잘 이해하지 못했습니다.
 
하지만 딥러닝(Deep learning)의 등장으로, 이제 기계도 비구조화된 데이터를 상당히 잘 이해할 수 있게 되었습니다.

반응형

---

4. 딥러닝이 떠오른 이유 feat. 빅데이터와 컴퓨터 기술의 발달

 

데이터 양과 신경망의 복잡도에 따른 성능 차이

 

딥러닝 최근에야 급격하게 부상한 이유는 위의 그래프를 보면 쉽게 이해할 수 있습니다.

x는 데이터의 양, y는 딥러닝 학습의 성능을 의미합니다.

그림에서 보이는 그래프들은 빨간색 ~ 초록색으로 갈수록 신경망이 복잡한 신경망을 의미합니다.

데이터의 양이 많아질수록, 신경망이 복잡할수록 딥러닝 학습의 성능은 올라갑니다.

최근 빅데이터 분야가 주목받은 것도 딥러닝 학습방식이 데이터가 많이 필요하기 때문입니다.

시간에 따른 데이터 양의 폭발적인 증가

최근 정보화 시대에 들어서며 데이터의 양이 무궁무진하게 많아지고,

---

시간에 따른 CPU 성능의 발전

cpu 또한,  성능이 비약적으로 발전되어 복잡한 신경망을 사용할 수 있게 되었습니다.

이러한 시대적 변화로 인해서, 딥러닝 학습을 할 수있는 환경이 이제서야 만들어졌기 때문에

1950년에 발견한 딥러닝 방식이 최근에 와서야 부상할 수 있게 된 것이죠.

이상으로 1주 차 강의 내용 정리를 마치겠습니다!

---

 이 내용들은 모두 coursera에서 앤드류 응 교수님의 강의를 요약정리 및 쉽게 재풀이 하여 적은 글이며, 

내용에는 생략되거나 변형된 부분이 많으니 직접 강의를 들어보시는 걸 추천드립니다! 

(상업적 목적이 아닌, 한국어로 인공지능을 배우고 싶은 분들을 위한 교육적 목적에서 작성하였습니다.)

혹시 궁금증이나 물어보실 말이 있으시면 언제든지 댓글 남겨주세요!  부족하지만, 아는 선에서 최대한 답해드리겠습니다.