기계학습 (Machine Learning)

Presentation on theme: "기계학습 (Machine Learning)"— Presentation transcript:

1 기계학습 (Machine Learning)
- 인공지능 - 기계학습 (Machine Learning) 동국대학교 경주캠퍼스 컴퓨터멀티미디어학부 4학년 , 김혜선

2 1. 정 의 기계학습(Machine Learning)이란 ?
- 인공지능의 한 분야로 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 인공지능(AI, Artificial Intelligence)에서의 학습이란? - 프로그램을 하나의 문제를 수행한 후에 그 추론과정에서 얻은 경험을 바탕으로 시스템의 지식을 수정 및 보완하여, 다음에 그 문제나 또는 비슷한 문제를 수행 할 때에는 처음보다 더 효율적이고 효과적으로 문제를 해결할 수 있는 적응성

3 2. 구현 방법 신경망 (Neural Network) 데이터마이닝(Data mining)
의사결정 트리 (Decision Tree) 유전 알고리즘 (Genetic Algorithm) 사례기반 추론(Case Based Reasoning) 패턴인식(Pattern Recognition) 강화학습(Reinforcement Learning) 등

4 3. 신경망 (Neural Network) 신경망은 생명체의 신경조직에서 착안하여 모델화한 정보처리 시스템
단순한 소자들의 병렬, 분산 연결구조를 가짐 외부로부터 받아들이는 입력에 대해 동적 반응을 일으키면서 필요한 출력 생성 즉, 생명체의 특수 정보처리 기능을 부분적이나마 모방하고자 신경망이 개발됨

5 4. 데이터마이닝 (Data mining) 데이타마이닝 (Data Mining) 이란 ?
- 대량의 데이터로부터 새롭고 의미있는 정보를 추출, 의사결정에 활용하는 작업 - Mining 이란 ‘광물을 캐다’라는 의미이며 대용량의 DataBase에서 중요한 정보를 캔다는 의미이다. - Data Mining 은 데이터에서 패턴, 연관, 변화, 예외, 규칙, 통계적으로 중요한 구조와 사건들을 찾아내는 반 자동 시스템이다. 즉, 데이터에서 지식을 추출 해 내려는 시도이며 여러 가지 면에서 전통적인 통계와는 다르다. - 현실세계에서 데이터베이스에 감춰진 유용한 정보를 캐내고자 하는 욕구가 기계학습에서 사용된 기법을 Data Base 인데 적용하기에는 어려움이 따른다. - 데이터베이스는 갱신이 수시로 이루어지고 데이터가 없을 수도 있고, 오류가 있을 수도 있다. 대량의 데이터를 보유하기 때문에 현실세계에 적용시키기가 어렵다.

6 5. 의사결정 트리 (Decision Tree)
- 흥미 있는 아이템을 분류하거나 평가하기 위한 절차를 그래픽으로 표현한 것. 예를 들어, 환자의 증상이 주어졌을 때, 가능성 있는 진단명을 결정하고 치료 방 법을 추천하기 위해 사용될 수 잇다. 즉, 축적해 놓은 자료로부터 환자의 증상에 서 간염이라 는 진단을 얻고 그래서 사망할 가능성을 예상하기 위해 Decision Tr ee)를 사용할 수 있다.

7 6. 유전 알고리즘 [Genetic Algorithm]
- 자연계에 있어 생물의 유전과 진화의 메커니즘을 공학적으로 모델화 하는 것 에 의해 생물이 갖는 환경에서의 적응능력을 취급하는 것이다. 즉, 자연세계의 진화 과정을 컴퓨터 상에서 시뮬레이션 함으로써 복잡한 실 세계의 문제를 해결하고자 하는 계산 모델이다. - 유전 알고리즘을 이용하여 어떤 문제에 대한 해를 찾기 위해서는 먼저 두 가지 작업이 필요하다. 풀고자 하는 문제에 대해 가능한 해를 염색체의 한 형태로 표현(Encording)하는 것. 각 염색체가 문제를 해결하는데 얼마나 좋은지를 측정하기 위한 평가함수 즉, 적합함수(Fitness Function)을 결정하는 것이다.

8 7. 사례 기반 추론 (Case-based Reasoning)
사례 기반 추론 (Case-Based Reasoning; CBR) 이란? - 귀납법(Induction)과 유추(Analogy) 와 유사한 개념이다. 즉 유사한 과거 문제의 해결에 기초해서 새로운 문제를 해결하는 과정이다. 모든 추론(Reasoning)은 과거에 경험한 것 또는 열심히 연습해서 받아들여 진 과거의 사례에 기초해서 이루어진다라는 생각을 바탕으로 한다. CBR이 컴퓨터 추론 목적으로 형식화 될 때는 다음의 4단계 과정을 거침 검색 (Retrieve) : 대상문제가 주어지면, 메모리에서 그것을 풀 적절 사례를 검색한다. 재사용 (Reuse) : 이전의 사례로부터 대상문제의 해를 연결(map), 새로운 상황을 적응(adapting)시키는 것 포함 수정 (Revise) : 이전의 해법을 대상의 상황에 연결, 테스트, 수정한다. 유지 (Retain) : 해법이 성공적으로 대상문제에 적용된 후에 그러한 새로운 경험이 메모리에 가득 사례로서 저장된다.

9 8. 패턴 인식 ( Pattern Recognition )
패턴인식은 데이터로부터 중요한 특징이나 속성을 추출하여 입력 데이터를 식별할 수 있는 부류로 분류하며 정의 될 수 있다. 인간이 매우 복잡한 정보 시스템이라고 할 수 잇는 부분적 이유는 월등한 패턴 인식 능력을 보유하기 때문이다. 패턴인식과 연관은 인간의 ‘사고’의 핵심이다. 인간의 시청각을 통한 인지 능력을 컴퓨터 상에 모방하여 상황에 대한 의미를 파악하고 시시각각으로 변하는 것을 분석 예측하는 것들이 대표적인 패턴인식 의 능력이라 할 수 있다. 패턴인식은 인공지능에서 매우 중요하며, 그 이유는 인간의 사고방식이나 예측 하는 방법이 과거 유사 패턴을 비교하고 생각할 수 있기 때문이다.

10 9. 강화 학습 (Reinforcement Learning) 1
- 잘한 행동에 대해 칭찬 받고 잘못한 행동에 대해 벌을 받는 경험을 통해 자신의 지식을 키워나가는 학습법이다. 즉, 컴퓨터(로봇)이 여러 번의 실패와 성공 경험을 쌓으며 주어진 작업을 잘 수행할 수 있도록 하는 것이다. 컴퓨터는 어던 상태에서 가능한 행동들 중의 하나를 선택, 이 행동에 결과에 따른 포상(Reward)를 받는다. 자신과 환경과의 상호 관계와 이에 따른 강화 신호를 통하여 자신의 행동을 개선해 나가는 방법으로 환경에 대한 정확한 사전 지식 없이 학습 및 적응성을 보장하기 때문에 컴퓨터의 학습에 유용하다.

11 9. 강화 학습 (Reinforcement Learning) 2
수치로 표현되는 보상 신호를 최대로 하기 위해서 무엇을 해야 할지 (상황과 행 동을 매핑 할지)를 학습한다. 문제점 – 취한 행동에 대한 보상이 즉각적으로 계산되지 않을 경우 학습이 어렵다.