22EE DOEN

1. 1950년대: AI 개념의 등장1.1 튜링 테스트 (1950년)앨런 튜링(Alan Turing)은 "생각하는 기계가 가능한가?" 라는 질문을 던졌고, 기계가 인간처럼 지능적인 행동을 보일 수 있는지 평가하는 방법을 제안함.튜링 테스트(Turing Test):사람이 AI와 인간을 구별하지 못하면 AI가 지능을 가졌다고 간주하는 방식이후 이 개념은 AI 연구의 철학적 기초가 됨_1.2 다트머스 컨퍼런스 (1956년) – AI의 탄생"인공지능(Artificial Intelligence)"이라는 용어가 처음 사용됨존 매카시(John McCarthy), 마빈 민스키(Marvin Minsky), 클로드 섀넌(Claude Shannon) 등이 참여목표: 인간처럼 사고하는 기계를 만드는 연구초기 연구에서 퍼셉트론..

# 검증과 과적합 Overfitting0. 데이터의 중요성  - 머신러닝에서 가장 중요한 것은 데이터의 품질과 양  - 데이터를 바탕으로 다양한 모델을 구축하고 문제에 적합한 모델을 선택해야 함.  1. 데이터의 분리  : 훈련용(Training)+검증용(Validation)/테스트용(Test) 으로 데이터를 분리   - 목적: 모델 학습 시 과적합을 방지하고 성능 평가의 신뢰성, 학습률을 높임.  - 진행 과정    1) 훈련 데이터로 모델 학습.    2) 검증 데이터로 모델 성능을 조정 및 평가.    3) 테스트 데이터로 최종 평가 수행.  2. K겹 교차 검증 (K-Fold Cross Validation)  - 데이터를 여러 겹으로 나누어 교차 학습 및 검증  -  1 차 평가 후 테스트용 데이..

#경사하강법 Gradient Descent  : 모델의 Cost를 최소화하기 위해 반복적으로 최적화    (산 정상에서 아래로 내려가는 과정에 비유)  1. 과정  2. 학습률(Learning Rate)   # Kernel Method 커널 기법  : 고차원 공간으로 데이터를 변환하여 선형적으로 구분되지 않는 데이터를 구분     (⟶ n차 방정식)  1. 방법  1) 입력 변수(feature) 추가하여 데이터셋 확장  2) 둘로 나누는 직선을 찾음  3) 기존의 데이터셋과 잘 맞는 곡선으로 변환  2. 커널 기법  1) 직선으로 나눌 수 없는 데이터셋이 주어지면  2) 각 포인트에서 원점까지의 거리의 제곱에 해당하는 값을 z축 상에 추가하여 각 포인트가 포물면 상에 위치하도록 함      (전체가 2차..

# 로지스틱 회귀(Logistic Regression)  : 선형 회귀를 그대로 사용하면 예측값이 0에서 1을 벗어날 수 있다는 문제가 있음   3. Cost Function - 좋은 Cost Function   : 데이터가 정확히 분류되면 작은 값, 잘못 분류되면 cost나 error가 큰 값  - 선형 회귀의 Absolute 나 Square Error는 분류 문제에 적합하지 않음  # Log Loss Cost (Logarithmic Loss)  : Log Loss = -ln(데이터를 lable로 예측할 확률)

# 선형 회귀와 모델의 종류0. 지도학습(Supervised Learning)  ex) 고양이와 개 사진 데이터에서 'Dog' 또는 'Cat'이라는 레이블을 기반으로 모델 학습      → 새로운 사진에서 어떤 동물인지 예측  1. 회귀(Regression) 모델 : 주어진 데이터셋과 가장 가까운 직선을 그림   ex) 방 개수에 따른 주택 가격 예측  2. 선형 회귀 모델 (Linear Regression) - 목표: 데이터를 기반으로 직선(선형 모델)을 찾아 예측값을 생성하기 - 직선 조정 방법   : 기울기와 y절편 값을 조금씩 바꿔나감 (회전)  - 학습 알고리즘  1) 기울기와 y절편 초기값 설정 (random)  2) 데이터를 ‘반복’적으로 샘플링하며 직선을 점점 데이터에 맞추기  3) 최적화..

주요 내용은 복습 겸 반복# 머신러닝(ML): 데이터를 기반으로 학습하고 패턴을 예측하는 알고리즘의 개발과 구현에 중점을 둔다.- 세부 단계 1) 데이터 수집 및 처리: 대량의 데이터를 확보하고 정리 2) 모델 학습: 데이터를 사용하여 알고리즘을 학습 3) 예측 및 평가: 학습된 모델로 새로운 데이터를 예측하고 성능 평가# 머신러닝 학습 방식1. 지도 학습 Supervised Learning : 레이블(label)이 있는 데이터를 사용해 학습   ex) 분류(Classification), 회귀(Regression)2. 비지도 학습 Unsupervised Learning : 레이블이 없는 데이터를 통해 패턴이나 군집을 찾음   ex) 클러스터링(Clustering)3. 강화 학습 Reinforcement ..

목표 : 머신러닝의 개념을 정리하고, 파이썬 실습을 통한 실전 데이터 활용법 익히기.파이썬은 구글 Colab 혹은 VS Code를 활용함. # Basic Keywords- 머신러닝 : 주어진 데이터들을 자동으로 학습하고 알맞은 분류/규칙을 생성.- 딥러닝 : 하위 개념, 신경망을 모방하여 스스로 데이터를 학습하고 진화해나가는 형태.- 생성형 AI : 확보된 데이터를 바탕으로 새로운 contents를 형성.  # # #사람의 판단과정) Remember -> Formulate -> Predict 이를 머신에 적용함으로써 이전 데이터를 수집, 저장하여 모델(규칙)을 찾고 미래 데이터를 예측하게 됨. 명시적인 프로그래밍 코드로 동작하는 것이 아닌, 컴퓨터가 스스로 학습하는 능력을 부여하는 것!  # 지도학습(S..

생활코딩 채널의 Machine Learning 1 강좌 수강. (youtube 재생목록)https://www.youtube.com/playlist?list=PLuHgQVnccGMDy5oF7G5WYxLF3NCYhB9H9 Machine learning 1 www.youtube.com(오픈튜토리얼 ebook)https://opentutorials.org/module/4916 Machine learning 1수업소개 이 수업은 인공지능을 구현하는 기술인 머신러닝(Machine learning)을 다루는 수업입니다. 수업대상 수업을 보는 다른 방법 생활코딩 유튜브 채널을 통해서도 공부할 수 있습니다. https://wopentutorials.org #내용 정리2강) 수치와 통계를 비교하여 '결정'을 내리기 위한 ..