인공지능, 머신러닝, 딥러닝의 관계

1. 인공지능 (AI): 인간의 지적 능력을 컴퓨터로 구현.
   • 강인공지능 (Strong AI): 인간 능력 초월.
   • 약인공지능 (Weak AI): 특정 영역 도구로 설계.
2. 머신러닝 (ML):
   • 컴퓨터가 데이터를 분석하고 학습하여 새로운 규칙 발견.
   • 학습 과정:
     1. 빅데이터 입력.
     2. 모델 생성.
     3. 예측/판단 수행.
3. 딥러닝 (DL):
   • 다층 인공신경망으로 구성.
   • *‘딥’**은 층의 깊이를 의미, 성능 향상에 기여.

머신러닝과 딥러닝의 차이점

• 머신러닝: 인간 개입 필요 (레이블 지정, 특징 추출).
• 딥러닝: 스스로 학습 (특징 추출 및 결과 도출).

머신러닝의 주요 도전 과제

1. 데이터 확보:
   • 머신러닝은 다양한 데이터가 필수.
   • 가중치를 이용하여 중요한 객체 구분.
2. 과적합 (Overfitting):
   • 훈련 데이터를 지나치게 학습하면 성능 저하.
   • 최적의 그래프는 훈련 데이터와 실제 데이터 모두 반영.
3. 유연성 부족:
   • 다른 사람이 만든 모델 재사용 가능하지만 데이터 공유는 제한적.

머신러닝 알고리즘

1. 지도학습:
   • 분류: 데이터를 그룹으로 분류.
     • 알고리즘: KNN, SVM, 의사결정나무, 로지스틱 회귀.
   • 예측: 연속형 변수의 관계 추정.
2. 비지도학습:
   • 군집화: 데이터 간 유사도에 따라 분류.
     • K-평균 군집화, 밀도기반 클러스터링(DBSCAN).
3. 강화학습:
   • 에이전트가 보상을 통해 최적 행동 학습.
     • 큐러닝, 딥큐러닝(DQN).

노란색 강조: