6-① 탠서플로우를 통한 데이터 예측

인공지능 ⊃ 머신러닝 ⊃ 딥러닝

• 인공지능
  • 최근에 등장한게 아니라 1950년대에 등장
  • 하지만, 학습 속도도 느리고, 학습할만한 데이터도 많지 않았음
  • 현재는. 기술의 발전으로 학습속도 빨라지고, 학습할 데이터도 많고, 데이터 저장 수집 장비 저렴해짐 → 빅데이터 처리 가능해짐
• 머신러닝
  • 기존에 있는 메일, 스팸메일 분류한 데이터를 가지고 학습해서 새로운 메일이 왔을 때 스팸인지 아닌지 구분
  • 정형 데이터는 머신러닝으로 충분히 분류 가능
• 딥러닝
  • 이미지, 음성, 텍스트 같은 경우는 용량이 훨씬 크고
  • 비정형 데이터는 예측할 때 인공 신경망을 사용해야 훨씬 더 좋은 성능을 낼 수 있음

 

머신러닝 과정

 

머신러닝 구분

• 정답이 있으면 🙆🏻‍♀️ 지도학습
  • 예측할 데이터가 범주형 데이터 ➡️ 분류
  • 연속된 수치 데이터 ➡️ 회귀
• 정답이 없으면 🙅🏻‍♀️ 비지도 학습
  • 범주형 데이터 ➡️ 비슷한 범주끼리 묶어주는 군집화 clustering
  • 데이터의 차원을 압축, 요약 ➡️ 차원 축소 기법 사용

 

 

지도학습에서 분류와 회귀의 차이

 

 

지도학습 과정 (for 예측)

• traing data(모델 학습시킬 데이터), test data(실전 예측)로 나눠야 해
• 데이터 내에서도 문제와 정답을 따로 나눠
• 모델을 만들어서 학습하고, 실전 문제를 가지고 예측 → 평가 (정확도 측정)

 

 

 

뉴런

• 모델을 만들 때, 인공신경망을 사용하는 탠서플로우를 사용한다!
• 인공신경망 : 인간의 뉴런을 본따서 만든 것
  • 입력 → 연산 (임계치 값에 따라) → 출력

 

 

인공신경망 아키텍쳐 (Layer)

• 인공신경망을 층층이 쌓아서 구성함 : Layer
  • input layer : 입력층
  • hidden layer : 은닉층 (1개일수도, 여러개 일수도)
  • output layer : 출력층
• 인공신경망 layer를 직접 구축해서 데이터 예측 가능