인공지능과 딥러닝

인공지능의 성공 이야기 인공지능이 각광을 받고 있는 것은 최근인데, 대부분 이전에 다루기 어렵게 여겨졌던 문제들에 대한 해결책 때문이다. 애플의 시리, 아마존의 알렉사, 구글의 어시스턴트 등 지능적인 어시스턴트들은 일성적인 질문에 합리적인 정도의 정확도로 답할 수 있다. 여기에는 조명 스위치 켜기(장애인에게 이로운 점)부터 이발소 약속 잡기, 전화 지원 대화 상자 제공 등 사소한 업무도 포함된다. 이는 인공지는이 우리 생활에 영향을 주고 있다는 가장 눈에 띄는 징후일 것이다. 디지털 도우미의 핵심 요소는 말을 정확하게 인식하는 능력이다. 점차적으로 그러한 시스템의 정확도는 특정 용도에 대해 인간 동등성에 도달할 정도로 증가하였다[Xiong 등, 2018년]. 물체 인식도 마찬가지로 먼 길을 왔다. 사진 ..

인공지능 2020. 7. 27. 11:42

인공지능의 지나온 세월 이러한 변화의 대부분은 인터넷으로 인해 대량의 데이터를 즉시 사용할 수 있게 되면서 변화되었다.온라인에서 수억 명의 사용자를 서비스하는 기업의 출현, 값싼 고품질 센서의 보급, 값싼 데이터 스토리지(크라이더의 법칙), 값싼 컴퓨팅(모어의 법칙), 원래 컴퓨터 게임을 위해 사용되던 특히 GPU의 형태 발전이 큰 변화를 만들었다. 갑자기 연산적으로 실현 불가능해 보이는 알고리즘과 모델이 관련되었다. 일단 RAM이 데이터 증가와 보조를 맞추지 못하고 있는 것은 분명하다. 동시에, 계산 능력의 증가가 이용 가능한 데이터의 증가량을 앞질렀다. 컴퓨팅 성능의 증가로 인해 이러한 매개변수를 최적화하는 데 더 많은 시간을 할애할 수 있다. 즉, 통계적 모델에서 메모리 효율성이 향상되어야 함을 의..

인공지능 2020. 7. 23. 10:26

인공지능에 대한 평가 강화하습 프레임워크의 일반성을 과대평가하는 것은 어렵다. 예를 들어, 우리는 감독되는 학습 문제를 RL 문제로 제기할 수 있다. 분류에 문제가 있었다고 가정할때 우리는 각 클래스에 해당하는 하나의 동작으로 강화하급 에이전트를 만들 수 있다. 그런 다음 우리는 원래 감독된 문제로부터 손실 기능과 정확히 동등한 보상을 주는 환경을 조성할 수 있을 것이다. 말하자면, 강화학습은 또한 학습을 감독할 수 없는 많은 문제들을 다룰 수 있다. 예를 들어, 감독된 학습에서 우리는 항상 교육 입력이 올바른 라벨과 연관되기를 기대한다. 그러나 강화학습에서는 각 관측치에 대해 환경이 최적의 작용을 알려준다고 가정하지 않는다. 일반적으로, 우리는 약간의 보상을 받는다. 게다가 환경은 우리에게 어떤 행동이..

인공지능 2020. 7. 12. 12:39

인공지능과 감독없이 훈련을 한다면? 지금까지의 모든 예는 감독된 학습, 즉 모델에게 특징과 해당 목표값을 모두 포함하는 거대한 데이터 집합을 공급하는 상황과 관련이 있었다. 여러분은 감독 받는 학습자가 매우 전문화된 직업과 극도로 히스테리적인 보스를 가지고 있다고 생각할 수 있다. 상사는 당신의 어깨 너머로 당신이 상황부터 행동까지 지도를 만드는 법을 배울 때까지 모든 상황에서 무엇을 해야 하는지 정확히 알려준다. 그런 상사를 위해 일하는 것은 꽤나 궁색하게 들린다. 반면에 이 상사의 비위를 맞추기는 쉽다. 당신은 가능한 한 빨리 패턴을 인식하고 그들의 행동을 모방할 뿐이다. 완전히 정반대의 방법으로, 당신이 무엇을 하기를 원하는지 전혀 모르는 상사를 위해 일하는 것은 좌절감을 줄 수 있다. 하지만, 데..

인공지능 2020. 7. 9. 16:23

인공지능과 랭킹설정 때때로 우리는 단지 각각의 예를 버킷이나 실제 값에 할당하지 않으려는 경우가 있습니다. 정보 검색 분야에서는 일련의 품목에 순위를 매기고 싶다. 웹 검색을 예로 들어보면, 목표가 특정 페이지가 쿼리와 관련이 있는지 여부를 결정하는 것보다는, 어떤 검색 결과가 특정 사용자와 가장 관련성이 높은가가 더 관련이 있다. 우리는 관련 검색 결과의 순서에 정말 신경을 쓴다.그리고 우리의 학습 알고리즘은 더 큰 집합에서 순서가 정해진 하위 집합을 만들 필요가 있다. 다시 말해서, 만약 우리가 알파벳으로부터 처음 5글자를 생산하도록 요구 받는다면, A B C D E와 C A B E D 사이에 차이가 있다. 결과 집합이 같더라도 집합 내의 순서가 중요하다. 이 문제에 대한 가능한 한 가지 해결책은 먼..

인공지능 2020. 7. 8. 15:51

인공지능과 클래스 기준 분류에서, 우리는 우리의 모델이 형상 벡터(예: 영상의 픽셀 값)를 살펴보기를 원한다. 그럼 다음 분류 대상의 특성을 셋팅한 다음 어느 카다로그(공식적으로는 분류)에 해당하는지 예측을 한다. 손으로 쓴 숫자의 경우 0에서 9까지의 숫자에 해당하는 10 개의 클래스가 있을 수 있다. 분류의 가장 간단한 형태로, 두 개의 분류만 있을 때 우리는 이향분류라고 부른다. 예를 들면 우리의 데이터 집합 (X)는 동물의 이미지로 구성될 수 있다. 그리고 우리의 라벨 (Y)은 클래스는 /(mathrm{//{cat, dog/}/) 일수 있다. 회귀 분석 중에서, 실제 값 /(/hat{y}/)을 출력하기 위해 회귀요인을 찾았다. 분류 중에서는 출력 /(/hat{y}/)이(가) 예측 클래스 할당인 분..

인공지능 2020. 7. 4. 18:11

인공지능과 분석방식 중에 아마도 가장 간단한 지시 학습 과제 회귀는 머리를 감싸는 것이다. 예를 들면 가정 판매 데이터베이스에서 수집된 데이터 집합을 생각해보자. 우리는 각 행이 서로 다른 집에 해당하는 테이블을 지을 수도 있고,각 기둥은 예를 들어, 집의 네모난 영상, 침실 수, 욕실 수, 그리고 시내 중심부로 가는 시간(보행 시간)과 같은 것에 관련되어 있다. 이 데이터 집합에서 각 예는 특정 집이 될 것이며 해당 형상 벡터는 표의 한 행이 될 것이다. 만약 당신이 뉴욕이나 샌프란시스코에 살고 있고, 당신이 아마존, 구글, 마이크로소프트, 페이스북의 CEO가 아니라면, (sq. 면적, 침실 번호, 욕실 번호, 도보 거리) 특징 벡터는 /([100, 0, .5, 60]\)와 같이 보일 수 있다. 그러나..

인공지능 2020. 6. 30. 16:53

인공지능과 샘플 그리고 모델기능 학습기계의 형식적인 수학적 체계를 개발하기 위해서, 우리는 우리의 모델이 얼마나 좋은지(또는 나쁜지)에 대한 공식적인 측정이 필요하다. 머신러닝과 최적화에 있어서, 우리는 이것을 객관적 기능이라고 부른다.습관적으로 우리는 개관적인 기능은 낮은것이 더 좋은 것이다. 라는 하나의 관습에 불과한 통념을 가지고 있다. 어떤 기능 f는 더 높은 것이 더 낫으면 선택할 수 있다. 그리고 질적으로 동일하게 새로운 함수 f`로 바꾸어도 낮은것이 더 좋은 것의 통념으로 f`=-f 세팅으로 한다. 이러한 기능을 손실 함수 또는 비용 함수라고도 한다. 숫자 값을 예측하려고 할 때, 가장 일반적인 목표 함수는 제곱 오차(y-y^)2 입니다. 분류의 경우, 가장 일반적인 목표는 오류율을 최소화하..

인공지능 2020. 6. 28. 20:42