인공지능30 기계 학습 3. 분류(Classification) 서론 기계 학습에서 Classification(분류)은 데이터를 미리 정의된 클래스 또는 카테고리로 분류하는 작업을 의미한다. Classification은 데이터 분석, 패턴 인식, 예측 및 의사 결정 등 다양한 분야에서 중요한 역할을 하며, 기계 학습의 주요 응용 분야 중 하나이다. MNIST MNIST(엠니스트) 데이터셋은 70,000개의 손으로 쓴 작은 숫자 이미지로 구성된 데이터이다. 이 데이터셋은 미국 인구조사국의 고등학생과 직원들에 의해 손으로 쓰인 숫자 이미지로, 각 이미지는 해당하는 숫자로 레이블링 되어 있다. Scikit-Learn에서 로드한 데이터셋은 일반적으로 다음과 같은 딕셔너리 구조를 가지고 있으며, 이 안에는 다음과 같은 키(key)들이 포함되어 있다. from sklearn.d.. 2023. 9. 20. 기계 학습 2.프로젝트 진행 과정 서론 기계학습이 만들어지는 일반적인 흐름을 살펴보며 기계학습에 대한 이해를 높여보자. 과정 큰 그림 보기(Look at the big picture.) 데이터 가져오기(Get the data.) 데이터 시각화로 통찰력 갖기(Discover and visualize the data to gain insights.) 머신 러닝을 위한 데이터 준비(Prepare the data for Machine Learning algorithms.) 학습 모델 선정(Select and train a model.) 모델 조정(Fine-tune your model.) 출시 및 관리, 유지 보수(Launch, monitor, and maintain your system.) 큰 그림 보기 문제 정의 머신러닝 모델을 구축하는 것이.. 2023. 9. 18. 기계 학습 1.기본 개념 서론 머신 러닝(Machine Learning)은 데이터로부터 학습하는 컴퓨터 과학의 한 분야이다. 최근에 AI가 많은 관심을 받고 있다. 이 기술은 최근에 만들어진 개념이 아니라, 과거부터 존재했던 개념이다. Arthur Samuel(1959)은 "머신 러닝은 컴퓨터가 데이터로부터 학습할 수 있도록 프로그래밍하는 과학"이라고 정의했다. Tom Mitchell(1997)은 "머신 러닝은 컴퓨터에게 명시적으로 프로그래밍하지 않고도 학습할 수 있는 능력을 부여하는 연구 분야"라고 설명했다. 이렇듯 과거에서도 많은 연구가 있었고 현재에 와서 다양한 실용성을 가진 인공지능이 등장했기에 각광을 받는 것이다. 머신 러닝(Machine Learning, 기계학습) 핵심 개념 머신 러닝의 핵심 개념 중 하나는 경험(E.. 2023. 9. 13. 강화학습 실습 코드 보호되어 있는 글 입니다. 2023. 5. 23. 강화 학습 8. The Asynchronous Advantage Actor Critic(A3C) Network 서론 DQN(Deep Q Network)이 Atari 게임을 플레이하기 위해 학습을 일반화하는 데 어떻게 성공했는지 알아보았다. 그러나 많은 양의 계산 능력과 훈련 시간이 필요했다. 그래서 Google의 DeepMind는 A3C(Asynchronous Advantage Actor Critic) 알고리즘이라는 새로운 알고리즘을 도입했는데, 이 알고리즘은 계산 능력과 교육 시간이 덜 필요하다는 장점이 있다. A3C의 기본 아이디어는 병렬 학습을 위해 여러 에이전트를 사용하고 전체 경험을 집계한다는 것이다. 이 페이지에서 A3C 네트워크가 어떻게 작동하는지 알아보자. 사전 지식 Advantage Function Q 함수가 상태 𝑠에서 에이전트가 행동 𝑎을 수행하는 것이 얼마나 좋은지 지정하고 가치 함수(val.. 2023. 5. 23. 강화 학습 7. Deep Q Network(DQN) 서론 DQN(Deep Q Network)은 DRL(심층 강화 학습) 알고리즘이자 딥러닝과 강화학습을 결합한 알고리즘이다. DQN은 딥러닝 신경망을 사용하여 강화학습 에이전트를 학습시키고, 최적의 행동을 결정하는 Q-함수를 근사하는 방식을 가진다. 이전의 강화학습 알고리즘과 달리, 특징 추출기와 Q-함수 근사기를 하나의 신경망으로 통합하여 end-to-end 학습이 가능해졌다. 이를 통해 데이터 처리 속도가 향상되어 효과적인 학습이 가능해졌으며, 여러 복잡한 게임에서 인간 수준의 성능을 보이는 결과를 얻었다. 이 알고리즘을 제시한 Google의 DeepMind 연구원은 게임 화면을 입력으로 사용하여 모든 Atari(아타리) 게임을 할 때 인간 수준의 결과를 얻었다. Deep Q Networks (DQNs).. 2023. 5. 16. 강화 학습 6.Deep Learning Fundamentals 서론 딥러닝이 발전을 하면서 알파고와 같은 딥러닝과 강화학습이 결합된 형태가 생겨났기에 딥러닝의 간단한 개념에 대해 공부한 다음에 결합된 형태에 대해 알아보자. Artificial Neuron 뉴런은 인간 두뇌의 기본 계산 단위이다. 뉴런은 수상돌기라고 하는 가지 모양의 구조를 통해 외부 환경, 감각 기관 또는 다른 뉴런으로부터 입력을 받는다. 이러한 입력은 강화되거나 약화된다. 즉, 중요도에 따라 가중치가 부여된 다음 체세포(soma, 세포체)에서 함께 합산된다. 그런 다음 세포체에서 이러한 합산된 입력이 처리되어 축삭을 통해 이동하고 다른 뉴런으로 전송된다. 인공뉴런은 입력으로 외부, 센서 혹은 다른 뉴런에서 들어오며 weights를 곱하고 모든 입력의 합한 뒤 bias를 더해준다. 만약 입력이 하나.. 2023. 5. 9. 강화 학습 5.Multi-Armed Bandit (MAB)Problem 서론 이전 장에서 RL 및 여러 RL 알고리즘의 기본 개념과 RL 문제를 MDP(Markov Decision Process)로 모델링하는 방법에 대해 배웠다. MDP를 해결하는 데 사용되는 다양한 모델 기반(model-based) 및 모델 없는(model-free) 알고리즘도 보았다. 이제, RL의 고전적인 문제 중 하나인 MAB(Multi-Armed Bandit) 문제를 볼 것이다. MDP는 일련의 상태(state)와 행동(action)의 시퀀스를 관찰하고, 각 시점에서의 보상(reward)을 최대화하기 위한 최적의 정책(policy)을 찾는 문제로 상태와 행동의 시퀀스를 고려하여 최적의 정책을 찾는 것이 목표이다. 반면, MAB 문제에서는 여러 개의 선택(arm) 중에서 최적의 선택을 찾는 것이 목표.. 2023. 4. 25. 강화 학습 4.Temporal Difference(TD) Learning 서론 Monte Carlo 방법은 에피소드 환경에만 적용된다는 단점과 에피소드가 매우 길면 가치 함수를 계산하기 위해 오랜 시간이 걸린다는 단점이 있다. 따라서 모델 없거나(model-free), 모델 역학(model dynamics)을 미리 알 필요가 없는 비 에피소드 작업에도 적용 가능한 학습 알고리즘인 TD(temporal difference) 학습에 대해 알아보자. TD(Temporal Difference) Learning TD방식은 Monte Carlo로 아이디어와 dynamic programming 아이디어의 결합한 방식이다. Monte Carlo 방법과 마찬가지로 TD 방법은 환경의 dynamics models 없이 원시 경험에서 직접 학습할 수 있다. 또한, DP와 마찬가지로 TD 방법은 .. 2023. 4. 18. 이전 1 2 3 4 다음 반응형
