인공지능, 머신러닝, 딥러닝의 정의

의미 있는 데이터로의 변환이 핵심

머신러닝의 경우 가설 공간 속에서 입력 데이터에 대한 유의미한 변화를 모색

딥러닝은 층 기반 표현 학습 혹은 계층적 표현 학습을 기반으로 이루어지는데

주로 신경망이라는 모델을 사용하여 표현 층 학습 (책 p34,35 참고)

가중치에 입력 데이터 처리 상세 내용이 저장되어 있음.

(1-7 참고) 학습 : 주어진 입력을 정확한 타깃에 매핑하기 위해 신경망의 모든 층에 있는 가중치 값을 찾는 것

오류를 조정하기 위해서는 신경망의 손실함수 또는 목적함수를 이용해야 함

훈련 반복을 통해 손실함수 최소화하는 가중치 값 산출

(대강 AI 등장배경)

초창기 신경망이라는 개념이 있었는데 커널 방법이라는 신문물 등장(대표적으로 SVM)

마진 최대화 단계를 거쳐 결정경계를 찾고 이 결정 경계가 훈련 데이터셋 이외 새로운 샘플에 잘 일반화하도록 도와줌.

간단한 분류 문제에 대해서는 깡패 수준이었지만 대용량 데이터셋 및 이미지 분류에서 약점을 보였음.

그 이후로도 결정 트리, 랜덤 포레스트 등 다양한 알고리즘이 나왔고 그래디언트 부스팅이 가장 많이 사용되고 있다.

신경망 또한 각종 이미지 분류 대회에서 부각을 나타내며 다시 수면 위로 떠오르기 시작.

이전 방법의 경우 주로 얕은 학습에서만, 수동화 학습이 잘 이루어졌다면 이번의 딥러닝은 완전히 자동화된 방법으로 작업 흐름을 단순화 시킬 수 있었다.

층을 거치면서 점진적으로 더 복잡한 표현이 만들어짐과 동시에 중간 표현이 공동으로 학습되게 한다.