AI, ML, DL의 차이점 이해 !!

인공 지능, 기계 학습 및 딥 러닝의 차이점 이해

“The Matrix”,“The Terminator”,“Interstellar”와 같은 유명한 할리우드 영화의 주요 초점이었던“인공 지능”이라는 용어는 우리 대부분이 익숙 할 것이라고 확신합니다. 할리우드 영화와 공상 과학 소설에서 AI를 인간과 같은 로봇이 지구를 점령하는 것으로 묘사하고 있지만, AI 기술의 실제 진화는 그다지 영리하거나 무섭지 않습니다. 대신 AI는 의료, 소매, 제조, 은행 등과 같은 산업 전반에 걸쳐 다양한 이점을 제공하도록 성장했습니다.

인공 지능, 기계 학습, 딥 러닝, 데이터 과학은이 시대에 인기있는 용어입니다. 그리고 그것이 무엇인지 그리고 그들 사이의 차이점을 아는 것이 그 어느 때보 다 중요합니다. 이러한 용어는 밀접하게 관련되어있을 수 있지만 차이점이있을 수 있지만 아래 이미지를 참조하여 시각화하십시오.

작가 사진

인공 지능이란 무엇입니까?

1950 년 앨런 튜링 (Alan Turing)이“기계가 생각할 수 있는가?”라는 질문을 제기 한 이래로 인간은 오랫동안 AI를 만드는 데 집착 해 왔습니다. AI는 기계가 생각할 수있게합니다. 결정. 기계가 인간의 지능을 가지고있는 것처럼 보이게하는 것은 컴퓨터 과학의 광범위한 영역입니다. 따라서 교통 신호에 따라 자동차를 운전하도록 컴퓨터를 프로그래밍하는 것뿐만 아니라 그 프로그램이 인간과 같은 도로 분노의 징후를 보여주는 법을 배우는 것입니다.

인공 지능 HubSpot의 이미지

인공 지능 시스템의 종류

AI 시스템은 인간 행동을 모방하는 능력, 그렇게하는 데 사용하는 하드웨어, 현실 세계에서의 응용 프로그램 및 마음 이론에 따라 분류됩니다. 비교를 위해 이러한 기능을 사용하여 모든 인공 지능 시스템의 실제 및 가상 시스템은 세 가지 유형 중 하나로 분류됩니다.

ANI : 인공 좁은 지능

인공 좁은 지능은 약한 AI로도 알려져 있으며 오늘날 우리 세계에 존재하는 유일한 AI 유형입니다. Narrow AI는 목표 지향적이며 단일 작업을 수행하도록 프로그래밍되어 있으며 프로그래밍 된 특정 작업을 완료하는 데 매우 지능적입니다. ANI의 예로는 Siri, 비행기의 자동 조종사, 채팅 봇,자가 운전 자동차 등이 있습니다.

좁은 AI 시스템은 인간처럼 의식적이거나 지각 적이거나 감정에 의해 주도되지 않으며, 특정 데이터 세트의 정보를 사용하며 수행하도록 설계된 단일 작업을 벗어나는 작업을 수행하지 않습니다.

AGI : 인공 일반 지능

강력한 AI라고도 불리는 인공 일반 지능은 기계가 인간의 지능을 나타내는 개념입니다. 여기에서 기계는 주어진 상황에서 인간과 구별 할 수없는 방식으로 배우고 이해하며 행동 할 수있는 능력을 가지고 있습니다. General AI는 현재 존재하지 않지만 인간이 감정과 자기 인식에 의해 구동되는 의식이있는 기계와 상호 작용하는 많은 공상 과학 할리우드 영화에서 사용되었습니다.

강력한 AI를 사용하면 불확실한 조건에서 여러 작업을 생각하고, 전략을 세우고, 수행 할 수있는 기계를 구축 할 수 있습니다. 의사 결정에 자신의 사전 지식을 통합하여 혁신적이고 창의적이며 색다른 해결책을 제시 할 수 있습니다.

ASI : 인공 슈퍼 인텔리전스

기계 인식이 모든 측면에서 인간의 지능을 대체 한 Arnold Schwarzenegger의“The Terminator”를 기억하실 것입니다. 인공 슈퍼 인텔리전스는 기계가 가장 영리한 인간의 지능을 능가하는 지능을 보여줄 수있는 가상의 AI입니다. 이러한 유형의 AI에서는 인간의 다면적 지능을 갖는 것 외에도 인간보다 훨씬 우수한 문제 해결 및 의사 결정 능력을 갖게 될 것입니다. 인류에게 큰 영향을 미치고 지구에서 인류를 멸종시킬 수있는 AI 유형입니다.

머신 러닝이란?

기계 학습은 통계 학습 알고리즘을 사용하여 명시 적으로 프로그래밍하지 않고도 경험을 통해 자동으로 학습하고 개선 할 수있는 시스템을 구축하는 인공 지능의 하위 집합입니다.

우리 대부분은 Netflix, Youtube, Spotify의 추천 시스템과 같은 서비스를 사용할 때 일상 생활에서 기계 학습을 사용합니다. google 및 yahoo와 같은 검색 엔진; Google Home 및 Amazon Alexa와 같은 음성 비서. 기계 학습에서 우리는 많은 데이터를 제공하고 처리 된 정보에 대해 더 많이 배울 수 있도록 알고리즘을 훈련시킵니다.

ML 알고리즘은지도 학습, 비지도 학습 및 강화 학습의 세 가지 범주로 크게 분류 할 수 있습니다.

지도 학습

지도 학습에서는 입력 변수 (x)와 출력 변수 (Y)가 있으며 알고리즘을 사용하여 입력에서 출력으로의 매핑을 학습합니다. 즉,지도 학습 알고리즘은 회귀 / 분류 모델을 학습하기 위해 알려진 입력 데이터 세트와 데이터 (출력)에 대한 알려진 응답을 가져옵니다. 그런 다음 학습 알고리즘은 모델을 훈련하여 새 데이터 또는 테스트 데이터 세트에 대한 응답에 대한 예측을 생성합니다.

비지도 학습

비지도 학습은 레이블이 지정된 데이터가 없을 때 사용됩니다. 주요 초점은 알려진 출력을 참조하지 않고 데이터 세트의 패턴을 추론하여 데이터에 대해 더 많이 배우는 것입니다. 데이터에서 유사성, 차이점 및 패턴을 찾아서 분류되지 않은 정보를 그룹화하기 위해 알고리즘이 자체적으로 남겨지기 때문에 비지도 (unsupervised)라고합니다. 비지도 학습은 대부분 탐색 적 데이터 분석의 일부로 수행됩니다. 데이터 클러스터를 찾고 차원 감소를 위해 가장 일반적으로 사용됩니다.

강화 학습

간단히 말해서 강화 학습은 환경과 지속적으로 상호 작용하여 학습으로 설명 할 수 있습니다. 에이전트가 이전 작업과 경험에서 얻은 피드백을 지속적으로 사용하여 시행 착오 방식으로 대화 형 환경에서 학습하는 일종의 기계 학습 알고리즘입니다. 강화 학습은 보상과 처벌을 사용하고 에이전트는 올바른 행동을 수행하면 보상을 받고 잘못 수행하면 처벌을받습니다.

딥 러닝이란?

딥 러닝은 인간의 두뇌가 정보를 필터링하는 방식에서 영감을 얻은 기계 학습 기술이며 기본적으로 예제에서 학습합니다. 컴퓨터 모델이 레이어를 통해 입력 데이터를 필터링하여 정보를 예측하고 분류하는 데 도움이됩니다. 딥 러닝은 인간의 두뇌와 유사한 방식으로 정보를 처리하기 때문에 일반적으로 사람들이 수행하는 응용 프로그램에서 주로 사용됩니다. 운전자가없는 자동차의 핵심 기술로 정지 신호를 인식하고 보행자와 가로등을 구분할 수 있습니다. 대부분의 딥 러닝 방법은 신경망 아키텍처를 사용하므로 종종 딥 신경망이라고합니다.

딥 러닝은 기본적으로 인간의 두뇌를 모방하고 있으며 많은 매개 변수와 레이어를 포함하는 다중 신경망 아키텍처로 정의 할 수도 있습니다. 세 가지 기본 네트워크 아키텍처는 다음과 같습니다.

컨볼 루션 신경망

MDPI 기사 Entropy 19.6 (2017)의 이미지 : 242

Convolutional Neural Network는 기본적으로 이미지 분석 및 분류를 위해 Computer Vision 분야에서 가장 널리 사용되는 인공 신경망입니다. 입력 이미지를 가져와 이미지의 다양한 측면이나 객체에 가중치 / 편향을 할당하여 서로 구별 할 수있는 딥 러닝 알고리즘입니다. CNN의 히든 레이어는 일반적으로 컨볼 루션 레이어, 풀링 레이어, 완전 연결 레이어 및 정규화 레이어로 구성됩니다. ConvNet의 아키텍처는 인간 두뇌에있는 뉴런의 연결 패턴과 유사하며 Visual Cortex의 조직에서 영감을 받았습니다.

순환 신경망

Recurrent Neural Networks는 시퀀스 예측 문제에 사용되는 일종의 신경망 아키텍처이며 자연어 처리 분야에서 많이 사용됩니다. RNN은 시퀀스의 모든 요소에 대해 동일한 작업을 수행하고 출력이 이전 계산에 종속되기 때문에 반복 이라고 합니다. RNN에 대해 생각하는 또 다른 방법은 지금까지 계산 된 정보를 캡처하는 "메모리"가 있다는 것입니다.

RNN에 대한 자세한 내용은이 기사를 참조하십시오.

http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/

재귀 신경망

" 재귀 신경망 의 일종 깊은 신경망 가중치들의 동일한 세트를 적용하여 만들어진 재귀 농산물하도록 구조화 된 입력을 통해 구성된 예측 주어진 구조를 통과하여 가변 크기의 입력 구조를 통해, 또는 그것에 스칼라 예측 의 위상 순서 . " [9]

재귀 신경망은 입력 시퀀스에 실제로 시간 측면이 없지만 입력이 트리 방식으로 계층 적으로 처리되어야하는 계층 적 네트워크와 비슷합니다. 다음은 재귀 신경망이 어떻게 보이는지에 대한 예입니다. 텍스트의 작은 덩어리에서 수행 된 연산의 출력을 재귀 적으로 취하여 문장의 구문 분석 트리를 학습하는 방법을 보여줍니다.

PyTorch의 스크린 샷 — 재귀 신경망 — Tutorialspoint

이 기사에서는 인공 지능, 기계 학습 및 딥 러닝의 차이점을 정의하고 각 주제 내의 다양한 하위 범주를 설명하여 설명하려고합니다. 위에서 언급 한 주제를 더 깊이 이해하려면 참조 섹션에 언급 된 기사를 참조하십시오.

참고 문헌

  1. http://beamandrew.github.io/deeplearning/2017/02/23/deep_learning_101_part1.html
  2. https://contentsimplicity.com/what-is-deep-learning-and-how-does-it-work/
  3. https://towardsdatascience.com/what-are-the-types-of-machine-learning-e2b9e5d1756f
  4. https://codebots.com/artificial-intelligence/the-3-types-of-ai-is-the-third-even-possible
  5. https://www.sciencedirect.com/topics/computer-science/supervised-learning
  6. https:///@tjajal/distinguishing-between-narrow-ai-general-ai-and-super-ai-a4bc44172e22
  7. https://towardsdatascience.com/understanding-neural-networks-from-neuron-to-rnn-cnn-and-deep-learning-cd88e90e0a90
  8. https://en.wikipedia.org/wiki/Recursive_neural_network
  9. https://www.youtube.com/watch?v=k2P_pHQDlp0&t=404s

Suggested posts

중요하지만 종종 간과되는 데이터 과학 및 분석 기술

중요하지만 종종 간과되는 데이터 과학 및 분석 기술

이제 데이터 과학 및 분석에 들어가는 데 필요한 기술 기술을 배울 수있는 방법이 그 어느 때보 다 많았습니다. 온라인 과정, Kaggle 대회, YouTube 자습서, 스택 오버플로가있는 금광 등이 있습니다. 현장에 침입하려는 사람들은 종종 "X 데이터 작업을 수행하려면 어떤 프로그래밍 기술이 필요한가요?", "어떤 기계 학습 기술을 배워야합니까?", "기술을 구축하려면 어떤 프로젝트를 수행해야합니까?"와 같은 질문을 자주합니다. / 포트폴리오?”.

데이터 포인트가 얼마나 극단적입니까?

특이 치 및 모델 선택

데이터 포인트가 얼마나 극단적입니까?

이상치 및 모델 선택 회귀를 실행할 수있는 것은 하나이지만 올바른 모델과 올바른 데이터를 선택할 수 있다는 것은 또 다른 문제입니다. 곡선의 맨 끝에있는 데이터 포인트가 실수로 여분의 제로 (인간 오류)를 기록한 사람 또는 블랙 스완 이벤트 (드물지만 중요한 이벤트)에서 가져온 것임을 어떻게 알 수 있습니까? 회귀 모델에 유지하면서 여전히 작동하는 예측을 가질 수 있습니까? 이 기사에서 알아 보자.

Related posts

머신 러닝 모델 품질 향상을위한 우리의 탐구

머신 러닝 모델 품질 향상을위한 우리의 탐구

이전 블로그 게시물에서 오늘날의 기계 학습 생태계에서 품질과 신뢰가 얼마나 중요한 문제인지 살펴 보았습니다. 읽을 기회가 없다면이 게시물에 뛰어 들기 전에 읽어 보는 것이 좋습니다.

인공 지능 및 학습

인공 지능 및 학습

인공 지능 (AI) 알고리즘이 대중화 되었기 때문에, 특히 엔터테인먼트 및 소셜 미디어의 가장 인기있는 제품에 고용되거나 차를 성공적으로 운전할 수 있기 때문에 이전과는 달리 공개 조사를 받았습니다. 모든 종류의 분야에서 온 사람들은 Elon Musk 또는 Steven Hawking과 같은 AI에 대해 이야기하는 유명 과학자의 영향을 받아 알고리즘을 우리 삶의 특정 측면에 허용하는 윤리적 의미와 그들의 경력이 새로운 기술로 대체 될 위험이 있습니다.

앰비언트 인텔리전스 — 보이지 않는 인터페이스

인간-컴퓨터 상호 작용을 인간-환경 상호 작용으로 대체하기 위해 Ambient Intelligence가 설정되는 방식

앰비언트 인텔리전스 — 보이지 않는 인터페이스

미디어, Ex Machina 및 I, Robot과 같은 공상 과학 영화, Elon Musk와 같은 몇몇 노골적인 공상가 덕분에 대부분의 사람들은 이제 인공 지능 (AI), 다양한 하위 집합 및 많은 잠재력에 대한 기본적인 이해를 가지고 있습니다. 응용 프로그램. 하지만 AmI (Ambient Intelligence)는 어떻습니까? 들어 보셨나요? 이 신흥 분야가이 시점에서 10 년 이상 지속 되었음에도 불구하고 걱정하지 마십시오.

AI 혁명에서 소프트웨어 엔지니어조차 안전하지 않을 수 있습니다.

AI 혁명에서 소프트웨어 엔지니어조차 안전하지 않을 수 있습니다.

기계 학습 및 유사한 기술이 경제에 미치는 영향을 평가하는 논쟁에서 세계 전문가들은 크게 두 개의 진영으로 나뉩니다. 우리가 낙관론자라고 부르는 한 진영은 과거의 기술적 격변과 마찬가지로이 디지털 혁명이 경제를 탈선시키고 실업률을 영원히 전염병 수준으로 치 솟게하지 않을 것이라고 생각합니다.