gsjava 인공지능 만들기 도전 기록

출처:https://blog.hectodata.co.kr/ai/

인공지능(AI)이란?
인공지능(AI)은 학습, 문제 해결, 패턴 인식 등 인간이 지닌 지적 능력을 컴퓨팅 환경에 알고리즘을 생성하고 적용하여 구현하는 기술을 뜻합니다. 쉽게 풀자면, 컴퓨터가 사람처럼 사고 할 수 있게 만드는 기술이죠.

인공지능(AI), 머신러닝, 딥러닝의 차이점

아래의 그림처럼 인공지능이 가장 넓은 개념이고 머신러닝과 딥러닝이 하위에 속한다고 생각하면 쉽게 이해할 수 있습니다.

머신러닝은 인공지능을 구현하는 대표적인 기계학습 방법으로, 사람이 일일이 프로그래밍 할 필요 없이 컴퓨터가 대량의 데이터를 접했을 때 스스로 규칙을 학습할 수 있도록 알고리즘을 만드는 것입니다.

딥러닝은 여기서 한 발짝 더 나아간 개념입니다. 학습에 필요한 데이터를 사람이 제공해야 했던 머신러닝과 달리, 데이터를 스스로 학습하고 자체 신경망을 통해 예측의 정확성을 판단할 수 있다는 차이점이 있습니다. 비유하자면 컴퓨터에 인간의 두뇌가 들어 있는 것처럼 기술을 통해 스스로 학습하는 것이 가능한 거죠.

인공지능(AI) 기술의 응용 분야

인공지능 기술은 다양한 분야에 응용되고 있습니다. 주요 응용 분야는 아래와 같습니다.

1. 전문가 시스템(Expert System)
   인공지능 기술 응용 분야 중에서 가장 활발한 영역입니다. 특정 문제에 대한 전문적인 지식을 컴퓨터에 기억시키고, 시스템화하여 비전문가도 전문지식을 활용할 수 있도록 하는 시스템입니다. 대표적인 예시로 의료 진단 시스템, 설계 시스템을 들 수 있습니다.
   
   
2. 자연어 처리(Natural Language Processing)
   인간의 언어, 억양 및 맥락을 컴퓨터가 이해할 수 있도록 돕는 인공지능의 한 분야입니다. 딥러닝 기반의 자연어처리 기술은 대량의 텍스트로부터 의미 있는 정보를 추출하고 활용할 수 있도록 만듭니다. 기계 번역, 챗봇 등이 자연어 처리 기술을 활용하는 분야입니다.¹
   
   
3. 데이터 마이닝(Data Mining)
   보유한 데이터를 분석하여 유용한 정보를 추출해 조합하는 기술을 뜻합니다. 방대한 양의 데이터 속에서 특정 패턴을 뽑아내고 통계적인 방식으로 가치를 부여합니다. 해당 기술은 위험 및 생산성 관리, 시장 분석, 시스템 설계 등에 활용됩니다.²
   
   
4. 컴퓨터 비전(Computer Vision)
   컴퓨터의 시각적인 부분을 연구하여 디지털 이미지, 비디오 등에서 의미 있는 정보를 추출하는 기술입니다. 컴퓨터 비전은 우리에게 익숙한 안면 인식에 활용되고 있습니다. 인간의 시각으로는 판단하기 어려운 부분을 컴퓨터가 분석하는 영역입니다.
   
   
5. 지능로봇(Intelligent Robots)
   인공지능 기술을 활용한 로봇을 통칭합니다. 외부환경을 인식하여 스스로 상황을 판단하고 자율적으로 움직이는 기계입니다. 우리가 상상하는 인공지능의 대표적인 이미지가 지능로봇에 해당합니다.

내가 해야 할 부분은 3. 데이터 마이닝 부분인거 같다.

차곡차곡 한단계식 진행하기...

 

출처:https://www.tibco.com/ko/reference-center/what-is-data-mining

데이터 마이닝이란 무엇입니까?

데이터 마이닝은 데이터를 탐색하고 분석하여 의미 있는 패턴이나 규칙을 발견하는 것입니다. 데이터 마이닝은 데이터 사이언스 분야의 학문으로 분류됩니다. 데이터 마이닝 기술은 인공 지능(AI) 애플리케이션을 가능하게 하는 머신 러닝(ML) 모델을 만드는 것입니다. 인공 지능 내에서 데이터 마이닝의 예로는 검색 엔진 알고리즘 및 추천 시스템이 있습니다.

데이터 마이닝 작동 방식

데이터 마이닝은 기본 쿼리 및 보고 기술로 처리할 수 없는 질문에 대한 답을 찾는 데 도움이 됩니다. 데이터 마이닝은 몇 가지 주요 식별자로 표시되며 이에 대해서는 아래에서 더 자세히 살펴봅니다.

자동 패턴 인식

데이터 마이닝 모델은 데이터 마이닝의 기초이며 자동 인식은 이러한 모델이 실행되는 방식을 나타냅니다. 데이터 모델은 확립된 알고리즘을 사용하여 구축된 데이터를 마이닝합니다. 그러나 대부분의 모델은 새로운 데이터에로 일반화할 수 있습니다. 스코어링은 모든 모델을 새로운 데이터에 적용하고 적합성을 평가하는 프로세스입니다.

가장 가능성 있는 결과 예측

여러 데이터 마이닝 형식은 본질적으로 예측입니다. 이에 대한 한 가지 예는 교육 및 인구 통계를 기반으로 개인 소득을 예측하는 모델입니다. 각 예측에는 예측이 실현될 가능성을 나타내는 어느 정도의 확률이 적용됩니다.

다른 경우에는 예측 데이터 마이닝으로 규칙을 생성할 수 있습니다. 이는 특정 결과를 암시하는 특정 조건입니다. 한 가지 규칙의 예는 대학 학위를 가지고 있고 도시의 특정 구역에 거주하는 사람의 소득이 해당 지역의 평균 이상일 가능성이 있음을 지정하는 것입니다. 이러한 규칙은 관련 지원 자료를 통해 제공됩니다. 해당 지역의 인구 비율이 이 규칙을 충족합니다.

자연적으로 발생하는 그룹화에 중점 두기

대규모 데이터 내에서 자연스러운 그룹화를 나타내는 데이터 마이닝 형식도 있습니다. 특정 모델은 좋은 운전 실적을 보유하고 있으며 매년 휴가를 위해 자동차를 렌트하는 특정 소득 범위 내의 인구 집단에 중점을 둘 수 있습니다. 이러한 정보는 보험 회사뿐만 아니라 렌탈 에이전시에도 유용할 수 있습니다.

데이터 마이닝의 유형

데이터 마이닝에는 다음을 포함한 여러 유형이 있습니다.

선형 회귀

기업은 선형 회귀를 통해 하나 또는 여러 개의 독립 입력 변수값을 사용하여 연속 변수의 값을 예측할 수 있습니다. 이 방법은 보통 부동산 기업에서 평방 피트수, 건설 연도 및 우편 번호 위치와 같은 변수를 기반으로 주택 가치를 예측하는 데 사용됩니다.

로지스틱 회귀

이 변종에서는 하나 이상의 독립 입력이 사용하여 범주형 변수의 확률을 예측합니다. 은행 시스템에서 이 변종을 활용하여 신용 점수, 소득, 성별, 연령 및 기타 여러 개인 요소를 기반으로 대출 신청자가 대출을 불이행할 가능성을 예측하는 것을 참고할 수 있습니다.

시계열

모델에서 시간을 기본 독립 변수로 사용하는 예측 도구입니다. 소매업체는 종종 이 모델을 사용하여 제품 수요를 예측하고 그에 따라 재고를 관리할 수 있습니다.

분류 / 회귀 트리

분류 또는 회귀 트리는 범주형 및 연속 대상 변수의 값을 모두 예측할 수 있는 예측 모델링 기술입니다. 모델은 예측된 데이터를 기반으로 이진 규칙 세트를 생성하여 새로운 관찰 헤드 아래에서 유사한 대상 변수의 가장 큰 비율을 분류하고 그룹화합니다. 이러한 규칙을 사용하면 생성된 새 그룹이 새 관찰의 예측 값이 됩니다.

신경망

신경망은 뇌의 기능과 유사한 방식으로 작동하도록 설계되었습니다. 자극이 뇌에서 행동을 가능하게 하는 신경 세포의 발화를 일으키는 것처럼 신경망은 임계값 요구 사항이 있는 입력을 사용합니다. 이러한 입력은 크기에 따라 노드를 '발사'하거나 '발사하지 않습니다'. 이러한 발사 또는 비 발사 신호는 네트워크의 여러 계층에 숨겨져 있을 수 있는 다른 응답과 결합됩니다. 출력이 생성될 때까지 프로세스가 계속 반복됩니다. 거의 즉각적인 출력이 이점이며, 이 기술은 효율성을 위해 자율주행차에 광범위하게 사용됩니다.

K-최근접 이웃

과거 관찰 결과에 의존하여 새로운 관찰을 분류하는 기술입니다. K-최근접 이웃은 모델이 아니라 데이터에 의해 구동됩니다. 여기서 데이터에 대한 기본 가정은 없습니다. 데이터 입력을 해석하는 데 사용되는 복잡한 프로세스도 없습니다. 새로운 관측치는 가장 가까운 K-이웃을 식별하고 다수 값을 할당하여 분류됩니다.

비지도 학습

여기서는 감독되지 않은 작업을 검사하여 얻은 데이터를 기반으로 기본 패턴을 관찰합니다. 여러 추천 시스템에서는 비지도 학습을 사용하여 일반적인 사용자 패턴을 추적하고 더 나은 고객 상호 작용을 위해 개인화된 추천을 제공합니다. 비지도 데이터 마이닝에 사용되는 일부 분석 모델은 다음과 같습니다.

• 클러스터링
• 연관성 분석
• 주요 구성 요소 분석
• 실천에서의 지도 및 비지도 접근 방식

 

인공지능 만들기는 어떻게 하나요?

인공지능을 만들기 위해서는 먼저 데이터를 수집하고, 이를 분석하여 모델을 만들어야 합니다. 그 후에는 모델을 학습시켜 성능을 개선하고, 최종적으로는 실제 적용할 수 있도록 배포하는 과정을 거쳐야 합니다.

인공지능을 만들 때 필요한 기술은 무엇인가요?

인공지능을 만들 때 필요한 기술은 데이터 분석, 머신 러닝, 딥 러닝, 자연어 처리, 컴퓨터 비전 등이 있습니다.