STUDY/인공지능
![](http://i1.daumcdn.net/thumb/C400x400/?fname=https://blog.kakaocdn.net/dn/pEGwk/btrP9kmWaog/EJVYl4edW5YNwxBkLYKS1K/img.png)
![](https://tistory1.daumcdn.net/tistory/5601080/skin/images/no-image.jpg)
Update Log | 22.09.16. First Upload | 22.10.11. Second Upload 기계학습에서 수학의 역할 이번 시간에는 기계학습에서 사용되는 수학의 역할을 알아볼 것이다. 수학은 목적함수(손실함수)를 정의하고 목적함수가 최저가 되는 점을 찾아주는 '최적화 이론'을 제공한다. 최적화 이론에 규제, 모멘텀, 학습률, 멈춤 조건과 같은 제어를 추가해서 알고리즘을 구축한다. 이때 사람은 알고리즘을 설계하고 데이터를 수집한다. 벡터 우리는 샘플 (sample) 들을 이제부터 특징벡터(Feature Vector)로 표현할 것이다. 예) 아이리스 데이터셋에서 꽃받침의 길이, 꽃받침의 너비, 꽃잎의 길이, 꽃잎의 너비라는 4개의 특징이 있다. 위의 그림에서는 ( 5.1, 3.5, 1.4,..
![](http://i1.daumcdn.net/thumb/C400x400/?fname=https://blog.kakaocdn.net/dn/bGlJe8/btrP9GJ13Aq/uWrZz7MphM8773IzqGKUj0/img.png)
![](https://tistory1.daumcdn.net/tistory/5601080/skin/images/no-image.jpg)
Update Log | 22.09.13 First Upload 지난 시간에 이어서 인공지능 학습에 앞서서 기계학습에서 배운 내용들을 정리하겠다. 지난 시간에 배운 것들. 일반적으로 기계학습으로 해결하는 문제는 예측 문제이고 이는 회귀와 분류 문제로 나뉜다. 회귀는 실수가 목표치고, 분류는 어떠한 부류로 선택하는 것으로 알려져 있다. 우리가 가지고 있는 데이터뿐만 아니라 우리가 새로운 데이터가 들어왔을 때의 값을 정확하게 예측할 수 있다. 모델링하는 방법 -> 입력과 출력을 잘 나타낼 수 있는 관계를 모델이라고 한다. 이때 파라미터들을 잘 조절할 수 있어야 한다. 간단한 기계학습의 예시. 선형 회귀 문제 우리가 앞서서 살펴봤던 예시는 직선 모델을 사용하는 선형 회귀 문제라고 할 수 있다. 직선 모델에서 알..
![](http://i1.daumcdn.net/thumb/C400x400/?fname=https://blog.kakaocdn.net/dn/zfKUM/btrP7Tp6jy3/sKHsXKRskR5BMmPvXvBCZ0/img.png)
![](https://tistory1.daumcdn.net/tistory/5601080/skin/images/no-image.jpg)
Update Log | 22.09.13 First Upload | 22.10.11 Second Upload 기계학습 개념 기계학습의 개념 간단한 기계학습의 예제 이 문제에서 가로축은 시간, 세로축은 이동체의 위치이다. 그림에서 보이는 4개의 점이 데이터라고 할 수 있다. 기계학습은 결국 예측의 문제라고 할 수 있다. 임의의 시간이 주어지면 이때 이동체의 위치를 물어본다고 가정하자. 그렇다면 이 문제는 '회귀' 문제라고 할 수 있다. 즉 회귀 문제는 목표치가 "실수" 분류 문제는 "부류 값"이라고 할 수 있다. 훈련 집합 (Training Set) 이 문제에서 가로축은 특징 (Feature) ,세로축은 목표치 (Label)이라고 할 수 있다. 다음 그림에서는 특징이 한 개다. 즉 Feature 정보가 1개..