본문 바로가기

SW/인공지능

딥러닝이 왜 그렇게 유명해졌을까요? 경험상 대부분 실제 문제에서는 적용되기 어려운 데 말입니다. 딥 러닝은 이전에는 "딥 러닝"으로 불리지 않았습니다. 과거에는 신경망, 다층 퍼셉트론 또는 단순 퍼셉트론과 같은 여러 이름이 있습니다. 우리는 그 이름들을 다음과 '딥러닝' 같이 바꾸어 사용하고 있습니다. 실제로 많은 연구자들은 한때 퍼셉트론에 대한 아이디어를 포기했습니다. 퍼셉트론의 아이디어는 실제로 쓸모가 없을까요? 그렇게 생각하지 않습니다. 신경망은 크게 알려지지 않은 분야이며 많은 연구가 필요합니다. 그러므로 무지하지만 강력한 영향력을 어필하기 위해서는 "딥 러닝"의 브랜드 변경이 필요한 것이었습니다. 앤드류 응 (Andrew Ng)은 마케팅 전문가로서 이 새로운 브랜드인 딥 러닝을 전파했습니다. 퍼셉트론의 브랜드 변경은 오늘날의 명성에 부분적으로 기여했습니다. 아마도 오늘날 유명 해지는 가장 ..
딥러닝 : 심층 학습의 병목 현상은 무엇일까요? 딥 뉴럴 네트워크는 매우 큰 수학적 함수입니다. 매우 우아한 기능이지만 계산량이 매우 높습니다. 먼저 “딥” 신경망을 수학적으로 렌더링하면 아래와 같습니다. f1 (f2 (f3 (f4 (f5 (x))))) 일반적으로 심층 신경망에는 기능 내 기능 (일반적으로 약 30 ~ 100 개의 층)을 의미하는 더 많은 "계층"과 더 많은 인수 / 매개 변수 (신경망이 원본 고품질 이미지 파일을 분석하는 경우 512x512 매개 변수)가 있습니다. 이제 엄청 무거운 함수가 되는 것입니다. 이 아키텍처가 왜 데이터 분석에 효과적일까요? 각 기능이 서로 의존한다는 것입니다. 독립적인 기능이 아닙니다. 그것들은 모두 어떻게든 연결되어 있으며, 각각의 변화는 전체 모델에 영향을 미치는 변화의 연쇄 반응을 나타냅니다. 우리 ..
인공지능 : 영상 의학과 딥러닝과의 관계 헬스 케어 데이터 의료 서비스 제공 업체는 숙련된 의료진의 역량을 능가하고, 기존의 분석 방법이 다른 방법으로 처리 할 수 있는 한계를 넘어서는 속도로 막대한 양의 비정형 데이터를 생성하고 캡처합니다. DL 기술이 자율적으로 추출된 특징에 기초하여 패턴을 발견하고 구조를 인식하는 능력으로 인해, 가장 먼저 떠오르는 적용은 진단입니다. 예를 들어 방사선학에서 악성 암 구조의 검출을 위한 지능형 이미지 분석이 있습니다. AI가 MRI의 물리학에 매우 가까운 응용 프로그램에서 컨텐츠 기반 이미지 검색에 이르기까지 여러 수준에서 의료 이미징에 제공하는 가치에 대해 논의하겠습니다. DL 기술은 의료 이미징 워크 플로우의 모든 부분에 퍼질 수 있습니다. 그러나 DL은 의사의 역할을 대체하는 것이 아니라 지능형 지원..
인공지능 : 약과 딥러닝의 관계 사람들이 혈액 및 소변 검사를 받도록 안내할 수 있는 세상을 상상해 보았습니다. 이 모든 것이 건강 관리 기록, 게놈 데이터, 의료 이미지, 심박수를 모니터링하는 과거 데이터, 혈압을 분석하는 AI 시스템에 의해 결정될 수 있습니다. 그리고 이 시스템에 의해 권장된 사항은 수백만 명의 환자를 관찰한 수 천 개의 훈련 사례가 있는 수백만 개의 세포 생물학 데이터 세트를 기반으로 합니다. 혈액 검사에서 신체 변화 또는 신체 유전자에서 발현된 모든RNA 분자의 합계가 감지될 수 있습니다. 소변 검사는 또한 대사 산물의 변경 또는 모든 대사 산물의 총합 (대사 기능에 필요한 물질)을 감지하여 신경 근성 퇴행성 장애가 있음을 시사합니다. 태어날 때 자궁에서 관련 병원성 변형체를 조작할 수 있었기 때문에, AI 시..
케라스 : classification : 분류 예제 실습 import matplotlib.pyplot as plt import numpy as np from keras.layers import * from keras.utils import * from keras.models import * from collections import Counter %matplotlib inline 우선 필요한 라이브러리들을 선언합니다. 만약 설치되어 있지 않다면 설치를 진행해주세요. x = np.random.uniform(-np.pi, np.pi, 500) y = np.random.uniform(-1, 1, 500) X = np.asarray([[x[i], y[i]] for i in range(500)]) sine = np.sin(x) Y = sine < X[:, 1] plt...
Hyper Parameters : 개념, 종류, 팁 이번 포스팅에서는 하이퍼 파라미터에 대해 알아보겠습니다. 하이퍼 파라미터는 모델을 학습할 떄, 외적인 요소로 학습에 영향을 미치는 파라미터들입니다. 대표적으로 어떤 것들이 있고, 어떠한 것인지 매우 간략하게 알아보았습니다. learning rate : 런닝 레이트 보통 런닝 레이트를 학습률이라고 이해하면 됩니다. 위 함수들은 대표적인 최적화 함수들입니다. 따라서, 최적화를 진행할 떄, 어느정도로 학습을 하여 진행을 할지 정하는 값들입니다. 너무 크면, 최적화할 곳을 지나가버리는 단점이 있습니다. 하지만, 너무 작아도, 최적화할 곳을 찾지 못하고, 머무르는 현상이 있을 수 있습니다. 따라서, 여러 대표값들을 적용해 학습을 진행해야 합니다. overfitting : 오버피팅 트레이닝을 할 떄, 조심해야 하는..
확률적 경사 하강 : Stochastic Gradient Descent (SGD) : 개념, 원리 Stochastic Gradient Descent이란 무엇일까요?SGD(Stochastic Gradient Descent)에 대해 이야기하기 전에 먼저 Gradient Descent 란 무엇일까요? 그라디언트 디센트는 머신 러닝 및 딥 러닝에서 널리 사용되는 최적화 기술이며 대부분의 학습 알고리즘과 함께 사용할 수 있습니다. 그라디언트는 기본적으로 함수의 기울기입니다. 다른 파라미터의 변화량에 따른 파라미터의 변화 정도. 수학적으로 입력과 관련하여 매개 변수 집합의 부분 파생으로 설명 할 수 있습니다. 기울기가 많을수록 경사가 더 가파릅니다. 그라디언트 하강은 볼록한 기능입니다. 그라디언트 디센트는 비용 함수를 가능한한 최소화하는 함수의 매개 변수 값을 찾는 데 사용되는 반복적 방법으로 설명 할 수 있습..
인공지능 : Software Agent : 개념, 개요, 분석 소프트웨어 에이전트에이전트”에 대한 공식적인 정의 [Wooldridge, 2002]는 다음과 같습니다. 에이전트는 일부 환경에 위치한 컴퓨터 시스템입니다. 설계를 충족시키기 위해 환경에서 자율적인 작업 가능합니다. 목표• 주요 속성– 자율성 : 독립적으로 행동 할 수 있으며, 통제력을 보여줍니다- 내부 상태와 행동– 상황 • 살 곳 : 일부 환경에서 • 지각 능력 : 환경을 지각하는 능력 • 이펙터 기능 : 환경을 수정하는 기능– 지속성 : 살아있는 한 계속 작동합니다. • 적응 : 상담원은 환경과 사용자에 적응 경험– 기계 학습, 지식 발견, 데이터 마이닝 등을 통해– 메타 데이터 교환, 중개 및 촉진을 통해– 인터페이스 에이전트는 사용자 모델을 획득하고 사용합니다.– 환경에 위치하고 있습니다. • 협..