쵸코쿠키의 연습장

감정 분석을 이해하고 왜 그것이 중요한지 이해합니다. 실제 사례와 함께 다양한 유형의 감정 분석에 대해 알아봅니다. 감정 분석이란 불과 4년 안에 전 세계 인구의 절반에 해당하는 60억 명의 사용자가 소셜 미디어에서 활동할 것입니다. 그리고 소셜 미디어에서 보내는 시간이 궁금하다면, 그것은 하루에 147분이라는 놀라운 시간입니다. 사람들이 하루 중 그렇게 많은 시간을 보내는 장소는 비즈니스 관점에서 중요합니다. 많은 기업이 이를 깨닫고 소셜 미디어의 데이터를 분석하는 데 많은 투자를 합니다. 대부분의 경우, 기업들은 자신들의 브랜드에 대한 소셜 미디어의 정서에 대해 우려하고 있습니다. 그것은 소셜 미디어 사용자들이 자신의 브랜드에 대해 가지고 있는 감정의 종류에 대한 통찰력을 얻는 데 도움이 됩니다. 감..

인공지능이 사이버 보안을 어떻게 혁신하고 있는지 알아보고 인공지능이 기업과 조직에 제공하는 이점에 대해 알아보겠습니다. 인공지능(AI)의 사용이 점점 더 광범위해지면서 사이버 보안 분야로 진출하고 있습니다. Markets and Markets의 연구에 따르면 글로벌 조직은 올해 사이버 보안을 위한 AI 솔루션에 224억 달러를 지출할 것으로 예상됩니다. 많은 사례 연구에서 사이버 보안을 위해 AI를 사용하는 것의 이점을 입증했습니다. 지난 5월, 아프리카의 한 기술 대학은 해커들이 네트워크를 침해하고 프라이빗로더 악성 프로그램을 설치하는 것을 막기 위해 AI를 사용했습니다. 그 대학에는 네트워크 활동을 인식하고 편차가 있는지 여부를 알 수 있도록 훈련된 AI가 있었습니다. 그렇지 않았다면 해커들은 아마 ..

얼굴 인식은 오늘날 우리 세계에서 증가하는 부분이고, 그것은 종종 인공지능을 사용합니다. 하지만 AI 얼굴 인식은 실제로 어떻게 작동할까요? AI 안면 인식은 고급 신경망을 사용하여 이미지를 수치 데이터로 변환하고 패턴을 식별합니다. 오늘날 의료 및 보안을 포함하여 수많은 산업에서 AI 안면 인식을 사용하고 있습니다. 그렇다면 이 알고리즘들은 얼굴의 특징을 어떻게 처리할까요? 인공지능 얼굴 인식의 작동 방식 AI 안면 인식은 컴퓨터 비전 머신 러닝의 신경망 기능을 적용하여 얼굴 특징을 식별합니다. 컴퓨터 비전 또는 이미지 인식 알고리즘은 특정 유형의 이미지 또는 기능을 다른 유형과 구별하도록 훈련됩니다. 안면 인식에 종종 사용되는 특정 유형의 신경망 중 하나는 CNN(Convolutional Neural..

AI 애플리케이션을 개발하고 AI 기반 모바일 앱에서 얻을 수 있는 이점을 알아보십시오. 가장 수익성이 높은 기회와 비용에 대해 알아보십시오. 전 세계 인공지능 시장의 매출 규모는 2022년까지 약 869억 달러로 추산됩니다. 2027년 이전에는 4070억 달러로 성장할 것으로 예상됩니다. 이는 26.2% 증가한 수치입니다. 데이터 기반 AI에 대한 수요 증가와 딥 러닝의 발전, 글로벌 무대에서 경쟁력을 유지하기 위해 로봇 자율성을 개발해야 한다는 요구가 가장 중요한 성장 동력입니다. 기술에 대한 AI 전문가 부족이 시장의 주요 장애물입니다. 또한 데이터 개인 정보 보호 및 AI 알고리즘의 신뢰성 부족과 같은 많은 중요한 문제에 직면해 있습니다. AI 시장의 주요 기회는 제조 부문의 효율성 향상과 고객 ..

수학과 기능하는 AI 모델의 개발이 광범위하지만, 일반적인 아이디어는 여정을 시작하는 방법을 배우기 위한 더 쉬운 단계로 나눌 수 있습니다. 인공지능과 딥러닝이라는 복잡한 주제를 파악하기 위해 어디서부터 시작해야 할지 기초부터 살펴보도록 하겠습니다. 딥러닝에 대해 배우는 방법을 위한 5가지 단계 딥 러닝 방법과 기술에 대한 학습은 우리가 이전에 본 적이 없는 능력을 보여주는 새로운 강력한 모델로 급증했습니다. ChatGPT 및 DALLE-2와 같은 일반 사용자를 위해 제작된 AI 모델은 인공지능에 주류 스포트라이트를 가져왔습니다. 딥 러닝의 내부 작동을 이해하는 것은 그만큼 혼란스러울 수 있습니다. 수학과 기능하는 AI 모델의 개발이 광범위하지만, 일반적인 아이디어는 여정을 시작하는 방법을 배우기 위한 ..

생성 AI의 기하급수적인 성장이 제시하는 기회와 그 잠재력을 완전히 실현하기 위해 극복해야 하는 과제에 대해 알아보겠습니다. 생성 AI가 제공하는 기회는 상당하지만, 대형 언어 모델(LLM)을 개발하거나 유지하는 데 드는 어려움과 비용, 그리고 잠재적인 부정확성과 같은 주요 과제도 있습니다. 생성 인공지능의 인기는 점점 높아지고 있습니다. 인공지능은 이제 저녁 파티에서 뉴스 채널 또는 디지털 전환 배우에 이르기까지 모든 곳에서 심각한 대화 주제가 되었습니다. 물론 일반적으로 인공지능 기술, 더 구체적으로 말하면 ChatGPT 기술은 갑자기 나온 것이 아닙니다. 2020년까지만 해도, 가장 계몽된 전문가들은 이미 생성 AI가 차세대 AI의 필수적인 기둥이 될 것이라고 예측했습니다. "오늘날의 머신 러닝 모..

인공지능 작업은 인간이 인공지능 기술을 적용하는 방법을 창의적으로 구상할 수 있는 만큼 많습니다. 그것을 염두에 두고, 보통 사람들은 인공지능이 수행할 수 있다는 것을 결코 알지 못할 인공지능 작업들이 있습니다. 인공지능 작업은 인간이 인공지능 기술을 적용하는 방법을 창의적으로 구상할 수 있는 만큼 많습니다. 인공지능에 대해 많은 것을 말할 수 있지만, 이 목록은 인공지능 101 충돌 과정에 더 가깝습니다. 우리는 인공지능이 우리가 깨닫지 못할 수도 있는 방식으로 우리의 삶을 향상시킨 구체적인 방법을 깊이 파고들 수 있지만, 인공지능을 정의하는 것부터 시작합시다. 인공지능(AI) 인공지능(AI)은 학습, 문제 해결, 의사 결정 및 자연어 처리와 같이 일반적으로 인간의 지능을 필요로 하는 작업을 수행하기 ..

머신러닝과 인공지능이 MDM 시스템이 마스터 데이터를 보다 효율적으로 구성하는 데 도움이 되는 방법은 다음과 같습니다. 마스터 데이터 관리는 모든 조직에서 마스터 데이터의 정확성과 일관성을 다룹니다. 마스터 데이터는 모든 비즈니스의 핵심 데이터이며 고객, 제품, 공급자, 직원, 장비, 위치 및 비용 센터를 포함한 중요한 엔티티를 나타냅니다. 이러한 모든 기업은 비즈니스 관리 및 기능 면에서 효율적입니다. 마스터 데이터 자산을 생성하는 동안 유사한 레코드가 생성되고 골든 복사본으로 유지됩니다. 기존 쿼리는 서로 다른 중복 레코드 또는 레코드를 찾는 데 도움이 됩니다. 그러나 기존 쿼리는 유사한 레코드의 변동 그룹화를 지원할 수 없습니다. 이 경우 기계 학습은 MDM 시스템이 마스터 데이터를 더 나은 방식으..

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 ..

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 ..

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..

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..

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...

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..

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..

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..

에이전트는 무엇입니까? - “에이전트는 센서를 통해 환경을 인식하고 이펙터를 통해 해당 환경에 작용하는 것으로 볼 수있는 모든 것입니다.” - "자율 에이전트는 복잡한 동적 환경에 거주하고이 환경에서 자율적으로 감지 및 행동하는 컴퓨팅 시스템이며, 이를 통해 일련의 목표나 작업을 실현할 수 있습니다." - "자율 에이전트는 환경에 감지되고 환경을 감지하고 시간이 지남에 따라 자체 안건을 추구하고 미래에 감지되는 영향을 미치기 위해 환경에 작용하는 시스템입니다." - "자율성, 사회적 능력, 반응성, 능동성이라는 속성을 즐기는 하드웨어 또는 소프트웨어 기반 컴퓨터 시스템" - “지능형 에이전트는 세 가지 기능을 지속적으로 수행합니다. 환경의 동적 조건에 대한 인식; 환경 조건에 영향을 미치는 행동; 지각을..

지능형 에이전트지능형 에이전트는 설계 목표를 달성하기 위해 유연한 자율 작업을 수행 할 수있는 에이전트입니다. 즉 에이전트와 유연성을 둘 다 가지고 있다고 생각하면 좋습니다. 유연성에 대한 속성– 반응성 : 에이전트는 환경을 인식하고 디자인 목표를 충족시키기 위해 환경 변화에 적시에 대응할 수 있습니다.– 사전 대응성 : 지능형 에이전트는 설계 목표를 충족시키기 위해 이니셔티브를 취함으로써 목표 지향적 행동을 보일 수 있습니다.– 사회적 능력 : 지능형 에이전트는 설계 목표를 충족시키기 위해 다른 에이전트 (및 가능한 사람)와 상호 작용할 수 있습니다. 공개 연구 문제– 순전히 반응성은 구현이 쉽다.– 반응하는 것 자체는 어려운 것은 아닙니다– 그러나 유연성 사이의 균형을 잡을 수 있는 에이전트 디자인은..

Activation 함수뉴런의 상호 작용을 담당합니다. 이러한 중요한 역할을 하는 Activation 함수들의 종류도 다양한 데 어떠한 것을 선택해야 할까요? 우선 주목해야 할 것은 비선형성입니다. 현실의 데이터는 n차원 비선형 분포로 존재합니다. 따라서 활성화 함수는 신경망에서 비선형 분포를 반영할 수 있도록 하는 역할을 담당합니다. 무엇이 좋은 activation 함수일까요? 이전에는 시그모이드 함수를 사용해왔습니다. 하지만 시그모이드 함수는 문제점이 존재하였고, 대책으로 좋은 RELU 활성화 함수가 제안되었습니다. One Hot EncodingN개의 Class를 가진 데이터의 Y Target 값을 설정할 때 One Hot Encoding을 사용합니다. N 사이즈의 배열에서 0, 1을 사용하여 해당하..

Binary Classification Output Y (Target 출력)딥 러닝에서는 그룹이라는 용어를 사용하지 않고 Class 용어를 사용합니다. 분류 출력은 입력이 어떤 Class에 속할지에 대한 확률을 의미합니다. 신경망은 확률을 0~1로 표현합니다. 바이너라 분류의 경우 Y 타겟을 0, 1로 표현합니다. X (입력)신경망에서 보통 하나의 입력은 하나 이상 여러가지 특징을 가지고 있습니다. 하나의 특징을 지칭할 떄 Feature라는 용어를 사용합니다. 신경망 입력은 n개의 feature 정보를 가진 입력을 n 사이즈의 배열로 입력받을 수 있습니다. 선형 함수는 다항의 1차 함수입니다. Sigmoid Function어떤 입력을 받아도 0 ~ 1 사이에서 값을 얻을 수 있습니다. 분류를 할때는 확률..