머신러닝 기본 개념

인공지능
-함수(머신러닝)
-인간의 학습능력,지각능력 등을 컴퓨터 프로그램을 실현한 기술
-컴퓨터의 동작이 지적이고 상황에 따라 적절히 변하며 안정적이길 원함

머신러닝
-데이터를 이용한 모델링 기법(수리적 모델링이 어려운 문제를 주로 적용)
-인식 관련 정의가 어려운 문제들

learning problem
-사람이 할 수 있는 특정한 작업을 수행하는 완벽한 알고리즘을 설계는 사실상 불가능
-그럴싸하게 도출하는 알고리즘을 찾을 수 있다고 하더라도,, 이외의 다른 모든 작업마다 그럴싸한 알고리즘을 설계하는데 과도한 시간과 비용이 소모됨
->예시(데이터)에 기반한 학습의 필요성
-생성형 ai/강화학습/노래 알고리즘

머신러닝의 핵심요소
(1)데이터(example과 label) 가장 중요하다
-규칙을 알려주지 않고 데이터만 넣어준다
(2)러닝 모델과 러닝 알고리즘
러닝모델:예시를 입력으로 받아 예측 레이블을 출력하는 함수
러닝 알고리즘:예측 정확성이 높아지는 방향으로 러닝 모델을 개선하는 알고리즘
(3)요인 추출
러닝 모델의 예측 정확도를 보다 효과적이고 효율적으로 향상시키기 위해, 기존의 예시로부터 새로운 요인을 추출하여 이를 러닝 모델의 입력값으로 대신사용하는 것
-정답은 없다


-주어진 데이터 값과 함수가 예측한 값의 차이를 나타내는 손실함수를 감소시키는 것이 학습의 목적
-데이터를 통해 경험적 러닝이 되는 중요요소(데이터/패턴=함수/수학적으로 해결할 수 없는 문제)
-국지해가 아닌 전역최적해를 찾아야함


머신러닝의 세가지 분류
-지도학습
분류/회귀

-분류
cofusion matrix
-관심있는 값이 중심이 되어 positive가 된다(ex 오류에 관심이 있으면 오류가 positive)

자료출처: https://uploads-ssl.webflow.com/6266b596eef18c1931f938f9/644aea65cefe35380f198a5a_class_guide_cm08.png

precision
recall
두개의 조화평균:F1score높게 나와야 좋다/못하는 쪽으로 가중치

모델의 데이터 세팅
training-모델의 파라미터 정하기 위해
validation->overfititing 방지
test-최종 성능을 평가하지 앟기 위해 사용


-비지도 학습->정답이 없을 때 ngiht도출
군집화
연관분석


-강화학습
나중에 더 큰 상을 위해 희생한다-순차적 의사결정/감독 없이 오직 상으로만 관리

인공신경망
특징
-예를 통한 학습
-일반화:학습되지 않은 입력에도 올바른 결과를 출력
-연상기억: 새로운 입력, 일부 유실된 정보->유사한 출력
-결함 허용성->병렬
-기본작업:학습-신경망의 연결가중치 조정/재생: 학습된 가중치와 입력벡터와의 거리 계산하여 가장 가까운 클래스로 분류

입력은 다수 출력은 하나
층이 쌓일수록 비선형이 커진다
선형분리성의 문제로 다층 퍼셉트론 사용(다층 퍼셉트론 및 오류역적파 알고리즘의 기반 모델)

딥러닝:은닉층이 2개 이상
아주 많은 데이터와 아주 오랜 시간의 최적화를 통해 데이터 학습/인간의 입력이 아닌 컴퓨터가 학습
특징
다층구조
문제해결 과정을 학습을 통해 자동화분산 표현/정보처리

모델의 역사
-하드웨어(GPU)
-빅데이터 출현(대량의 데이터 확보 가능)
-획기적 알고리즘의 발전
-개발 환경의 진화(클라우드/공개 소프트웨어..등등)

지능형 제어시습템

제어 자동화

산업혁명4.0은 기계와 사람, 서비스가 상호 연결되는 지능형 생산체계
기계의 지능화와 자율제어실현

제조인공지능
-설비 지능화-빅데이터 분석을 통해 언제 고장나는지 예측하여 필요한 경우 조치(계획보전->예지보전)
-공정 지능화-인공지능 기반 공정 제어-전체 공정의 최적화,공정 품질 향상
-검사 지능화-결함 유형 분류 자동화, 정확도 향상
-자재 및 물류 지능화-실시간 제조 상황 판단, 자재물류 최적 제어