인공지능의 분류와 딥러닝

포스팅 목적

딥러닝을 공부하기 이전에 지금 목적을 달성하기 위해 해야하는 공부가 딥러닝이 맞는지, 맞다면 어떤 알고리즘을 공부해야 하는지, 아니라면 머신러닝의 어떤 부분을 공부해야 하는지를 확인하려고 AI 용어들과 종류들을 분류해서 정리했습니다.

 

인공지능의 분류

• strong AI (AGI : artificial general intelligence) : (보통 영화에서) 사람과 비슷한 강한 성능을 가진 인공지능
• weak AI (ANI : artificial narrow intelligence) : (현재 산업에서) 특정 영역에서 작업을 수행하는 인공지능
  > strong AI 와 AGI, weak AI 와 ANI 가 실제로 동일한 의미인지는 잘 모르겠지만 혼용해서 쓰는걸로 보입니다.

 

weak AI 의 분류

• 머신러닝(기계학습) : 인공지능을 달성하기 위한 수단으로, 스스로 변화하는 프로그램
• GOFAI (Good Old-Fashion AI) : 직접 정의한 명시적인 규칙으로 룰 엔진, 전문가 시스템, 지식 그래프, 심볼릭 AI
• 사이버네틱스 : 컴퓨터뿐만 아니라 모든 기계장치, 모든 종류, 모든 유형의 ‘시스템’을 대상으로하는 인공두뇌학

참고) 이 부분은 인공지능, 머신러닝, 딥러닝에 대한 포함 관계가 그려진 그림만 보다가, 머신러닝이 아닌 인공지능에 대한 이야기를 거의 본 적이 없어서 궁금해서 찾아봤습니다. 분류 자체도 weak AI 에 대한 분류라고 명시를 했고 (현재 strong AI 는 없기 때문에...) 사이버네틱스에 대한 부분을 찾아봤는데 너무 이해가 안되서 일단 맥락만 파악하는 걸로 하고 넘어 가겠습니다.

 

머신러닝의 학습 방식

머신러닝은 컴퓨터가 데이터를 학습하고 스스로 패턴을 찾아내 적절한 작업을 수행하도록 학습하는 알고리즘입니다. 머신러닝의 학습 방식은 아래와 같이 3가지로 분류할 수 있습니다.

 

1) 지도 학습 : 정답이 주어진 상태에서 학습하는 알고리즘

   (1) 분류 (Classification) : 주어진 입력값이 어떤 종류의 값인지 구별
   (2) 회귀 (Regression) : 연속적인 값을 예측

대표적인 알고리즘) 선형 회귀(linear regression), 로지스틱 회귀(logistic regression), 결정 트리(decision tree), 서포트 벡터 머신(support vector machine), 인공 신경망 등

2) 비지도 학습 : 정답이 주어져 있지 않은 데이터의 특성을 학습하는 알고리즘

   (1) 군집 분석 : k-평균 군집화 및 계층적 군집화
   (2) 의존 구조 학습 : 베이즈 망(Bayesian network)
   (3) 벡터 양자화 : 린데 · 부조 · 그레이(Linde-Buzo-Gray) 알고리즘
   (4) 데이터 차원 축소 : 주성분 분석(principal components analysis), 오토인코더(autoencoder)

3) 강화 학습 : 주어진 환경(State)에서 어떤 행동(Action)을 하고 이로 인해 보상(Reward)를 얻는 과정을 학습

대표적인 알고리즘) Q-Learning, Deep-Q-Network (DQN) 방법

앞으로 공부할 내용은 머신러닝의 학습 방식 중 지도 학습에 대한 내용입니다.

 

참고 자료

• 머신러닝(기계학습),딥러닝(심화학습)그리고 인공지능(AI) 개념잡기