목차
Chapter 01 인공지능 소개
■ 1. 인공지능이란 5
1.1 인공지능의 정의 5
1.2 인공지능, 기계학습, 딥러닝의 관계 9
1.3 약한 인공지능과 강한 인공지능, 초 인공지능 11
1.4 인공지능의 장점과 한계 16
■ 2. 인공지능의 역사 21
2.1 인공지능의 1차 붐 23
2.2 인공지능의 2차 붐 26
2.3 인공지능의 3차 붐:안정기 29
2.4 인공지능의 3차 붐:부흥기 30
■ 3. 인공지능의 연구 분야 34
3.1 요소 기술 분야 34
3.2 주요 응용 분야 36
■ 4. 인공지능의 최근 동향 52
■ 5. 인공지능과 윤리 55
5.1 인공지능 윤리의 필요성 55
5.2 인공지능 기술의 활용과 법칙 60
5.3 인공지능과 윤리사례 62
Chapter 02 데이터
■ 1. 데이터의 종류 74
1.1 정형화된 데이터 75
1.2 비정형화된 데이터 75
1.3 반정형화된 데이터 76
1.4 시계열 데이터 76
■ 2. 빅데이터 78
2.1 빅데이터의 정의 79
2.2 빅데이터 특성 80
2.3 데이터베이스와 다른 도구들 83
■ 3. 기존 데이터와 빅데이터 비교 92
■ 4. 빅데이터 처리 과정과 기술 92
4.1 빅데이터 소스 생성과 수집기술 94
4.2 빅데이터 저장 기술 94
4.3 빅데이터 처리 기술 95
4.4 빅데이터 분석 기술 97
4.5 빅데이터 표현 기술 103
Chapter 03 기계학습(Machine Learning)
■ 1. 기계학습의 정의 9
■ 2. 기계학습의 종류 15
2.1 지도형 기계학습(Supervised Learning) 15
2.2 비지도형 기계학습(Unsupervised Learning) 35
2.3 강화학습(Reinforcement Learning) 44
■ 3. 기계학습의 성능평가방법 48
■ 4. 기계학습의 용도 51
Chapter 04 딥러닝(Deep Learning)
■ 1. 딥러닝이란? 66
1.1 딥러닝의 정의 67
1.2 딥러닝의 장점 68
1.3 딥러닝의 단점 70
■ 2. 인공신경망(Artificial Neural Network) 73
2.1 퍼셉트론(Perceptron) 73
2.2 활성화 함수(Activation Function) 81
■ 3. 심층신경망(Deep Neural Network, DNN) 87
3.1 합성곱 신경망(Convolutional Neural Network, CNN) 87
3.2 순환 신경망(Recurrent Neural Network, RNN) 100
INDEX 109
출처 : 인터넷 교보문고
책 속으로
2. 기계학습의 종류
일상생활 속에서 사람들은 여러 사물에 대한 특징들을 눈을 통해 뇌로 전달하고 전달된 형태를 어떤 사물이라는 것을 판단하는 사고의 과정인 인지를 한다. 이처럼 인공지능 또한 데이터를 이용하여 학습을 통해 인지하는 것이다. 그러면 어떠한 기계학습을 통해 인지를 하는지에 대해서 알아보자.
기계학습에는 크게 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning)으로 분류할 수 있고 각각 학습 방식에 대해 세부적인 특징들에 대해서 알아본다.
2.1 지도형 기계학습(Supervised Learning)
기계학습에서 가장 주를 이루는 개념 중 사용 빈도가 높은 지도형 기계학습은 입력과 출력 데이터가 있고 이를 모델화 시켜서 새로운 데이터에 대한 정확한 출력을 예측한다. 한 마디로 미리 정답 데이터를 제공한 후, 제공된 데이터에서 규칙과 패턴을 스스로 학습하는 방법이다. 그러므로 데이터를 만들 수 없는 상황일 경우 학습을 진행할 수 없다. 그래서 제공된 데이터를 통해 학습 훈련 데이터를 만들 수 있어야 한다. 또 지도형 기계학습은 두 가지 방법이 있는데 하나는 분류 방법이고 다른 하나는 회귀 방법이다. 먼저 지도형 기계학습이 어떻게 진행되는지에 대해 살펴보고 다음으로 분류 방법과 회귀 방법에 대해서 알아보자.
지도형 기계학습이 어떻게 진행되는지에 대해 알아보자. 지도형 기계학습을 진행하기 위해서는 컴퓨터가 학습하려고 할 때 배경이 되는 내용을 사람이 설계한 후에 컴퓨터에 주입한다. 이 배경을 모델이라고 하고 컴퓨터는 학습 훈련 데이터를 이용하여 학습을 시켜 모델에 적용해 나간다. 여기서 처음 제공한 모델은 훈련 데이터를 반영하지 않았으므로, 제공한 모델에 대해 수정이 될만한 부분이 있을 때 훈련 데이터를 바탕으로 수정해 나가는데, 이는 기계학습에서 컴퓨터가 학습한다고 말한다. 그러므로 컴퓨터가 학습을 끝낸 후의 모델은 훈련 데이터를 반영하였으므로, 새로운 데이터가 들어왔을 때도 더 정확하게 예측 할 수 있다.
(/ 본문 중에서)