일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 | 29 |
30 |
- 파이썬
- bottomnavigation
- 업다운게임코드
- 자바
- 바텀네비게이션
- 정보처리산업기사
- 파이썬배열예제
- 정처산기
- 파이썬배열
- 정처기
- 파이썬리스트
- 백준
- 자바연산자
- 정처기운영체제
- 운영체제목적
- java
- 데이터베이스
- 코딩공부
- int크기
- 코딩
- 운영체제종류
- 안드로이드
- 안드로이드스튜디오
- 파이썬공부
- androidstudio
- 자바예제
- 컴퓨터일반
- 파이썬예제
- 스누핑
- 엑티비티
- Today
- Total
목록IT/AI (6)
발전을 위한 기록
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/bGoTq4/btsDSsJUHjw/yVpIn1jCHUSr5yokWx2IA0/img.png)
1. 비지도 학습이란? 비지도 학습은 머신러닝의 한 방법으로, 컴퓨터가 레이블(답)이나 명확한 지시 없이 스스로 데이터를 이해하고 학습하는 과정을 말합니다. 데이터에 숨겨진 패턴이나 구조를 찾는 것을 목표로 합니다. 2. 비지도 학습의 유형 2-1. 클러스터링 (Clustering) 클러스터링은 비지도 학습에서 가장 널리 사용되는 방법 중 하나입니다. 이 방식은비슷한 특성이나 패턴을 가진 데이터를 그룹으로 묶습니다.대표적인 클러스터링 알고리즘으로는 K-평균 클러스터링과 계층적 클러스터링이 있으며, 이들은 데이터를 효과적으로 분류하는 데 사용됩니다. 2-2. 연관성 (Association) 연관성 알고리즘은 데이터 내에서 자주 발생하는 패턴, 특징 혹은 연관성을 찾아냅니다. 예를 들어, 슈퍼마켓의 거래 데..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/OTIhX/btsDLunRacW/J4kQyduqkyhMCMkJ2kXwPK/img.png)
지도학습이란? 지도학습은 입력 데이터와 그에 대응하는 정답(라벨)을 기반으로 모델을 훈련시키는 방법입니다. 이 과정에서 모델은 데이터에서 패턴을 학습하고, 이를 바탕으로 새로운 데이터에 대한 예측을 수행합니다. 예를 들어, 고양이와 개의 이미지를 구분하는 모델을 만들 때, 각 이미지에 '고양이' 또는 '개'라는 라벨을 붙여 모델에게 학습시키는 것이죠. 쉽게 말하면, 질문과 정답을 모두 제공하여 모델을 학습 시킨다고 할 수 있습니다. 지도학습의 실생활 예시 의료 이미징 : MRI나 CT스캔과 같은 의료 이미지를 분석하여 특정 질명의 징후를 탐지하는데 사용됩니다. 금유 분야의 사기 탐지 : 은행과 금융기관은 지도학습을 이용해 신용카드 거래나 계좌 활동을 분석합니다. 자동차 번호판 인식 : 교통 관리 시스템에..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/blTh07/btsDBQywsxL/ktJlN9H96P9UpuXThHUCUK/img.png)
📌레이블이란? - 머신러닝 모델이 무언가를 학습할 때 정답에 해당하는 개념입니다. - 예를 들어, 스팸 메일 필터링에서 레이블은 각 이메일이 스팸인지 아닌지에 대한 정보입니다. 이메일을 학습할 때 "이 메일은 스팸" 또는 "이 메일은 스팸이 아님"과 같은 레이블을 사용하여 모델은 스팸을 구별하는 방법을 학습하고, 이후에 새로운 이메일이 도착하면 스팸 여부를 예측할 수 있게 됩니다. 간단히 말하면, 레이블은 모델이 원하는 결과를 학습하도록 도와주는 정보입니다. 1. 지도학습 (Supervised Learning) 정의: 지도학습은 모델이 입력 데이터와 함께 레이블을 학습하여 새로운 데이터에 대한 예측을 할 수 있게 하는 방법입니다. 특징: 레이블이 주어진 데이터 학습: 모델은 입력 데이터와 해당하는 레이블..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/z1ExM/btsDxldZaqQ/GhxB90Hhy6ZSyZNQocui51/img.png)
1. 정의 딥러닝은 다층 신경망을 사용하여 복잡한 패턴을 학습하고 예측하는 머신러닝의 한 분야입니다. 이러한 다층 구조는 데이터의 다양한 특징을 계층적으로 추출하여 높은 수준의 표현을 만들어내는 데에 중점을 둡니다. 딥러닝 모델은 여러 은닉층을 통해 추상적인 개념을 학습하며, 이는 기존의 얕은 모델보다 훨씬 풍부한 표현을 제공합니다. 2. 딥러닝의 특징 - 다층 구조 딥러닝 모델은 여러 개의 은닉층으로 구성되어 있으며, 이 다층 구조를 통해 모델은 데이터의 다양한 특징을 계층적으로 학습합니다. - 자동 특징 추출 딥러닝은 입력 데이터로부터 특징을 자동으로 추출합니다. 전통적인 머신러닝과 달리 사전에 정의된 특징 추출 과정이 필요하지 않습니다. - 대규모 데이터 필요 딥러닝은 많은 양의 데이터를 필요로 합..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/ctbE41/btsDyCGfPHz/muhf96sYpQyvqwmuRkBgX0/img.png)
1. 머신러닝 정의 머신러닝(Machine Learning)은 컴퓨터 시스템이 데이터에서 패턴을 학습하고, 그 학습된 모델을 기반으로 새로운 데이터에 대한 예측, 분류, 군집 등 다양한 작업을 수행하는 인공지능의 핵심 분야 중 하나입니다. 머신러닝의 목적은 명시적인 프로그래밍 없이도 컴퓨터가 데이터에서 학습할 수 있도록 하는 것에 있습니다. 2. 머신러닝 특징 - 학습 알고리즘 머신러닝은 주어진 데이터에서 특정 작업을 수행할 수 있도록 모델을 학습시키는데, 이를 달성하기 위한 학습 알고리즘이 필요합니다. 학습 알고리즘은 주어진 데이터와 예측 결과의 차이를 최소화하도록 모델을 조정합니다. - 데이터의 특징과 레이블 머신러닝 모델은 학습 데이터를 구성하는 특징(feature)과 그에 대응하는 정답인 레이블(..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/blroNT/btsDuQLfLMJ/dUdGFvi1dKoMLTZ6BVNoP1/img.png)
1. 정의 인공지능(Artificial Intelligence, AI)은 기계 또는 컴퓨터 시스템이 인간의 학습, 추론, 문제 해결 등의 지능적인 작업을 수행할 수 있도록 하는 기술이나 시스템을 가리킵니다. 이는 전통적인 프로그래밍 방식과는 달리, 데이터를 기반으로 스스로 학습하고 경험을 쌓아가는 능력을 지니는 시스템을 포함합니다. 2. 특징 1. 학습능력(Learning) AI 시스템은 주어진 데이터를 기반으로 학습할 수 있습니다. 이를 통해 새로운 정보에 대한 예측이나 의사 결정을 수행할 수 있습니다. 2. 추론능력(Inference) 학습한 내용을 바탕으로 새로운 데이터나 상황에 대한 추론을 수행할 수 있습니다. 즉, 일반화된 지식을 활용하여 문제를 해결하거나 새로운 상황을 이해할 수 있습니다. 3..