ADsP 14회 기출문제 - [1과목] 체크 포인트

1.

딥러닝 분석 기법

- CNN(Convolutional Neural Network): 합성곱 신경망(딥 러닝에서 선형 연산을 활용하여 데이터 특징 추출 → 특징들의 패턴 파악 → 주로 이미지 분야 적용, 시각 이미지를 분석하는 인공 신경망)

- LSTM

RNN은 히든 노드가 방향을 가진 엣지로 연결돼 순환구조를 이루는(directed cycle) 인공신경망의 한 종류입니다. 음성, 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델로 알려져 있는데요. Convolutional Neural Networks(CNN)과 더불어 최근 들어 각광 받고 있는 알고리즘입니다.

이 문제를 극복하기 위해서 고안된 것이 바로 LSTM입니다. LSTM은 RNN의 히든 state에 cell-state를 추가한 구조입니다.

- 출처: https://ratsgo.github.io/natural%20language%20processing/2017/03/09/rnnlstm/

- Autoencoder

저번 포스팅 07. 순환 신경망, RNN에서는 자연어, 음성신호, 주식과 같은 연속적인 데이터에 적합한 모델인 RNN, LSTM, GRU에 대해 알아보았다. 이번 포스팅에서는 딥러닝에서의 비지도 학습(unsupervised learning)이라고 할 수 있는 오토인코더(autoencoder)에 대해 알아보도록 하자.

- 출처: https://excelsior-cjh.tistory.com/187

 

 

2.

SVM(Support Vector Machine)은 기계학습 알고리즘에 해당

 SVM 알고리즘은 머신러닝 알고리즘에서 가장 유명하고 많이 사용되고 있습니다.
 SVM 알고리즘은 기본적으로 두 개의 그룹(데이터)을 분리하는 방법으로 데이터들과 거리가 가장 먼 초평면(hyperplane)을 선택하여 분리하는 방법입니다.

- 출처: https://deep-learning-study.tistory.com/288

 

 

3.

딥러닝과 머신러닝의 차이 이해

딥 러닝이 머신 러닝에 해당함을 아는 것입니다.

구체적으로, 딥 러닝은 머신 러닝이 진화한 것으로 여겨집니다. 딥 러닝은 기계가 사람의 도움 없이도 정확한 결정을 내릴 수 있도록 해주는 프로그래밍 가능한 신경망을 사용합니다.

...(중략)...

머신 러닝의 기본 정의는 다음과 같습니다.
“데이터를 구문 분석하고 해당 데이터를 통해 학습한 후 정보를 바탕으로 결정을 내리기 위해 학습한 내용을 적용하는 알고리즘”

‘머신 러닝’이 가능하다는 말은 주어진 데이터로 기능을 수행하고, 시간이 지남에 따라 그 기능이 점차 향상됨을 의미합니다.

...(중략)...

실질적으로 딥 러닝은 머신 러닝의 하위 개념입니다. 실제로 머신 러닝에 해당하며 비슷한 방식으로 작동합니다(두 용어가 때로 비슷하게 사용되는 이유이기도 함). 하지만 둘의 기능은 다릅니다.

기본 머신 러닝 모델은 그 기능이 무엇이든 점진적으로 향상되는데, 여전히 약간의 안내가 필요합니다. AI 알고리즘이 부정확한 예측을 반환하면 엔지니어가 개입하여 조정해야 합니다. 딥 러닝 모델을 사용하면 알고리즘이 자체 신경망을 통해 예측의 정확성 여부를 스스로 판단할 수 있습니다.

...(중략)...

딥 러닝 모델은 자체적인 컴퓨팅 방법, 즉 자체적인 두뇌가 있는 것처럼 보이는 기술을 통해 학습할 수 있습니다.

...(중략)...

딥 러닝 모델은 인간이 결론을 내리는 방식과 유사한 논리 구조를 사용하여 데이터를 지속적으로 분석하도록 설계되었습니다. 이를 달성하기 위해 딥 러닝 애플리케이션은 인공 신경망이라는 계층화된 알고리즘 구조를 사용합니다. 인공 신경망의 설계는 인간 두뇌의 생물학적 신경망에서 영감을 얻어, 표준 머신 러닝 모델보다 훨씬 더 뛰어난 학습 프로세스를 제공합니다.

...(중략)...

- 머신 러닝은 알고리즘을 사용하여 데이터를 구문 분석하고 해당 데이터에서 학습하며, 학습한 내용에 따라 정보에 근거한 결정을 내립니다.
- 딥 러닝은 알고리즘을 계층으로 구성하여 자체적으로 배우고 지능적인 결정을 내릴 수 있는 “인공 신경망”을 만듭니다.
- 딥 러닝은 머신 러닝의 하위 개념입니다. 둘 다 광범위한 인공 지능의 카테고리에 속하지만 인간과 가장 유사한 인공 지능을 구동하는 것은 딥 러닝입니다.

미래의 연료로서의 데이터

현재의 “빅 데이터 시대”에서 방대한 양의 데이터가 생성됨에 따라, 우리는 아직 상상할 수도 없는 혁신을 어쩌면 앞으로 10년 안에 보게 될 것입니다. 전문가들에 따르면, 이러한 혁신 중 일부는 딥 러닝 애플리케이션일 가능성이 높습니다.

...(중략)...

“AI는 로켓을 만드는 것과 비슷하다고 생각합니다. 거대한 엔진과 많은 연료가 필요합니다.”라고 Wired의 기자 Caleb Garling에게 말했습니다. “엔진이 크지만 연료가 적다면 궤도에 오르지 못할 것입니다. 엔진이 작고 연료만 많다면 이륙하지도 못할 것입니다. 로켓을 만들려면 거대한 엔진과 많은 연료가 필요합니다.”

“딥 러닝에 비유하자면, 로켓 엔진은 딥 러닝 모델이고 연료는 이러한 알고리즘에 공급할 수 있는 엄청난 양의 데이터인 셈이지요.”
– Andrew Ng(출처: Wired)

- 출처: https://www.zendesk.kr/blog/machine-learning-and-deep-learning/

 

 

2. 

- '데이터의 가공 및 상관관계 간 이해를 통해 패턴을 인식하고 의미를 부여하는 것' = 정보

- DIKW 피라미드 → 데이터, 정보, 지식을 통해 최종적으로 지혜를 얻어내는 과정

Data: 타 데이터와 상관관계가 없는, 가공하기 전의 순수한 수치나 기호 (e.g. A 마트 100원 B 마트 200원)
Information: 데이터의 가공 및 상관관계 간 이해를 통해 패턴을 인식하고 의미를 부여 (e.g. A 마트의 연필 가격이 더 싸다)
Knowledge: 상호 연결된 정보 패턴을 이해하여 이를 토대로 예측한 결과물 (e.g. 저렴한 A 마트에서 연필을 사야겠다)
wisdom: 근본 원리에 대한 깊은 이해를 바탕으로 도출되는 아이디어 (e.g. A 마트의 다른 상품들도 B 마트보다 쌀 것이다)

- 출처: https://rihankim.tistory.com/10

 

 

3. 

- '의사결정에 도움을 주기 위하여, 기간 시스템의 데이터베이스에 축적된 데이터를 공통의 형식으로 변환해서 관리하는 데이터베이스' = 데이터 웨어하우스

- 데이터 웨어하우스는 업무 분석을 위한 데이터베이스 → 사용자들이 필요로 하는 정보 추출해서 가공