[카테고리:] 알고리즘/AI

인공신경망 (Artificial Neural Network)

I. 분류와 예측 모형, 인공신경망, ANN 가. 인공신경망의 개념 인간의 뉴런을 모방하여 가중치 조정을 통한 분류와 예측을 위해 다수 노드를 연결한 계층적 조직 나. 인공신경망의 특징 특징 구성요소 예를 통한 학습 – 예를 계속 제시하여 원하는 형태 학습 일반화 – 학습 후 미학습된 입력에도 올바른 출력 연상기억 – 일부 유실된 정보 → 유사한 출력 결함

Q-러닝 (Q-Learning)

I. 강화 학습 기법, Q-러닝(Q-Learning) 특정 상태에서 행동에 대한 미래값(Q)을 계산하여, 최적 정책을 찾는 마르코프 의사결정 기반 강화학습 기법 마르코프 의사결정 : 다음 상태의 확률은 오직 현재 상태와 행동에만 영향을 받고, 이전 상태에서 영향 받지 않는 의사결정   II. Q-러닝 학습 절차 및 구성요소 가. Q-러닝의 학습 절차 학습 절차 설명 ① value table Q

CRNN (Convolution Recurrent Neural Network)

I. CNN과 RNN의 융합 기술, CRNN 특징 추출과 시계열 모델을 통합하여 이미지에서 시계열 데이터를 인식하는 고성능 학습 모델   II. CRNN의 수행 절차 및 구성요소 가. CRNN의 수행 절차 Convolution Net. 최상부에서 출력된 Feature Sequence의 프레임 예측 위해 Recurrent Net. 사용 나. CRNN의 구성요소 구분 구성요소 설명 계층 요소 CNN – Feature Map, Pooling, Sampling

LSTM (Long Short Term Memory)

I. RNN 장기 의존성 문제 개선, LSTM 가. LSTM의 개념 개념도 개념 순환신경망의 장기 의존성 문제 해결하기 위해 셀 스테이트 기반 신경망 모델 나. 순환신경망의 장기 의존성 문제 RNN은 매번 Step마다 위 과정을 반복, 역전파 시 더 많은 곱셈 연산에 따른 경사 감소로 뒤 노드까지 영향 불가 Step t에서의 hidden layer : ht(ht-1Whh)Whh   II.

RNN (Recurrent Neural Network)

I. 순환 신경망, RNN 가. RNN (Recurrent Neural Network)의 개념 음성인식, 자연어 등 현재 입력 데이터와 과거 데이터를 고려하여 순차 데이터를 처리하는 순환 신경망 모델 나. RNN의 특징 과거-미래 영향 구조 – 루프 구조를 통해 과거의 데이터가 미래에 영향을 줄 수 있는 구조 경사 하강법 – 함수의 기울기로 최소값 탐색 알고리즘 – 2, 3차원 알고리즘

YOLO (You Only Look Once)

I. 인공신경방 빠른 객체 탐색, YOLO 개념 필요성 빠른 속도로 객체 탐색 위해 그리드 Bounding box를 통해 최적 객체 탐색 및 분류하는 딥러닝 기반 Fast 객체 탐색 – RCNN의 느린 속도 개선 – 전체 이미지 기반 맥락이해 – Object의 일반화 특징학습   II. YOLO의 객체 탐색/분류 절차 및 구현 기술 가. YOLO 기반 객체 탐색/분류

RCNN (Region-based CNN)

I. 영상 내 사물 인식, R-CNN(Region-based CNN) 입력 영상 내 사물 인식을 위해 사물의 영역 탐지 및 사물 특징 추출, 분류 CNN 기반 신경망 알고리즘   II. R-CNN의 구성도 및 구성요소 가. R-CNN의 구성도 ① 이미지 입력 ② 2000개 정도 Region Proposal 추출(Selective Search) ③ Cropping(자르기), Warping(크기 동일화), Feature 추출 ④ 각 Region Proposal Feature

CNN (Convolutional Neural Network)

I. 2차원 이미지 분석, CNN 가. CNN의 개념 Convolution, Pooling, Fully Connected layer를 통해 특징 추출, 차원 축소하여 이미지를 분류, 인식하는 신경망 알고리즘 나. CNN의 특징 ReLU – Rectified Linear Unit 활성화 함수 – Gradient Vanishing 문제 해결 Dropout – 인공 신경망의 Overfitting 방지 위해 특정 뉴런 미동작 학습 수행 Bigdata – 과적합(Overfitting) 문제 해결

KNN (K-Nearest Neighbor)

I. 확률 밀도 추정 알고리즘, KNN(K-Nearest Neighbor) 가. KNN의 개념 Sample에 주어진 x에서 가장 가까운 k개의 원소가 많이 속하는class로 x를 분류하는 비모수적 확률밀도 추정방법 나. KNN의 특징 NN 개선 – k개의 데이터에 대한 다수결 방식 인스턴스 개선 – 함수의 지역적 근사에 기반한 추정 게으른 학습 (Lazy Learning) – 데이터셋 저장만 하며, 일반화된 모델을 능동적으로 만들지

Apriori (연관 규칙) 알고리즘

I. 연관성 규칙 탐사, A Priori (선험적) 알고리즘 가. A Priori 알고리즘의 개념 연관 규칙(Association Rule)의 대표적 형태로, 발생 빈도 기반 데이터 간의 연관 규칙 발견 알고리즘 나. 연관 규칙 발견 과정 대용량 데이터: 트랜잭션 대상 최소지지도 이상 만족 집합 발견 연관규칙 발견: 최소신뢰도 이상 만족 항목 연관 규칙 생성   II. A Priori 알고리즘의