[카테고리:] 알고리즘/AI

I. 인공지능 모델 성능 평가, 혼동행렬 가. 혼동행렬의 개념 잘못된 예측의 영향을 파악하기 위해 예측 값과 실제 값 일치 여부를 행렬로 분류하는 모델 평가 기법 나. 혼동행렬 기반 모델 성능 평가 항목 평가 항목을 수치로 정량화 하여 성능을 객관적 지표로 평가 및 기계 학습 효율성 극대화   II. 수신자 조작 특성, ROC Curve 가. ROC(Receiver

I. 과한 학습과 부족 학습, 오버핏과 언더핏의 문제점 구분 문제점 현상 Overfit (과분산) – 과학습, 오류 분산 – High Variance, 과분산 – 비슷한 입력에 부정확 반응 결과 – 학습 대상만 정상반응 Underfit (과편향) – 데이터해석 능력저하 – High bias, 과편향 – 여러 가지 입력에 제대로 반응불가 – 학습 부족, 편향 반응 – 오버핏과 언더핏의 공통적인

I. 효율적 경로 탐색, 몬테카를로 트리 탐색 가. 몬테카를로 트리 탐색의 정의 전체 경로 탐색 불가능 시 효율적 경로 탐색을 통해 최적의 판단을 수행하는 알고리즘 나. 몬테카를로 트리 탐색의 특징 정책 (Policy) – 확장 단계에서 가장 높은 승률을 예측 – 트리 검색의 ‘폭’을 제한 가치 (Value) – 현재 승산을 나타내는 역할 – 트리 검색의 ‘깊이’

I. co-adaptation 해결 기법, 드롭아웃 가. 드롭아웃(Dropout)의 개념 딥러닝 시 오버피팅 문제를 해결하기 위해 노드 중 일부를 제거하는 인공지능 최적 학습기법 나. 드롭아웃의 목적 Overfitting 해결 – 신경망 비대 시 high variance 문제 해결 – Voting 효과로 정규화 유사 효과 가능 co-adaptation 회피 – 특정 뉴런의 가중치나 영향 감소 – 강건한 신경망 구성 가능  

I. 기계학습과 진화 연산, 유전 알고리즘 가. 유전 알고리즘 개념 유전 알고리즘 절차 유전 알고리즘 개념 – 적자생존, 돌연변이 등 유전 원리에 따라 최적화형태로 진화 과정에서 해를 찾는 알고리즘 유전 알고리즘 특징 – 문제 해결 접근법 – 문제 상황과 관계 없음 – 적자생존 기반 알고리즘 나. 유전 알고리즘 구성요소 구성요소 핵심 기능 설명 자손 – 염색체 –

I. 경쟁을 통한 원본 복제 기술, GAN 가. GAN (Generative Adversarial Networks)의 개념 생성자와 판별자 간 복제본 구별 경쟁을 통한 MinMax기반 성능 강화 비지도 학습 기술 나. GAN의 특징 준지도 학습 – 지도학습(구별자) + 비지도학습(생성자) MinMax Problem – 최소화와 최대화 경쟁 기반 성능 향상   II. GAN의 학습과정/수학적 표현 및 구성요소 가. GAN의 학습과정/수학적표현 학습과정

I. 나이브 베이지안 개념 문서나 데이터 요소 등장 확률 도출을 위해 베이즈 정리 기반 독립적 확률 벡터 분류 기법   II. 나이브 베이지안 분류기 수행 절차 가. 나이브 베이지안 분류 기법 수행 절차 절차 설명 수식 지도 학습 분류 – 분류기 실행 전 학습 벡터 결과 기반 분류 수행 C = {Comedy, Action} 입력 벡터

I. 체계적 확률 기법, 베이지안 네트워크 가. 베이지안 네트워크의 개념 체계적 확률 정보 기반 방향성 비순환 그래프와 그래프를 다루는 기법이 정리된 방법론 나. 베이지안 네트워크의 특징 주관적 정보 – 베이지안 망 구성 시 주관적 정보 사용 추론 단계 – 주로 추론 단계에서 베이즈 정리가 적용 인과적 추론 가능 – 증거 기반 뿐 아니라 인과적 추론

I. 인공지능 모델 평가 기법, 교차 검증 (Cross Validation) 모델의 일반화 오차에 대해 신뢰한 추정치를 구하기 위해 훈련/검증 데이터 기반 검증 기법   II. 교차 검증 기법, 홀드 아웃 및 k-fold 교차 검증 가. 홀드 아웃 교차 검증 기법 – 가용 데이터를 Train Set과 Test Set으로 랜덤 나눔 – 일반적으로 2/3 Train Set, 1/3 Test

I. 통계적 주요 분석 기법, SVM 개념 목적 학습 데이터를 두 개의 클래스로 분류하기 위해 Margin을 최대로 하는 결정직선탐색 분류알고리즘 – 클래스 간 최장 경계 탐색 – 과적합 회피 – 통계적 학습 – 차원의 저주 회피   II. SVM의 개념도 및 구성요소 가. SVM의 개념도 나. SVM의 구성요소 구성요소 결정 수식 설명 Support Vector X1, X2 – 클래스