[태그:] 머신러닝

1. AIOps (AI for IT Operations)의 개념 및 필요성 개념 IT 운영 관리 자동화 위해 기계 학습 분석을 통해 IT 운영 문제 해결을 자동화하는 App 데이터 관리 및 분석 기술 필요성 기계 학습 기반 IT 운영 자동화/효율화 머신러닝 기반 동향 파악, 이상 현상 탐지, 미래 행동 예측, 프로세스 개선 등 IT 운영 자동화, 성능 효율화

1. 인간의 지능을 모방한 기술, 인공지능의 개요 (1) 인공지능 (Artificial Intelligence)의 개념 및 특징 개념 인간의 지능을 모방하여 문제를 해결하거나 아이디어를 도출하는 기술 특징 – 인간처럼 사고/행동 (Thinking/Acting Humanly) – 합리적으로 사고/행동 (Thinking/Acting Raionally) (2) 인공지능과 기계 학습, 딥러닝과의 관계 인공지능 (Artificial Intelligence) 인간의 지능을 모방하여 인간처럼 사고/행동하는 가장 큰 범위를 포괄하는 개념 기계 학습

1. 단말 장치 자체 AI 서비스, 엣지 AI (Edge AI)의 개념 개념도 개념 IoT, 모바일 장치 등 단말 장치의 신속한 인공지능 서비스를 위해 단말 장치에서 생성한 데이터로 AI 알고리즘을 직접 실행하는 분산형 컴퓨팅 패러다임 단말장치에서 데이터생성과 AI 알고리즘 처리를 지원하므로 AI 모델 업데이트 시에만 중앙서버 연결, 온디바이스 AI(On-Device AI) 방식이 대표적   2. 엣지 AI

1. 텐서플로 (TensorFlow)의 개요 개념 머신러닝 모델의 제작, 빌드 및 배포를 위해 개발 도구, 라이브러리, 커뮤니티 리소스로 구성된 엔드 투 엔드 오픈소스 플랫폼 특징 직관적인 API Keras , Python, C++ API 이외 하위 호환성 지원 이중 모드 CPU , GPU 모드 별 ML 연산과 단순 작업 분할 TPU 텐서플로우 전용 최적화 칩셋 활용 구글이 2011년에

I. 국내 기업과 기관에서의 인공지능 도입의 필요성 “디지털 전환의 핵심 기반 기술로 인공지능 도입이 필요” 현재 세계는 기계의 지능화를 통해 생산성이 고도로 향상되는 4차 산업혁명 시대에 있으며, AI는 자동화/최적화를 통한 효율화로 기존 산업의 생산성 개선, 신산업 창출 등 성장 동력 확충에 기여 인공지능을 활용한 혁신적 제품과 서비스로 시장 경쟁력을 확보와 다양한 사회문제를 해결할 수 있을

I. 머신러닝 파이프라인(ML Pipeline)의 개요 가. 머신러닝 파이프라인의 개념 데이터 수집부터 전처리, 학습 모델 배포, 예측까지 전과정을 순차적으로 처리하도록 설계된 머신러닝 아키텍처 나. 머신러닝 파이프라인의 필요성 머신러닝 자동화 머신러닝 모델 전 과정 지속 수행 위한 파이프라인 기반 자동화 예측 정확성 향상 내부 구조 이해를 통한 머신러닝 성능(예측의 정확성) 향상   II. 머신러닝 파이프라인의 데이터 처리

I. 하이퍼파라미터의 개념 최적의 딥러닝 모델 구현을 위해 학습률이나 배치크기, 훈련 반복 횟수, 가중치 초기화 방법 등 인간의 선험적 지식을 기반으로 딥러닝 모델에 설정하는 변수   II. 하이퍼파라미터의 종류 종류 설명 적용 시 고려사항 학습률 (Learning Rate) gradient의 방향으로 얼마나 빠르게 이동할 것인지 결정하는 변수 – 너무 작으면 학습의 속도가 늦고, 너무 크면 학습 불가

I. 비지도 학습의 개요 가. 비지도 학습 (Unsupervised Learning, 자율 학습)의 개념 입력데이터에 대한 목표값 없이 데이터가 어떻게 구성되었는지를 알아내는 기계 학습(Machine Learning) 기법 나. 비지도 학습의 특징 비정제 데이터를 입력하여 훈련데이터 없이 데이터의 특징 요약과 군집 (Clustering) 수행 목표값을 정해주지 않아도 되고 사전 학습이 필요없으므로 속도가 빠름   II. 비지도 학습의 기법 및 알고리즘

I. 지도 학습의 개요 가. 지도 학습 (Supervised Learning)의 개념 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning) 기법 나. 지도 학습의 특징 명시적인 정답이 주어진 상황에서 기계를 학습 시키기 위해 데이터와 레이블을 사용 사람이 목표값에 개입하므로 정확도가 높으나 시간이 오래걸리고 필요 데이터량이 많음   II. 지도 학습의 기법 및 알고리즘 가. 지도

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