1. 차원의 저주(Curse of Dimensionality)의 개념 개념도 ① 데이터 차원 증가 시 같은 데이터 밀도를 유지하기 위해 필요한 데이터 양 증가 ② 필요한 데이터 양 미충족 시 데이터 밀도 감소로 인한 데이터 분석/처리 문제 발생 일반적인 차원의 저주 데이터의 차원이 증가함에 따라 데이터의 밀도가 낮아져서 데이터 분석의 효율성과 정확도가 감소하는 현상 인공지능 분야 차원의 저주
1. 파인튜닝 (Fine-Tuning)의 개념 및 필요성 개념 필요성 인공지능 모델이 특정 작업이나 도메인에 적합하도록 이미 훈련된 인공지능 모델에 특정 데이터셋을 적용하는 미세 조정 기법 – 특정 작업/도메인에 적합한 모델 생성 – 적은 데이터셋으로 높은 학습 효과 – 신규 데이터에 대한 추론 성능 향상 파인 튜닝을 통해 학습 데이터가 적은 상황에서 특정 분야 인공지능 모델의 일반화
1. 과한 학습과 부족 학습, 오버핏과 언더핏의 문제점 구분 문제점 현상 Overfit (과분산, 과적합) – 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
1. co-adaptation 해결 기법, 드롭아웃 (1) 드롭아웃(Dropout)의 개념 딥러닝 시 오버피팅 문제를 해결하기 위해 노드 중 일부를 제거하는 인공지능 최적 학습기법 (2) 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