AI 활용 2주차

• 인공지능 > 머신러닝 > 딥러닝
  • 인공지능이 가장 큰 범위, 딥러닝이 가장 작은 범위
• 머신러닝 vs 딥러닝
  • 딥러닝은 뉴럴 네트워크기술을 사용하는 머신러닝
• AI에 필요한 수학
  • 행렬 계산, 미분 기본 개념
• 딥러닝 실행에 필요한 3가지
  • 데이터, 컴퓨터, 프로그램
• 데이터 사이트
  • 파스칼, MS-COCO, Kaggle
• 컴퓨터
  • nvidia 사용해라, tensorflow가 엔비디아 gpu 기반이기 때문
• 프로그램
  • tensorflow, caffe, keras 등등
  • 언어는 파이썬이 가장 대중적
  • keras는 tensorflow의 api를 묶어서 쉽게 제공, 대신 세심한 조작은 어려움
• 학습의 종류
  • 지도 학습 (supervised learning) : 답(label)이 제공되는 traning data를 이용하여 학습 시키는것
  • 비지도 학습 (unsupervised learning) : 답이 없는 데이터를 특징 끼리 군집화 함
• GPU를 사용하는 이유
  • 1. 병렬 처리: 인공지능은 대부분 매우 복잡한 계산이 필요하며, 이러한 계산을 순차적으로 처리하는 것은 매우 느립니다. 따라서 GPU와 같은 병렬 처리 장치를 사용하면 동시에 많은 계산을 처리할 수 있으므로, 인공지능 모델의 학습과 추론 속도를 향상시킬 수 있습니다.
    2. 부동 소수점 연산: 대부분의 인공지능 모델은 부동 소수점 연산을 사용합니다. 이러한 연산은 CPU보다 GPU에서 더 빠르게 처리할 수 있습니다. 이는 GPU가 그래픽 처리를 위해 설계될 때 필요한 계산이 대부분 부동 소수점 연산이기 때문입니다. 따라서 GPU를 사용하면 인공지능 모델의 연산 처리 성능을 향상시킬 수 있습니다.
• epochs, batch
  • epochs : 훈련을 몇번 반복할지 정하는 파라미미터, epoch가 클수록 오래 걸리지만, 로스가 감소하고, 정확도가 올라간다. 허나 너무 크면 traning data에 과적합이 발생할 수 있다.
  • batch : 몇개의 tarning data 마다 모델을 업데이트 할지