AI 머신러닝 프로그램 - AI meosinleoning peulogeulaem

👋Hello World! I'm Dona!

머신러닝 정리도 시작하였습니다!✍️

우선은 1차적으로 공개용 노션에 정리하고 있지만, 공부를 하면서 계속 추가 되는 내용이 많을 것 같아서 블로그 업로드는 추후에 하려고 합니다. 열공합시다 Go for it!🔥🔥

노션 URL : https://imdona.notion.site/imdona/imdona-s-Notion-4c374b9978cf4bb08d7b71ee594fb44b

imdona's Notion

👋 Hi there! I'm Dona!

imdona.notion.site

🍎 intro

1. 인공지능 - 머신러닝 - 딥러닝 - 빅데이터의 관계

‘머신러닝’하면 빅데이터, 딥러닝, 인공지능이라는 말들이 따라오곤 하죠?

각각의 뜻과 관계성에 대해 알아봅시다! 아래 시각화된 벤다이어그램 이미지를 통해 쉽게 이해해보아요🥕

사진 사용을 원하시면 출처를 밝히고 사용해주세요✨

1. 빅데이터(Big Data) : 말 그대로 빅데이터는 엄청 나게 많은 데이터들을 모으고, 보관, 처리, 분석하는 방법
2. 인공지능(Artificial Intelligence) : 프로그램이 인간처럼 생각하고 행동하게 하는 학문
3. 머신러닝(Machine Learning) : 데이터로부터 의사결정을 위한 패턴을 기계 스스로가 학습하는 알고리즘
4. 딥러닝(Deep Learning) : 우선은 머신러닝의 기법 중 하나로, 인간의 뉴런의 모양을 영감을 받아서 만든 인공신경망(artificial neural network)을 이용한 알고리즘이라고 간단하게 생각합시다.(추가 포스팅 예정)

2. 일반적인 프로그램과 머신러닝의 차이?

• 일반적인 프로그램 : 사람이 직접 규칙을 알려준다
• 머신러닝 프로그램 : 기계가 직접 규칙을 알아낸다

Tom Mitchell (1988): A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on t, as measured by P, improves with experience E
톰 미첼(Tom Mitchell) : 기계가 학습을 한다는 것은, 프로그램이 특정 작업(T)을 하는 데 있어서 경험(E)을 통해 작업의 성능(P)을 향상시키는 것

여기서 경험(E)은 데이터를 말합니다. 데이터가 충분히 없으면 머신러닝을 할 수 없다고해요. (머신러닝이 과거에 비해 핫해진 이유이기도 하죠🔥)

3. 머신러닝이 hot해진 이유🔥

• 기계가 학습을 통해 성능향상을 시키는 데 쓸 수 있는 데이터 🆙
• 컴퓨터의 성능 🆙 ➡️ 머신러닝을 위한 연산이 빨라진다
• 활용성 증명 ➡️ 예를 들면, 우리가 자주 보는 유튜브 알고리즘은 시청데이터를 학습시켜 맞춤 영상과 광고를 보여줍니다. 시청데이터가 많을수록 정확해져 광고 효율이 증가하고, 광고주들의 투자도 증가하겠죠?💰 뿐만아니라 우리 유저들도 서비스에 대한 만족도도 👍

4.  유형별 머신러닝

1. 지도 학습(Supervised Learning) : "답"이 있고, 이 답을 맞추는게 학습의 목적

• 분류(Classfication) : 맞춰야 하는 “답”이 숫자가 아님
  • class(예측해야할 대상)를 예측 (categorical value)
  • 예) 스팸메일 분류 프로그램
• 회귀(Regression) : 맞춰야 하는 “답”이 숫자
  • 연속적인 값을 예측 (float value)
  • 예) 아파트 가격 예측 프로그램

2. 비지도 학습(Unsupervised Learning) : "답"이 없고, 이 답을 맞추는게 학습의 목적

• 프로그램이 정답없이 "비슷한" 기준대로 묶음
  • 예) 비슷한 기사를 찾는 프로그램 : 비슷함의 기준을 정해주지 않고, 기계가 직접 정하여 나눈다

3. 강화 학습(Reinforcement learning)

• 예) 알파고

REFERENCE

• codeit : https://www.codeit.kr/courses/machine-learning
• 생활코딩 : https://opentutorials.org/course/4548/28938
• Tom Mitchell image : http://www.cs.cmu.edu/~tom/

Workflow와 Jupyter Notebook 환경을 함께 사용할 수 있습니다.

Citizen DS가 코딩없이 작업하는 Workflow Modeler 환경에서 코딩기반의 분석환경인 Jupyter Notebook을 연동하여 Professional DS가 개발한 모델을 불러와 사용할 수 있으며, 이를 통해 분석가들의 편리한 협업을 지원하며 원활한 공동의 분석환경을 제공합니다

개인화된 맞춤형 분석환경을 제공합니다.

Sandbox를 통하여 분석가는 원하는 Library를 추가하고, Container 이미지를 생성하여 개인화된 분석 환경을 언제든지 구성할 수 있습니다. 또한 Jupyter 실행 시 Resource를 UI 기반으로 손쉽게 할당하고 사용할 수 있습니다.

Web App이나 Rest API로 배포가 가능한 Dynamic Report를 제공합니다.

분석 모델에 필요한 Parameter 값을 설정하여 언제 어디서든 사용자가 원하는 분석 모델 결과값을 Analytics App을 통해 확인할 수 있습니다. Analytics App의 작성은 5단계의 프로세스로 구성되어 있으며, 누구나 손쉽게 작성할 수 있도록 안내하고 있습니다.

자동화된 Br-OPT로 최적의 성능을 손쉽게 찾으세요.

빠르고 정확하게 수렴할 수 있는 최적의 Hyper-parameter를 찾아내는 작업은 머신러닝과 딥러닝의 기본이자, 어렵고 복잡한 작업 중 하나입니다. Br-OPT는 Hyper-parameter를 자동으로 최적화하고, 최적의 값을 찾아내는 과정을 UI로 쉽게 확인할 수 있습니다.

복잡한 코딩 없이 손쉽게 분석결과를 분석보고서로 생성하고 공유하세요.

브라이틱스는 Drag&Drop을 통해 다양한 사용자에게 입력데이터와 분석모델의 처리 결과를 리포트 형태로 제공합니다. 사용자가 리포트의 크기와 표시방식을 선정하고, 스케줄러와 연동하는 것으로 정기 리포트가 생성됩니다. URL을 통해 리포트를 전달받은 사용자는 브라이틱스 로그인 절차없이 분석결과를 간편하게 조회할 수 있습니다.