인공지능에 대해 기본적인 개념을 이해하고 Logistic Regration에 대해 실습해볼 수 있는 슬라이드 입니다. (홍콩과기대 김성훈교수님의 강의를 베이스로 했습니다)

1. 인공지능 맛보기
성공회대학교
소프트웨어공학과
박중수

2. 목차
1. 인공지능이란?
2. 인공지능 기술의 종류
3. 그 중에 핫한 딥러닝이란?
4. 딥러닝 대충 맛보기
5. 머신러닝 중 Linear Regration 맛보기
6. 머신러닝 중 Sigmoid 맛보기
7. Sigmoid로 과목 패스 논패스 예측해보기

3. 인공지능이란?
- 인간의 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을
컴퓨터 프로그램으로 실현한 기술
- “학습”이 주요 키워드. 학습을 통해 그 경험으로 “판단”
- 예) – 바둑 룰과 기보를 학습해 이세돌을 이긴 “알파고”
- - 소비자의 구매패턴을 학습해 쿠폰을 발행해주는 마트시스템
- - 그림에서 화풍을 학습하여 사진에 화풍을 입혀주는 시스템
- - 운전을 학습해 운전하는 자율주행차

4. 인공지능 기술의 종류
- 지도학습
- 비지도학습

5. 지도학습
- 입력과 출력 값에 대해 레이블(이름)을 지정해주는 학습방법
- 분류와 예측에 사용
- 예) 수업시작시간+전 날 음주여부+집과의 거리로 지각여부를 예측
수업시작시간 전 날 음주여부 집과의 거리 지각여부
9시 YES 보통 YES
9시 YES 보통 YES
9시 NO 멀음 NO
10시 NO 가까움 NO
10시 YES 가까움 YES
10시 NO 멀음 NO
이 데이터를 학습 후 INPUT
수업시작시간 9시
음주안함
집과의 거리 멀음
-> 예측한 지각여부 : NO

6. 비지도학습
- 값에 레이블이 없음
- 비슷한 값들끼리 군집화
9시 YES 보통
9시 YES 보통
9시 NO 멀음
10시 NO 가까움
10시 YES 가까움
10시 NO 멀음

7. 딥러닝이란?
- 사람의 뇌를 흉내낸 인공신경망을 기반으로 패턴을 추론하는 기술
- 인간의 두뇌처럼 많은 데이터속에서 패턴을 찾아내 사물을 구분하는
정보처리방식
- 이러한 신경망을 여러 겹으로 깊게(Deep) 쌓아서 정확도를 높임. 그래서
Deep Learning

8. 딥러닝 살짝 맛 보기
- 텐서플로우 Playground
http://playground.tensorflow.org/
학습 알고리즘, 테스트 데이터셋 등 여러 요소를 이용해 학습내용을 눈으로
확인할 수 있음.
실습에서 사용하는 학습 알고리즘은 Sigmoid를 사용.

9. 맛 본 결과
2000번 학습.
결과 = 거의 정확하다

10. 딥러닝 어디까지 왔나
- 학습한 내용을 바탕으로 새로운 컨텐츠를 생산까지
- 만약 학습한 내용을 이해했다면, 그 내용을 바탕으로 새로운 컨텐츠를
생산할 수 있어야한다 (GAN : Generative Adversarial Networks)
예) 1+2를 이해했다면 4+6도
가능해야한다
2017년 3월 31일 발표된 구글의
BEGAN이 생성한 얼굴

11. Deep Learning을 이용해 화풍을 입힌 내 사진

12. Linear Regration 맛보기
- 지도 학습중 예측 모델
- 데이터를 가르는 기울기 W를 구해야함

13. Linear Regration 개념
X에 대한 예측값 = 기울기(Weight) * X
* 즉 W값을 잘 조절해야함
예측값이 맞았는지에 대한 검증 = Cost함수
검증값 = 예측값-실제값의 제곱을 평균낸 값
Cost함수를 그래프로 그리면 왼쪽같이 나옴.
Y축이 낮을수록 정확도가 높아짐
예측값을 최적화(최적의 W값을 찾는법)
최적화값 = 기울기- (Learning Rate * 미분(Cost))
그래프의 기울기를 계산하여 제일 낮은 곳을 찾는다
출처 : 홍콩과기대 김성훈교수님의 모두를 위한 딥러닝 강의

14. Sigmoid 맛보기
- 지도 학습중 분류 모델
- 분류를 위해 0과 1사이의 값이 나와야함

15. Sigmoid 맛보기
X에 대한 예측값
z = H(X)
Cost = Y가 1일경우와 0일경우로 나뉨
하지만 그렇게 나누면 Cost함수의 그래프가
원형으로 나오지 않기 때문에 두 식을 합하면
아래와 같이 나옴
예측값을 최적화(최적의 W값을 찾는법)
최적화값 = 기울기- (Learning Rate * 미분(Cost))
똑같다

16. Sigmoid로 Pass NonePass 예측
Tensorflow 사용. IDE는 pycharm
입력값 : 공부시간, 출석 수
출력값 : 과목 Pass 예측값
오른쪽 사진은 테스트데이터

17. - 라이브러리 import
- 데이터 로드 및 레이블링
Sigmoid로 Pass NonePass 예측

18. - 텐서플로우에서 변수선언.
- placeholder는 추후에 값을 넣어주겠단 뜻.
- Shape에 넘기는 배열의 첫번째 인자는 row의 개수. 개수제한이 없어 None으로 지정했다.
- 두 번째인자는 column의 개수. X는 공부한시간, 출석수 2개이므로 2, Y는 예측값
1개이므로 1을 넣었다.
Sigmoid로 Pass NonePass 예측

19. - 텐서플로우에서 지원해주는 Sigmoid함수. 입력값이 배열이기때문에
H(X)를 행렬곱(matmul)으로 계산했다. ( H(X) = WX+b )
Sigmoid로 Pass NonePass 예측

20. - 위와 같은 식을 코드로 만들었다. (대략 보면 알 수 있음)
Sigmoid로 Pass NonePass 예측

21. - 앞에 붙은 알파(learning_rate)를 0.01로 주고 cost함수를 인자로 넘겨 최적화시킨다
- 텐서플로우에서 지원하는 내장함수 GradientDescentOptimizer를 사용
Sigmoid로 Pass NonePass 예측

22. - 예측값이 0.5보다 높으면 1로 처리하고, 아니라면 0으로 처리한다.
Sigmoid로 Pass NonePass 예측
- 실제값과 비교하여 정확도를 측정한다.

23. Sigmoid로 Pass NonePass 예측
- Global_variables_initializer() 함수로 변수들을 초기화시키고 1만번 학습한다.
- 학습하는 동안 200번애 1번씩 cost가 얼만큼 변하는지 출력한다.
(cost가 낮을수록 정확도가 높다)
- 마지막에 테스트데이터들을 입력값으로 하여 예측을 제대로 하는지 확인한다.

24. Sigmoid로 Pass NonePass 예측
- 일단 cost의 출력값을 보면 점점
cost의 값이 낮아지는 것을 볼 수
있다. (점점 최적화된 값을
찾아가는 과정)

25. Sigmoid로 Pass NonePass 예측
- 출력값과 정확도가 출력된 것을 보면 테스트데이터의 결과값과 예측값이 같은 것을 볼 수
있다.
- 그러므로 정확도는 1.0이 출력되었다. (1.0이 제일 높은 수)

26. 실제로 돌려보기

27. Q & A

28. 감사합니다