인공지능 1부 개념은?

인공지능 개념과 정의를 알아보자.

인간의 뇌는 뉴런이라고 불리는 많은 뉴런들로 이루어져 있습니다. 그리고 각각의 신경 세포는 시냅스라고 불리는 연결에 의해 수백, 수천개의 다른 뉴런과 연결되어 있습니다. 각각의 뉴런은 덴드리트로 연결된 다른 뉴런의 전기적, 화학적 신호를 흡수합니다. 그리고 이 신호들은 세포체 안에서 합쳐집니다. 혼합 값이 임계값, 즉 신경세포의 특정 한계치보다 클 경우, 뉴런은 활성화되어 차축 스핀들을 통해 자신의 출력을 인접한 뉴런으로 전송합니다. 신경 세포 간의 정보 교환은 병렬로 이루어지며, 이 정보 교환 기능은 학습을 통해 강화된다.  "인적 지능(AI)"은 이 분야의 기술적 구조와 관련하여 높은 개념이다. 그것은 우리의 뇌와 신경계를 모방할 것이고 언젠가는 컴퓨터와 로봇들이 사람처럼 생각하고 행동하게 될 것이다. 우리는 오직 하나의 사진으로 개와 고양이를 쉽게 구별할 수 있지만, 컴퓨터는 그렇지 않다. 이를 위해 기계 학습 방법(ML)이 개발되었다. 컴퓨터 안에 많은 데이터를 입력해 비슷한 분류를 할 수 있는 기술이지만, 저장된 개와 유사한 이미지를 입력할 수 있다면, 그것은 개 사진처럼 된다. 데이터 분류를 위한 많은 기계 학습 알고리즘이 이미 존재한다. 이러한 예로는 의사결정 트리, 바이에른 네트워크, 지원 벡터 머신 및 인공 신경 네트워크 등이 있다. 의사결정 트리는 의사결정 규칙 도표를 통해 트리 구조에서 분류 및 예측을 수행하는 분석 방법을 의미한다. 베이시안 네트워크는 그래픽 구조에서 여러 변수 사이의 확률 관계를 나타내는 모델이다. 베이리안 네트워크는 비도기 학습을 통한 데이터 수집에 적합하다. 지원 벡터 기계는 표본 인식 및 데이터 분석 감독관의 연구를 위한 모델이며 주로 분류 및 회귀 분석에 사용된다. 인공신경망(ANN)은 노드 또는 처리 요인이라고 불리는 신경 세포 층 또는 층의 신경 세포에서 생물학적 신경 세포의 행동 원리 및 신경 세포와의 연결을 모델링하는 정보처리 시스템이다. 이 인공신경망 모델은 계층 수에 따라 "계층 신경망"과 "다층 신경망"으로 구분되며, 정상적인 다단계 신경망은 입력, 숨기기 및 출력 계층 입력 계층의 신경 세포의 수가 입력 변수의 수와 일치하고 입력 변수의 수에 해당하는 것으로 구성된다.가라앉는 층은 초기 층입니다. 출력 계층은 숨겨진 층으로부터 신호를 수신하여 바깥쪽으로 인쇄한다. 신경 세포 사이의 입력 신호는 0과 1 사이의 값을 가지는 각 연결 강도와 곱한다. 만약 그 합이 뉴런의 한계보다 클 경우, 활성화 기능에 의해 뉴런이 초기 값으로 활성화되고 구현된다. DL(DeepLearning)은 인공신경 네트워크를 통해 수행할 수 있습니다. "DeepLearning"은 인공신경망으로 데이터를 수집하거나 분류하는 데 사용되는 기술입니다. 머신러닝과 인지과학의 인공신경망은 생물학의 신경망으로부터 얻은 통계 학습 알고리즘이다. 인공신경계는 학습을 통해 시냅스를 결합하여 네트워크를 형성하는 인공신경세포가 결합하는 종합 모델이다. 그리고 문제를 해결할 수 있습니다. 인공신경계통을 이용한 딥러닝의 핵심은 분류를 통한 예측이다. 그것은 많은 데이터에서 패턴을 찾아내고 컴퓨터가 어떻게 사물을 구별하는지 데이터를 공유합니다. 재량권에는 두 가지 가능성이 있다. 지도(이사)와 비 학습 정보(이사)를 입력해 운전자 신호 없이 최적화된 문제 해결 안내(이사)가 있다.  카드 및 명함 학습: 대부분의 전통적인 기계 학습 알고리즘은 카드 학습을 기반으로 한다. 카드 학습 방법은 먼저 컴퓨터에서 정보를 가르치는 방법이다. 예를 들어, 여기에 고양이가 있다고 하는 사진이 있습니다. 컴퓨터는 이전 학습 결과에 따라 고양이 사진을 구별할 것이다. 무인 학습은 이런 학습 과정을 가지고 있지 않습니다. "이 사진은 고양이이다"라는 학습 과정을 거치지 않고, 컴퓨터 스스로 "이 사진은 고양이이다"를 배운다. 그러므로, 무인 학습은 컴퓨터의 높은 컴퓨팅 성능을 요구한다. 구글은 유투브에 등록된 비디오에서 고양이 비디오를 비디오 학습 방법으로 식별하는 딥러닝 기술을 개발했다. 일반적으로 감독관 학습은 감독관 학습과 무감독 학습이 있을 때 사용된다. 대부분의 전통적인 기계 학습 알고리즘은 멘토링에 기초한다. 카드 학습 방법은 먼저 컴퓨터에서 정보를 가르치는 방법이다. 예를 들어, 여기에 고양이가 있다고 하는 사진이 있습니다. 컴퓨터는 이전 학습 결과에 따라 고양이 사진을 구별할 것이다. 무인 학습은 이런 학습 과정을 가지고 있지 않습니다. "이 사진은 고양이이다"라는 학습 과정을 거치지 않고, 컴퓨터 스스로 "이 사진은 고양이이다"를 배운다. 그러므로, 무인 학습은 컴퓨터의 높은 컴퓨팅 성능을 요구한다. 구글은 유투브에 등록된 비디오에서 고양이 비디오를 비디오 학습 방법으로 식별하는 딥러닝 기술을 개발했다. 일반적으로 감독된 학습은 명확한 답이 있을 때 사용되며, 감독되지 않은 학습은 데이터 클러스터링 및 마이닝에 사용됩니다. 인공신경망은 많은 입력에 의존하는 동안 배지에 표시된 기능을 평가하고 근사화하기 위해 일반적으로 사용된다. 이것은 일반적으로 입력값을 계산하고 패턴 인식과 같은 기계 학습을 가능하게 하는 신경계의 상호연결에 의해 표현된다. 왜냐하면 그것은 적응력이 있기 때문이다. 다른 기계식 데이터 학습 방법과 마찬가지로, 신경 네트워크는 일반적으로 규제 프로그래밍으로 해결하기 어려운 컴퓨터 비전(시각, 비전) 또는 언어 지식과 같은 광범위한 문제를 해결하기 위해 사용된다.  CPU 및 GPU 학습: 많은 데이터로 배우는 것이 매우 중요합니다. 많은 학습 데이터를 반복하는 데 오랜 시간이 걸리기 때문에 이전 "중앙 처리 장치"는 취약하다.많은 학습 자료를 처리하는 데 너무 오래 걸렸기 때문에 이 법은 실행 가능하지 않았다. 오늘날의 CPU는 비교적 빠르게 처리할 수 있지만 그래픽 카드에 사용되는 "GPU(Graphics Processing Unit)"는 학습 속도를 크게 향상시켰다. 오늘날 PC에 꽂을 수 있는 GPU는 3000개 이상의 프로세서 코어를 가지고 있으며 병렬 프로세싱으로 동시에 계산할 수 있다.