18 Mon

TIL

[AI 스쿨 1기] 7주차 DAY 1

Deep Learning: 신경망의 기초 - 인공지능과 기계학습 소개

인공지능

  • 인간의 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술

  • 우리가 집중할 것은 인간의 "학습 능력"

일상 속 인공지능

  • 음성인식 - Siri

  • 추천 시스템 - eBay, Netflix

  • 자율주행 - Waymo

  • 실시간 객체 인식 - Face ID

  • 로봇 - HUBO

  • 번역 - papago

Deep Learning: 신경망의 기초 - 기계학습 I

사람(동물)과 기계의 학습

  • 파블로프의 개 : 반복적인 신호를 제공

  • 기계도 사람과 동일하지는 않지만 비슷하게 가능

학습

  • 경험의 결과로 나타나는, 지속적인 행동의 변화나 그 잠재력의 변화 또는 지식을 습득하는 과정

기계 학습

  • 어떤 프로그램이 T라는 작업을 수행한다. 이 프로그램의 성능을 P라는 척도로 평가했을 때 경험 E를 통해 성능이 개선된다면 이 프로그램은 학습을 한다고 말할 수 있다.

  • 경험 E를 통해 주어진 작업 T에 대한 성능 P의 향상

  • Experience, Task, Performance

  • 초창기 지식기반

    • 하나의 개념에 대한 여러 특징들을 하나도 빠짐없이 나열할 수는 없다

    • 매번 새로운 모양과 다양한 특징들이 존재

      • EX) 개는 털이 있고 혀가 길고 몸집이 가로로 길고 ...

  • 데이터 중심 접근방식의 전환

관찰된 데이터를 어떻게 설명할 것인가?

  • 데이터의 패턴에 대한 가설

    • X = {1, 2, 3, 4}, Y = {3, 6, 9, 12}

    • suppose Y = 3X

    • Y = WX + b

  • 가설의 모델은 1차원, 2차원 일수도 고차원이나 딥러닝 모델일 수도 있다

기계학습의 훈련

  • 임의의 매개변수 값에서 시작해서 개선하여 정량적인 최적 성능에 도달

  • 주어진 문제에 대해 예측을 가장 정확하게 할 수 있는 최적의 매개변수를 찾는 작업

  • 훈련을 마치면 추론을 수행 => 새로운 특징에 대응되는 목표치를 예측

  • 테스트 집합에 대한 높은 성능을 일반화 능력이라고 한다.

기계학습의 필수요소

  • 데이터

  • 데이터 규칙 존재

  • 수학적으로 설명 불가능

사람의 학습과 기계 학습 비교

차원의 저주

  • 데이터의 차원이 높을 수록

    • 더 많은 데이터가 필요하다

    • 데이터간의 규칙을 찾기 힘들다

Deep Learning: 신경망의 기초 - 기계학습 II

과학 기술의 정립 과정

  1. 데이터 수집

  2. 모델 정리(가설)

  3. 예측

  4. 반복

기계학습

  • 데이터를 수집

  • 데이터를 정리

  • 모델 생성

데이터의 양과 질

  • 다양한 데이터를 충분한 양만큼 수집하면 과업의 성능이 향상된다.

적은 양의 데이터베이스로 높은 성능을 달성하는 방법

  • 데이터 희소 특성 가정 - 이상한 데이터는 존재하지 않음

  • 매니폴드(많이 끼다) 가정 => 고차원의 데이터는 낮은 차원의 데이터들이 유사성을 지님

데이터 가시화

  • 4차원 이상의 초공간은 한번에 가시화 불가능

선형 회귀 문제

  • 직선 모델을 사용하므로 두 개의 매개변수 w와 b 필요

  • 현실적으로는 선형 모델을 하기 어려움. => 잡음이 섞이기 때문 => 비선형 모델 필요

  • 제곱 오차 방법으로 손실함수를 통해 개선 가능

Deep Learning: 신경망의 기초 - 기계학습 III

Target distribution (Target function)

  • 데이터를 구분짓는 구분선

  • 실제로 보이지는 않으며, 데이터를 통해서 유추 가능

  • input distribution과 target distribution을 통해 training exapmles를 생성

  • 목적함수 error measure를 통해 learning algorithm을 수정한다.

  • 이 때 가설 h를 learning algorithm을 통하여 최종 가설 g를 도출한다.

과소적합과 과잉적합

  • 과소적합

    • underfitting

    • 모델의 용량(자유도 - 파라미터 수)이 작아 오차가 클 수 밖에 없다

    • 고차원의 모델을 사용한다.

  • 과잉적합

    • overfitting

    • 훈련집합에 대해서만 완벽하게 근사화하고 새로운 데이터를 예측할 때 큰 문제 발생

    • 모델의 용량이 크기 때문에 학습 과정에서 잡음까지 수용했기 때문

    • 주로 고차원의 모델을 사용하기 때문에 오버피팅 문제가 기계학습에서 많이 발생

    • 이러한 과잉적합을 방지하기 위해 차원을 낮추는 정규화를 사용

훈련집합을 여러번 수집하여 1차~12차에 반복 적용하는 실험

  • 2차

    • 매번 큰 오차 발생 => 편향이 큼

    • 모델마다 모양이 비슷함 => 낮은 변동 => 분산이 작음

  • 12차

    • 매번 작은 오차 발생 => 편향이 작음

    • 모델마다 모양이 상이함 => 높은 변동 => 분산이 큼

  • 기계학습의 목표

    • 낮은 편향과 낮은 분산을 가진 예측 모델을 가지는 것이 목표

    • 그러나 모델의 편향과 분산은 상충 관계이기 때문에 편향을 최소로 유지하며 분산도 최대로 낮추는 전략이 필요하다

편향과 분산의 관계

  • 용량 증가 => 편향 감소, 분산 증가 경향

  • 일반화 오차 성능(= 편향 + 분산)은 U형의 곡선을 가짐

검증집합을 이용한 모델 선택

  • 검증집합(Validation set)은 데이터의 양이 많을 때 사용한다.

  • Original set = Training set + Testing set 의 기본 비율을 다음과 같이 바꾼다.

    • Original set = Training set + Validation set + Testing set

  • Testing set을 적용하기 전에 검증집합을 이용해 미리 성능을 측정할 수 있다.

교차점증

  • 교차검증(Cross validation)은 데이터의 양이 적을 때 사용한다.

  • 데이터를 여러 부분으로 나눈 뒤 각 부분을 돌아가면서 검증집합으로 사용

부트스트랩

  • 임의의 복원추출 샘플링을 반복한다

  • 데이터 분포가 불균형일 때 적용한다

    • class1 : 10000개, class2 : 100개

    • class1에 대해서 치우친 학습을 할 가능성이 크다

    • class1 : 100개, class2 : 50개를 뽑아 학습하거나

    • class1 : 10000개, class2 : 10000(복사 또는 변형으로 생성)을 뽑아 학습한다.

    • 데이터의 양이 적으면 좋지 않기 때문에 주로 수를 늘리는 방법으로 적용한다

모델 선택의 한계와 현실적인 해결책

  • 데이터의 용량보다 큰 모델을 선택한 뒤, 점점 작게 만든다. => 여러 규제 기법을 적용

규제

  • 데이터 확대

    • 데이터를 더 많이 수집하면 일반화 능력이 향상됨

      • 데이터 수집은 많은 비용이 듦 => 실측자료를 사람이 일일이 표식해야 하기 때문(labeling)

    • 인위적으로 데이터 확대 => 재활용

      • 훈련집합에 있는 샘플을 변형한다

      • 변형 : 약간의 회전 또는 왜곡(고유 특성은 변하지 않는 정도로)

  • 가중치 감쇠

    • 가중치를 작게 조절한다

    • 기존 함수는 훈련 집합이 변화하면 분산이 커진다.

    • 가중치를 작게 조절한 개선된 목적함수는 분산이 작다.

    • 원래 가진 모델의 용량이 다 발현되지 못하게 하는 것이 목표

지도 방식에 따른 유형

  • 지도 학습

    • 특징 벡터에 대한 라벨링이 주어진 상황

    • 회귀와 분류문제로 구분

  • 비지도 학습

    • 특징 벡터에 대한 라벨링이 주어지지 않음

    • 군집화 과업 (고객 성향에 따른 맞춤 홍보 등)

    • 밀도 추정, 특징 공간 변환 과업

  • 강화 학습

    • 라벨링이 상황에 따라서 다른 상대적 목표치로 주어진다. 이를 보상이라고 한다

    • 바둑같은 게임을 할 때 적용

  • 준지도 학습

    • 일부 특징 벡터는 라벨을 가지지만 나머지 벡터는 라벨이 없는 상황

    • 대부분의 데이터가 X의 수집은 쉽지만 Y는 수작업이 필요하여 최근 중요성 부각

다양한 기준에 따른 유형

  • 오프라인 학습과 온라인 학습

    • 보통은 오프라인 학습을 다룸

    • 온라인 학습은 IoT 등에서 추가로 발생하는 데이터 샘플을 가지고 점증적 학습 수행

  • 결정론적 학습과 확률적 학습

    • 결정론적에서는 같은 데이터를 가지고 다시 학습하면 같은 예측 모델이 만들어짐

    • 확률적 학습은 학습 과정에서 확률 분포를 사용하므로 같은 데이터로 다시 학습해도 다른 예측 모델이 만들어짐

  • 분별 모델과 생성 모델

    • 분별 모델은 분류 예측에만 관심. P(y|x)의 추정에 관심

    • 생성모델은 P(x) 또는 P(x|y)를 추정함

      • 따라서 새로운 샘플을 생성할 수 있다

[Statistics 110] 6강- Monty Hall 문제와 심슨의 역설 (Monty Hall, Simpson's Paradox)

Present Part [6 / 34]

Monty Hall 문제

세 개의 문 중에 하나 뒤에는 자동차가 있고, 나머지 두 개 뒤에는 염소가 있다. Monty가 내가 고르지 않은 문 중 하나를 열어 염소가 있는 것을 보여줬다면, 나는 처음 고른 문에서 바꾸는 것이 유리한가, 그렇지 않은가?

i) 수형도로 풀기 (몬티가 2번 문을 열었다는 가정)

ii) 전체 확률의 법칙으로 풀기

SS: 처음 선택에서 바꿔서 자동차 있는 문을 맞추는 사건

DjD_j​​: jj번 문 뒤에 자동차가 있는 사건 (j∈{1,2,3})(j \in \{1, 2, 3\} )

P(S)=P(S∣D1)×13+P(S∣D2)×13​​+P(S∣D3)×13 P(S) = P(S|D_1)\times \large{\frac{1}{3}} + P(S|D_2) \times \large \frac{1}{3}​​ +P(S|D_3) \times \large \frac{1}{3}

=0+1×13​​+1×13=23 = 0 + 1\times \large \frac {1}{3}​​ + 1 \times \large \frac {1}{3} = \frac {2}{3}

또한 Monty는 내가 고르지 않은 두 개의 문이 둘 다 염소가 있다면 두 문을 열 확률은 같으므로

P(S∣Monty가2번문을연다)=23=P(S)P(S∣ Monty가 2번문을 연다) = \large \frac{2}{3} =P(S)

으로, 조건부 확률과 조건부가 아닌 확률 값이 일치한다.

만약 몬티홀의 문이 9999개라면?

  • 대부분의 직관은 선택한 문을 바꾼다 라는 입장 => 자신의 첫 선택이 크게 가능성이 없다고 생각

  • 문이 3개인 경우와 크게 다를게 없다

Simpson's Paradox(심슨의 역설)

부분에서 성립하는 대소 관계는 전체를 보았을 때 역전될 수도 있다.

예시) 심슨 가족이 사는 스프링필드에 Dr.Hibbert와 Dr.Nick, 두 명의 의사가 있교, 그들은 심장 수술과 반창고 제거 두 가지 수술을 한다고 하자.

의사들의 수술종류별 성공률을 보았을 때, Dr.HIbbert가 더 좋은 의사임은 분명하다.

하지만 Dr.Nick이 더 높은 전체 수술 성공률을 근거로 스스로의 경쟁력을 주장한다면, 이 또한 틀린 말은 아니다!

또 다른 예

  • 야구에서 두 명의 선수가 있다. 1번 선수가 타율(전체 타석에서 안타를 친 횟수)이 더 높고 두 번째 시즌에서도 타율이 더 높지만 전체적으로 봤을 때 2번 선수가 타율이 더 높다.

(수업에서 제시한 심슨 가족의 예시 외에도, https://en.wikipedia.org/wiki/Simpson%27s_paradox 에서 더 많은 심슨의 역설 예시를 찾아볼 수 있다.)

이론적 접근

A: 수술이 성공하는 사건 (<-> 수술 실패)

B: Dr. Nick가 수술을 집도하는 사건 ( <-> 히버트가 집도)

C: 심장 수술을 받는 사건 ( <-> 반창고 제거)

심장) P(A∣B,C)<P(A∣BC,C)P(A|B,C) < P(A|B^C,C)

반창고) P(A∣B,CC)<P(A∣BC,CC)P(A|B,C^C) < P(A|B^C,C^C)

로 Dr.Hibbert가 각각의 수술이라는 조건부 확률에서는 더 좋은 성적을 보일 수 있지만,

무조건부 확률은 P(A∣B)>P(A∣BC)P(A|B) > P(A|B^C)와 같이 역전될 수가 있다는 것이다.

⇒\Large\Rightarrow 여기서 C(수술의 종류)는 confounder (교란변수)라고 하며, 이렇게 적절한 confounder에 의한 조건부 확률을 확인하지 않으면 상황에 대한 그릇된 판단을 내릴 위험이 있다.

전체 확률의 정의를 이용해 심슨의 역설이 틀렸음을 증명할 수 있는가?

P(A∣B)=P(A∣B,C)P(C∣B)+P(A∣B,CC)P(CC∣B)P(A|B) = P(A|B,C)P(C|B) + P(A|B,C^C)P(C^C|B) 에서

문제에서 주어진 조건에서 P(A∣B,C)<P(A∣BC,C)P(A|B,C) < P(A|B^C,C), P(A∣B,CC)<P(A∣BC,CC)P(A|B,C^C) < P(A|B^C,C^C) 는 확인 가능하지만,

P(C∣B),P(CC∣B)P(C|B), P(C^C|B) 가 좌항, 우항에 서로 다른 가중치로 작용하기 때문에 증명할 수 없다.

나는 잘 이해가 안가서 이걸 참고했더니 이해가 좀 됐다.

표본 크기의 차이가 승률의 비중을 다르게 만들고 달라진 승률의 비중이 합산된 결과는 직관을 깨는 듯한 역설을 준다 라는 정리.

(아직까지 설명을 완벽하게 할 정도로 이해는 못한 듯)

Previous19 TueNext17 Sun

Last updated

Was this helpful?