확률과 통계 기반의 다양한 AI 알고리즘

<<확률과 통계 기반의 AI>>

 -비정형 데이터를 포함하는 빅데이터에 대한 예측

 -다양한 통계(가능성)의 자료처리, 진단, 학습하는 기법과 모델이 필요함.

AI	비정형화된 자료도 데이터로 사용함 EX) 포트폴리오, 산출물, 자기피드백 등
일반 프로그램	주로 정형화된 자료만 데이터로 사용

-AI의 핵심 요소는 '데이터 셋'과 '알고리즘' 

-확률을 사용한 AI의 사례 : 암 발생 가능성을 진단하는 닥터왓슨 / 파이썬이나 앤트리의 확률함수를 활용한 AI교육 프로그램 구축

 

 -지도학습 : 수치로 정형화된 데이터를 처리해 이산형 예측값을 도출하는데 적합. 예) 회귀분석

 -비지도학습 : 비정형 데이터(영상, 음성 등) 처리에 적합.

 

<<앙상블 학습>>

 -다수의 학습 알고리즘을 경합하여 학습시키는 알고리즘.

 -대표적으로 배깅과 부스팅 모형이 있음.

 -배깅(Bootstrap Aggregating) : 한 데이터 집단에서 크기가 같은 데이터 표본을 반복 추출하여 모델을 만들고 이 모델의 예측 평균을 내어 예측의 분산(variance) 를 줄이는 방법.

 -부스팅(Boosting) : 제대로 예측하지 못한 오차 데이터에 가중치를 주어 표본을 추출하고 반복적으로 학습하며 예측성능을 높이는 방법. 잔차를 빠르게 줄일 수 있음.