인공지능(LLM 구축)/인공지능 기초지식

인공지능 기술의 발전은 우리의 삶에 혁명적인 변화를 가져오고 있습니다. 특히 교육 분야에서는 이러한 기술이 새로운 문화를 형성하고 있습니다. 이번 포스트에서는 현재 인공지능과 교육이 어떻게 상호작용하고 있는지 살펴보고, 미래에는 어떤 변화가 올 것인지에 대해 알아보겠습니다. 1. 인공지능과 교육의 현재 상황 1-1. 개별화된 학습 지원 인공지능 기술은 개별화된 학습을 가능하게 합니다. 기계학습과 데이터 분석 기술을 활용하여 학생들의 학습 수준을 분석하고, 그에 맞춰 맞춤형 학습 경로를 제시합니다. 이는 학생들의 개별적인 학습 요구에 맞춰 교육을 제공할 수 있는 혁신적인 방법입니다. 학생들의 강점과 약점을 식별하여 맞춤형 지원을 제공함으로써 학습 효율성을 높일 수 있습니다. 1-2. 자동화된 평가 시스템 ..

생성형 AI 기술은 인공지능이 새로운 콘텐츠나 데이터를 만들어내는 기술입니다. 이를 이해하기 쉽게 설명하면, 우리가 컴퓨터에게 어떤 주제나 문제를 제시하면, AI가 스스로 학습하고 그에 맞는 새로운 내용을 만들어 낼 수 있는 것이죠. 예를 들어, 만약에 우리가 "강아지에 대한 글을 써봐"라고 컴퓨터에게 말한다면, 생성형 AI는 이를 이해하고 강아지에 관한 글을 쓸 수 있습니다. 더 나아가서는 그림도 그려줄 수 있습니다. 이 기술은 어떻게 가능한 걸까요? 생성형 AI는 먼저 대규모의 데이터를 학습하고, 그 데이터에서 패턴을 파악합니다. 그리고 그 패턴을 기반으로 새로운 것을 만들어냅니다. 이 과정에서 딥러닝과 자연어 처리 등의 기술이 사용됩니다. 생성형 AI는 예술 작품을 만들거나 문제를 해결하는 데에도 ..

* Cost가 작아지는 방향뿐만 아니라 w가 최소가 되는 방향으로 학습(Weight 값이 작아지면 데이터의 실뢰성, 성능이 더 좋다고 평가할 수 있다) 》 W가 작아지도록 학습하는 이유 : local noise가 학습에 큰 영향을 끼치지 않는다는 것을 의미 Outlier의 영향을 더 적게 받도록 하겠다는 것 - 일반화에 적합한 특성을 가지도록 》 활성화 함수(activation function) - 활성화 함수를 사용하면 입력값에 대한 출력값이 linear하게 나오지 않으므로 선형분류기를 비선형 시스템으로 만들 수 있다. - 따라서 MLP(Multiple layer perceptron)는 단지 linear layer를 여러개 쌓는 개념이 아닌 활성화 함수를 이용한 non-linear 시스템을 여러 lay..

* KNN 》 컴퓨터에게 학습하는 능력을 주는 것이란 ⇒ 파라미터를 찾는 것(데이터를 통해 스스로 학습하여 최적의 판단이나 예측 즉, 적절한 파라미터를 찾는 것) 》 KNN(K-Nearest Neighbor) : 탐색할 이웃 수(k), 거리 측정 방법에 따라 분류가 달라짐 》 장점 : 이해하기 매우 쉬운 모델이며, 많이 조정하지 않아도 좋은 성능을 발휘한다. 매우 빠르게 만들 수 있어서 더 복잡한 알고리즘을 적용해 보기 전에 시도해 볼 수 있다. 》 단점 : 훈련 세트가 매우 크면 예측이 느려진다. 많은 특성을 가진 데이터 세트에는 잘 동작하지 않는다. 따라서 예측이 느리고 많은 특성을 처리하는 능력이 부족하여 현업에서는 사용하지 않는다. - K = Hyperparameter = 임의로 변경할 수 있는 ..

* 머신러닝 : 경험적 데이터를 기반으로 학습하고 예측하고 스스로 성능을 향상시키(파라미터가 업데이트 되는 것)는 시스템과 이를 위한 알고리즘을 구현하는 연구분야 인공지능 : 인간의 학습능력과 추론능력,지각능력,자연언어의 이해능력 등을 프로그램으로 실현한 기술 딥러닝 : 머신러닝의한 분야로 Neural Network를 기반으로 하는 학습모델을 구축하는 연구 머신러닝 변천사 : 전문가 시스템(논리/규칙 기반)→인공신경망(연결기반)→기계학습(통계기반)→딥러닝 머신러닝 응용 분야 : 문서분류, 감성분석, 번역, 얼굴인식, 주식예측, 로봇제어 머신러닝을 하려면 필요한 사항 : 데이터 + 모델 데이터(제일중요), 모델(지도, 비지도, 강화학습) * 모델을 학습한다? : (의미)모델에 존재하는 파라미터를 학습하는 ..