| English | 의미 |
|---|---|
| regression/rɪˈɡreʃn/ | 회귀 |
| classification/ˌklæsɪfɪˈkeɪʃn/ | 분류 |
| linear regression/ˈlɪnɪə rɪˈɡreʃn/ | 선형 회귀 |
| OCR/ˌəʊ siː ˈɑː/ | OCR(광학 문자 인식) |
이름이 아닌 숫자를 예측하기
- 모델에게 "이 메일은 스팸인가?"라고 묻고 고정된 답변 세트 중 하나를 선택하게 하세요. 반면 "이 집은 얼마에 팔릴까?"라고 물으면 선택할 수 있는 고정된 세트가 없습니다. 답은 숫자이며, 천 파운드 정도的差异은 거의 정답과 같습니다.
- 이는 두 가지 다른 작업이며, 이를 혼동하는 것이 이 주제의 가장 흔한 실수입니다. 둘 다监督 learning이지만, 답의 형태만 다릅니다.
- 이 수업은 분류(classification) 대비 회귀(regression), **선형 회귀(linear regression)**가 선을 어떻게 선정하는지, 그리고 실제 제품이 trained 모델을 파이프라인(pipeline)으로 연결하는 방법을 다룹니다.
회귀와 분류
- **분류(classification)**은 고정된 세트에서 **카테고리(category)**를 예측합니다: 고양이 또는 개, 스팸或非스팸, 열 개의 숫자 중 어느 것인지.
- **회귀(regression)**은 연속적 스케일에서 **숫자(number)**를 예측합니다: 집 가격, 내일의 기온, 여행 소요 시간 등.
- 둘 다 监督 learning입니다. 둘 다 라벨이 있는 예시로부터 학습합니다.二者之间选择由一个问题决定: 답이 라벨인지 숫자인가?
- 이 구분이 성공도를 측정하는 방식을 바꿉니다. 분류기는 맞거나 틀린 것입니다; 회귀기는 특정 거리만큼 벗어날 수 있으므로, 이들이 손실 함수(loss functions)를 다르게 사용하는 이유입니다.
회귀와 분류의 차이는 회귀가 예측하는 것이:
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
회귀는 연속적인 수치(가격, 온도)를 출력하고, 분류는 범주를 출력함.
회귀는 연속적인 수치(가격, 온도)를 예측하고, 분류는 범주(고양이 vs 개)를 예측함.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
숫자 출력 = 회귀; 범주 출력 = 분류 — 두 가지 주요 유 Supervised 예측 유형임.
worked example: 어떤 작업이 어떤 작업인지 확인하기
-
- shopper가 5가지 고객 유형 중哪一种에 속하는지 예측.* 분류(classification): 답은 고정된 카테고리 중 하나입니다.
- 해 shopper가 다음 달에 얼마나 쓸지 예측. 회귀(regression): 답은 숫자이며, 근사한 값은 거의 정답으로 간주됩니다.
- 장치가 다음 주 실패할지 예측. 분류(classification): 네或否. 실패까지 몇 일 남았는지 예측. 회귀(regression).
- 동일한 underlying data가 두 작업 모두에 사용될 수 있습니다. 주제보다는 질문하는 **질문(question)**을 읽으세요.
각 예측 과제를 유형과 매칭하시오.
난이도 2/5 · 140 코인 + 오늘 첫 완료 시 소액 보너스
동일한 데이터가 두 유형 모두에 적용될 수 있다. 질문을 읽어보라: 고정된 집합에서의 라벨인지, 또는 척도 위의 수인지를.
선형 회귀
- **선형 회귀(linear regression)**은 직선을 fitting하거나, 입력이 여러 개일 때는 평평한 표면을 fitting합니다:
- 계수(coefficients)는 선의 예측값과 실제 훈련 값 사이의 **제곱 오차의 합(sum of the squared errors)**을 **최소(minimise)**하도록 선택됩니다.
- 제곱(squared)하는 이유는 시험에서 인정받는 두 가지 이유 때문입니다: 위아래의 오차가 서로 상쇄되지 않으며, 큰 오차는 여러 작은 오차보다 훨씬 더 엄격히 penalty됩니다.
총 제곱 거리가 가장 적은 선
회귀 직선 fitting
제어를 드래그하십시오. 선형 회귀는 데이터 포인트까지의 제곱 거리가 최소가 되는 직선을 그으며—새로운 입력에 대해 수치를 예측합니다.
선형 회귀는 다음을 위해 계수를 선택한다:
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
데이터 포인트와의 제곱 차이가 최소가 되는 직선/초평면을 fitting함.
왜 선형 회귀는 오차 자체보다 오차의 제곱(SQUARED) 합을 최소화하는가?
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
두 이유 모두 정답이다. 제곱을 하지 않으면 직선이 위아래로 매우 큰 오차를 가져도 점수가 0이 될 수 있음.
직선이 적절한 모델인 경우
- 관계가 **대략적으로 선형(roughly linear)**이고 인간이 읽을 수 있는 모델을 원할 때 선형 회귀를 사용하세요: 각 계수는 해당 입력의 중요도와 방향을 나타냅니다.
- 데이터가 곡선을 그릴 때에도 동일한 원리는 다른 모델로 적용됩니다: polynomial regression, decision tree, 또는 neural network. 모든 경우에서 레시피는 동일합니다. 모델을 선택하고, 손실을 정의하고,最小化它.
- 이 레시피가 이 수업과 이전 수업을 연결하는 이유입니다: gradient descent는 답에 대한 공식이 없을 때最小化를 수행하는 방법일 뿐입니다.
실제 제품에서의 AI
- 실제 시스템은 드물게 하나의 모델만 사용합니다. 여러 trained 모델을 **파이프라인(pipeline)**으로 연결하여 각자가 한 단계씩 수행합니다.
- 출입문 얼굴 식별(face identification): 카메라가 얼굴을 캡처하고, 이미지 인식이 이를 수치적 표현으로 변환하며, đó는 등록된 사람들의 표현과 매칭됩니다.
- 여행자에게 표지판을 읽음: 이미지 인식이 텍스트를 위치시키고, OCR이 픽셀을 문자로 변환하며, 기계 번역이 단어를 변환하고, **텍스트-투스피치(text-to-speech)**가 오디오를 생성합니다.
- 시험은 시나리오를 제시하고 어떤 모델이 사용되었는지 순서대로 묻습니다. 단계를 명시하고 다음 단계에 대한 산출물을 설명하세요.
각 AI 개념의 의미를 매칭하시오.
난이도 2/5 · 140 코인 + 오늘 첫 완료 시 소액 보너스
학습은 모델을 한 번 fitting하고, 추론은 사용자가 상호작용할 때마다 빠른 예측을 수행함.
"간판 읽어 소리 내기" 기능은 일반적으로 어떤 모델들을 체인하게 되는가?
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
여러 학습된 모델이 파이프라인을 형성함: 텍스트를 찾고, 문자를 추출하고, 번역하고, 발음함.
외국 간판을 읽고 소리 내는 앱의 단계를 순서대로 나열하시오.
난이도 3/5 · 200 코인 + 오늘 첫 완료 시 소액 보너스
여러 학습된 모델이 체인되어 있으며, 각각의 출력을 다음 단계로 전달함. 단계와 이를 통해 생성되는 산출물을 명시하시오.
worked example: 훈련(inference) 대비 학습(training)
- 전화 앱이 사진에서 식물을 즉시 인식하지만, 모델 훈련에는 여러 기계에서 수주가 걸렸습니다. 그 이유를 설명하세요.
- **훈련(training)**은 매우 큰 라벨이 있는 데이터셋을 반복적으로 전방 및 후방_pass에 통과시키며, 여러 에포크에 걸쳐数百万의 가중치를 조정합니다. 이것이 수주가 걸린 이유입니다.
- 추론은 학습된 모델을 사용하여 가중치가 고정된 네트워크를 **단일 전파(interior forward pass)**로 처리하는 과정입니다: 곱하기, 더하기, 활성화 단계를 한 번만 층별로 수행합니다.
- 지능은 학습된 가중치에 reside하므로, 완성된 모델은 크기가 작고 속도가 빨라 휴대폰에 탑재할 수 있습니다.
학습된 모델을 사용하여 예측을 하려면 단일 ____ 전달만 필요하다.
난이도 1/5 · 100 코인 + 오늘 첫 완료 시 소액 보너스
학습은 방대한 데이터셋에 걸쳐 전방 및 후방 전달을 반복하지만, 추론은 고정된 가중치를 한 번만 실행하므로 즉각적으로 이루어짐.
놓칠 수 있는 점
- 분류는 범위를, 회귀는 숫자를 제공합니다. 둘 다 superviszed(지시형)이므로 이것이 차이가 아닙니다.
- 선형 회귀는 '총 거리'가 아닌 제곱 오차 합을 최소화합니다. 왜 제곱인지 말하세요.
- 파이프라인의 답은 단계들을 순서대로 제시하고 각 단계가 다음 단계에 무엇을 전달하는지 설명해야 합니다.
- 학습은 반복되는 전파 및 후방 전파입니다. 추론은 단일 전파입니다. 질문이 사용에 대해 묻고 있을 때 학습을 설명하지 마십시오.
이해했습니다
- 분류는 범위를 예측하고, 회귀는 숫자를 예측합니다. 둘 다 superviszed이며, 질문의 답 형식이 어떤 것을 결정합니다.
- 선형 회귀는 $y = m_1x_1 + \ldots + c$을 제곱 오차 합의 최소화를 통해 fitting(적합)하므로, 오차가 상쇄되지 않고 큰 오차는 엄격하게 처벌됩니다.
- 곡선 데이터는 다른 모델이 필요하지만 레시피는 변함없습니다: 모델을 선하고, 손실 함수를 정의하며, 이를 최소화하십시오.
- 실제 제품은 모델을 연결합니다: 이미지 인식, OCR, 번역 및 텍스트-음성 변환; 학습은 많은 전파 및 후방 전파이며, 추론은 단일 전파입니다.