01-1.[AI & 기계학습 기초] AI와 ML은 무엇인가？

वक्ता:

• Speaker 1 0:00
• Speaker 2 0:01

1. 0:00

   अध्यायः 1: 안녕하십니까. 서울대학교 우민환입니다. 299s · Speaker 1

   안녕하십니까. 서울대학교 우민환입니다. 반갑습니다. 오늘부터 내일까지 제가 각각 4시간씩 총 8차시 뵙게 될 텐데요. 이 사피 교육 프로그램에 아주 훌륭한 말씀을 많이 듣고 또 이렇게 높은 경쟁력을 뚫고 오신 분들이라고 아주 훌륭한 수강생들이라고 들어서 기대가 큽니다. 비록 제가 얼굴을 뵙고 강의는 못하지만 그래도 이렇게 활발히 강의 들으시면서 코멘트 남겨주시고 질문해주시면 감사하겠습니다. 그리고 저희가 배울 내용들이 상당히 …

2. 5:00

   अध्यायः 2: 통상적으로 지금 2025년 현 시점에서 얘기하는 AI들은 대부분 머신러닝 기반의 AI를 얘기합니다. 299s · Speaker 1

   통상적으로 지금 2025년 현 시점에서 얘기하는 AI들은 대부분 머신러닝 기반의 AI를 얘기합니다. 그러면 데이터와 학습의 이해에 대해서 본격적으로 얘기할 테고요. 그러기 위해서는 데이터 구성 요소에 대해서 개념 정리를 잠깐 하도록 하겠습니다. 데이터가 왜 중요한가? 라는 질문을 해볼 수 있을 텐데요. 먼저 아까 말씀드렸듯이 머신러닝은 하드코딩을 하는 게 아니라 직접 여러분이 어떤 상황에서 어떠한 인풋에서 어떻게 행동해야 되는…

3. 10:00

   अध्यायः 3: 그 알고리즘이 이러한 규칙을 학습을 하도록 하는 게 머신러닝의 예입니다. 85s · Speaker 1

   그 알고리즘이 이러한 규칙을 학습을 하도록 하는 게 머신러닝의 예입니다. 그러면 먼저 이제 조금 더 본격적으로 들어가서 단일 피처를 가지고 어떻게 학습을 하는지 단일 피처라고 하면 피처가 원디멘션일 때 어떻게 학습을 하는지에 대해서 얘기하도록 하겠습니다. 원디멘션이라고 하는 것은 무엇이냐면 제가 예제로 들 아주 심플한 그 데이터 포인트들인데요. 실제 데이터들이고 여기서는 X축에는 얼만큼 오래 학교를 다녔는지의 여부입니다. 그래…

4. 11:25

   अध्यायः 4: 즉, 얼마큼 교육기간이 얼만큼 길었는지와 그에 해당하는 개인들의 인컴이 얼만큼인지에 대한 것들이고요. 300s · Speaker 2

   즉, 얼마큼 교육기간이 얼만큼 길었는지와 그에 해당하는 개인들의 인컴이 얼만큼인지에 대한 것들이고요. 그럼 두 개의 그러면 결국에 XY 페어들이 있겠죠. 그래서 X는 Years of Education, 즉 얼만큼 오랫동안 교육을 받았는지, 인컴은 수입이고요. XY Coordination이 몇 개가 있냐면 여기 빨간 점들이 30개가 있습니다. 이 빨간 점들은 각각이 데이터들이고요. 이 빨간 점들의 데이터들을 우리가 바탕으로 여기…

5. 16:26

   अध्यायः 5: 했을 때 이 F는 F 스타가 아닙니다 F 스타는 미지의 참 함수이고 여러분이 절대 관측할 수 없는 것이라고 얘기했죠 어떤 다른 함수인 F입니다 이게 바라건데 이게 미제 함수, 참 함수인 F 스타와 같다면 가장 이상적이겠죠 근데 이것을 저희가 알지 못하니까 이걸 바탕으로 우리가 학습을 하는 것 자체는 아닙니다 어떻게든 우리는 우리가 가지고 있는 어떤 함수 중에서 이 빨간 점들이 주어졌을 때 여러 가지 함수가 있을 텐데요 지금 제가 보여드리는 이 장표에서는 예를 들어서 후보 모델이라고 하는 것은 여기서 보라색 실선들을 얘기합니다. 65s · Speaker 1

   했을 때 이 F는 F 스타가 아닙니다 F 스타는 미지의 참 함수이고 여러분이 절대 관측할 수 없는 것이라고 얘기했죠 어떤 다른 함수인 F입니다 이게 바라건데 이게 미제 함수, 참 함수인 F 스타와 같다면 가장 이상적이겠죠 근데 이것을 저희가 알지 못하니까 이걸 바탕으로 우리가 학습을 하는 것 자체는 아닙니다 어떻게든 우리는 우리가 가지고 있는 어떤 함수 중에서 이 빨간 점들이 주어졌을 때 여러 가지 함수가 있을 텐데요 지금 제…

6. 17:31

   अध्यायः 6: 3번이 더 적합해 보여요라고 하는 건 어쩌면 여러분들 머릿속에 아직 이 전장표에 있었던 그 True 함수가 머릿속에 남아서 그럴 수 있습니다 그렇죠? 302s · Speaker 2

   3번이 더 적합해 보여요라고 하는 건 어쩌면 여러분들 머릿속에 아직 이 전장표에 있었던 그 True 함수가 머릿속에 남아서 그럴 수 있습니다 그렇죠? 좀 그렇지 않을까요? 네, 2번일 수도 있어요 여러분 아까 조금 전에 말씀드렸듯이 True로 생겼던 그 여기에서 보였던 True 함수에 대한 기억은 여러분이 지워버리시고요 우리가 이 빨간 점들을 가지고 어떠한 함수가 가장 적합한 함수일까 즉 적합하다는 것은 무엇이냐 라고 하면 X…

7. 22:34

   अध्यायः 7: 암묵적으로 저는 가설 공간을 선형 함수의 집합에서만 하겠다고 얘기하는 겁니다. 60s · Speaker 1

   암묵적으로 저는 가설 공간을 선형 함수의 집합에서만 하겠다고 얘기하는 겁니다. 거기에서 적합한 선형 함수를 찾는 거죠. 만약에 또 내일 2차 시에 배울 내용이 로지스틱 함수로 이래서 어떤 분류 모델이 있어서 나는 로지스틱 모형을 핏을 하겠다고 하는 것은 아주 무수히 많은 로지스틱 함수들 중에서 제가 이 데이터 포인트들을 잘 적합하는 특정 로지스틱 함수를 찾겠다고 얘기하는 겁니다. 그래서 대부분의 학습 테스크는 데이터가 주어지고…

8. 23:34

   अध्यायः 8: 아주 활발히 질문이 있으신데요. 300s · Speaker 2

   아주 활발히 질문이 있으신데요. 너무 좋습니다. 그렇다면 가설 공간에 해당하는 함수 목록은 저희가 이미 가지고 있는 건가요? 아니요. 제가 선형 함수만 생각하더라도 선형 함수가 무수히 많습니다. 이거를 함수를 쫙 나열한 다음에 그 중에 모든 것을 다 트라이 해보고 혹은 에러를 구하고 그 중에 선택하는 어떠한 것이 아니라 이미 무수히 많으면요. 여러분들 그걸 나열하기도 불가능하죠. 그런데 아주 다행히도 내일 저희가 얘기할 텐데 …

9. 28:35

   अध्यायः 9: 곡선이 얼마나 많겠습니까. 300s · Speaker 1

   곡선이 얼마나 많겠습니까. 그 중에서 어떤 특정 곡선을 어떤 비선형 함수를 찾는 과정입니다. 그래서 정리를 하자면 학습이란 것은 주어진 데이터가 있고요. 또 주어진 성능 척도가 있을 겁니다. 성능 척도를 바탕으로 가설 공간이 있는 스크립 앱들 중에서 여러 가지 후보가 있을 텐데 그 중에서 어떤 최적의 모델을 찾는 과정입니다. 즉 데이터가 있고요. 데이터는 피처와 레이블이 있을 테고 지도학습에서는요. 뒤에서 더 지도학습과 비지도…

10. 33:35

    अध्यायः 10: 데이터 포인트에 대한 관측오차. 302s · Speaker 2

    데이터 포인트에 대한 관측오차. 그래서 Epsilon I가 존재합니다. 이것도 여전히 관측, 직접적으로 얼만큼이 관측오차인지, 직접적으로 어떤 것이 미지의 평균적인 관계를 나타내는지를 두 개 다 관측 불가능하죠. 여러분이 관측할 수 있는 것은 무엇이다? 빨간 점들 뿐이다 라는 겁니다. 그래서 파란색, 여러분의 기억 속에서 파란색 서피스는 지워버리고요. 빨간색 점들만 있는 상태에서 여러분이 학습을 한다고 하는 것은 어떠한 서피스…

11. 38:38

    अध्यायः 11: 때 여러분이 이제는 적어도 수업을 들으시고 교육과정을 들으신 분들은 나가서 아 가설 공간에서 어떤 특정 함수를 찾는 거고 특정 함수를 찾는다는 것은 아주 무한히 많은 함수 공간에서 여러분이 함수를 찾는 것이다 라는 것은 우리가 이제 얘기할 수 있을 겁니다 자 그러면 조금 더 우리가 앞으로 이번 시간 뿐만이 아니라 내일도 이어서 배울 것들이기 때문에 일반적인 용어를 정리하도록 하겠습니다 먼저 저희가 예제를 들어서 우리가 아까 교육기관과 경력 그리고 수입 바탕으로 예를 들었는데 그것들을 우리가 조금 더 추상적으로 나타내면요. 300s · Speaker 2

    때 여러분이 이제는 적어도 수업을 들으시고 교육과정을 들으신 분들은 나가서 아 가설 공간에서 어떤 특정 함수를 찾는 거고 특정 함수를 찾는다는 것은 아주 무한히 많은 함수 공간에서 여러분이 함수를 찾는 것이다 라는 것은 우리가 이제 얘기할 수 있을 겁니다 자 그러면 조금 더 우리가 앞으로 이번 시간 뿐만이 아니라 내일도 이어서 배울 것들이기 때문에 일반적인 용어를 정리하도록 하겠습니다 먼저 저희가 예제를 들어서 우리가 아까 교…

12. 43:38

    अध्यायः 12: 그런 질문을 할 수 있겠죠. 103s · Speaker 1

    그런 질문을 할 수 있겠죠. 그 이유는 여러 가지가 있을 수 있습니다. 가장 대표적으로는 만약에 X와 Y의 관계를 잘 나타내는 잘 학습된 F가 있다면 제가 데이터에 있는 X가 아니라 즉 훈련에 사용된 데이터에 있는 X가 아니라 새로운 X가 주어졌을 때 새로운 엑스 새로운 피처가 주어졌을 때 그걸 바탕으로 어떤 예측값을 새로운 예측값을 우리가 할 수 있겠죠 예를 들어서 제가 어제까지 어떤 데이터를 가지고 만약에 뭐 그때까지 유튜…

13. 45:22

    अध्यायः 13: 그렇죠? 그럼 여러분이 어떤 것은 더 관계가 있을지 어떤 것은 중요할지 어떤 것은 안 중요할지 궁금해할 수도 있고 그것들 자체가 분석의 목적일 수도 있습니다. 84s · Speaker 2

    그렇죠? 그럼 여러분이 어떤 것은 더 관계가 있을지 어떤 것은 중요할지 어떤 것은 안 중요할지 궁금해할 수도 있고 그것들 자체가 분석의 목적일 수도 있습니다. 그리고 또한 여러분이 학습한 어떤 그 함수의 복잡도에 따라서 어떨 때는 특정 피처가 특정 피처입니다. 특정 피처가 1만큼 변했을 때, 얼마만큼 변했을 때 Y값이 어떻게 변할지 자체도 우리가 각각 바라볼 수도 있습니다. 만약에 제가 X라는 값이 제가 가지고 있는 게 여러 …