패스트캠퍼스 환급챌린지 37일차 : Part3. 인공지능의 이해 Lv2 : 숲을 보는 인공지능

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스

ch08-01 Autoencoder - 오토 인코더의 개념 및 주요 구성
1) Autoencoder
- 비지도 학습
- 효율적인 코딩을 학습
: 코딩이란 원본 데이터의 속성 값을 잘 보관할 수 있도록 압축된 형태의 데이터
- 인코딩을 통해 코드를 생성
2) 차원 축소
- 데이터 압축의 개념을 이해하기 위한 선 정의
- PCA : 상관 관계가 있는 고차원의 자료를 최대한 보존하는 고유값과 고유 벡터를 이용하여 저차원 자료로 변환하는 방법
:  통계기반의 알고리즘을 사용하여 고유값과 고유벡터를 구함
- 신경망에서 차원을 축소하는 방법
: 입력데이터로 주어진 X와 출력 데이터 X의 오차가 최소화되도록 하는 코드의  값을 찾도록 학습
3) Autoencoder의 활용
- feature 를 사용해서 분류모델에 활용
Ch08-02 Autoencoder - VAE
1) Generative Model
- 학습데이터(확률분포)를 사용하여 데이터를 선택
- Explicit density/Inplicity density로 나눌 수 있으며 VAE는 Explicity density에 속함
2)  VAE
- 대규모 데이터 세트로 확장이 가능하고 다루기 힘든 조건에서도 동작할 수 있는 확률적 변형 추론모델 제안
- 입력 데이터 x -> 평균, 표준편차신경망 + 입실론 (데이터의 랜덤성) -> latent vector-> 출력 x
3) 데이터 생성을 위한 신경망
- 모델의 파라미터 세타가 주어졌을 때 X가 나올 수 있은 확률리 최대화되도록 세타를 구하는 것으로. 최적의 파라미터를 구하는 과정
Ch08-03 오토 인코더의 활용
- Image super resolution
: 저해상도 이미지를 고해상도 이미지로 변경하는 것에 활용
: 저해상도, 고해상도 이미지 두개를 구하는 것은 어렵기 때문에 고해상도 이미지를 저해상도로 변경해서 학습을 진행
- Image denosing
: 이미지에 노이미지를 제거하는 것에 활용
: 노이즈 이미지와 정상 이미지를 동시에 구하기 어렵기 때문에 정상 이미지에 노이즈를 줘서 학습에 활용함
- Anomaly Detection
: 비정상 데이터를 판별하기 위한 방법으로 사용됨
: 비정상 데이터를 얻기 어렵기 때문에 정상 데이터로 학습하여 패턴을 만들고, 입력이 들어왔을 때 새로운 패턴이 발견되면 이상데이터로 체크