과거의 인공지능과 머신러닝의 가장 큰 차이점은 무엇입니까?
강의자료의 '인공지능의 과거와 현재' 부분을 참고하세요.
과거 AI는 데이터로부터 패턴을 학습했다.과거 AI는 논리와 지식 기반이었고, 머신러닝은 데이터 기반으로 학습한다.머신러닝은 딥러닝의 한 종류이다.머신러닝은 논리와 계획에 바탕을 둔다.
과거 AI는 논리와 지식 기반이었고, 머신러닝은 데이터 기반으로 학습한다.안드레 카파시가 제안한 '소프트웨어 2.0'의 핵심적인 특징은 무엇입니까?
소프트웨어 1.0이 '규칙'을 입력하는 것이라면, 소프트웨어 2.0은 '데이터'를 입력합니다.
프로그래머가 명시적인 규칙을 코드로 작성하는 방식데이터와 원하는 결과를 입력하면 규칙(프로그램)이 출력되는 방식더 빠른 컴퓨터 하드웨어를 사용하는 방식통계학적 원리를 배제하는 방식
데이터와 원하는 결과를 입력하면 규칙(프로그램)이 출력되는 방식머신러닝에서 '훈련(training)'이란 무엇을 의미합니까?
선형 모형 y = wx + b의 예시에서 훈련은 w와 b를 찾는 것에 해당합니다.
만들어진 모형의 성능을 최종적으로 평가하는 과정데이터의 패턴에 맞는 최적의 파라미터(w, b 등)를 찾는 과정데이터를 수집하고 정제하는 과정모형의 수학적 구조를 설계하는 과정
데이터의 패턴에 맞는 최적의 파라미터(w, b 등)를 찾는 과정머신러닝과 통계학의 차이점에 대한 설명으로 올바른 것을 모두 고르세요.
두 학문은 뿌리가 같지만, 목표와 강조점에 차이가 있습니다.
머신러닝은 통계적 학습이라고도 불린다.통계학은 예측 성능보다 데이터의 특성 이해와 수학적 엄밀성을 더 강조한다.머신러닝은 통계학과 전혀 관련이 없다.머신러닝은 예측과 의사결정 같은 실용성에 더 집중하는 경향이 있다.
머신러닝은 통계적 학습이라고도 불린다., 통계학은 예측 성능보다 데이터의 특성 이해와 수학적 엄밀성을 더 강조한다., 머신러닝은 예측과 의사결정 같은 실용성에 더 집중하는 경향이 있다.'데이터의 비합리적인 효과(Unreasonable effectiveness of data)' 논문의 핵심 주장은 무엇입니까?
모형의 정교함보다 '데이터' 자체의 힘을 강조한 개념입니다.
최신 모델을 사용하는 것이 데이터의 양보다 항상 더 중요하다.모형 간의 성능 차이에도 불구하고 데이터가 증가할 수록 모든 모형에서 성능이 향상된다.데이터가 많아질수록 과대적합 문제가 심각해져 성능이 오히려 떨어진다.도메인 지식을 활용하는 것이 데이터의 양을 늘리는 것보다 효과적이다.
모형 간의 성능 차이에도 불구하고 데이터가 증가할 수록 모든 모형에서 성능이 향상된다.