SW Expert Academy - D1_1938

Posted on 2019-07-21 | In ALGORITHM

D1_1938. 아주 간단한 계산기

문제:

두 개의 자연수를 입력받아 사칙연산을 수행하는 프로그램을 작성하라.

입력:

a b 두개의 자연수가 빈칸을 두고 주어진다.

출력:

사칙연산한 결과를 순서대로 출력한다.

+,-,*,/ 순서로 연산 (나누기 연산에서 소수점 이하의 숫자는 버린다.)

생각한 로직:

a b를 입력 받아서 계산 결과를 바로 출력한다.
- 나누기한 소수점 이하의 숫자는 버림으로 파이썬에서 몫을 구하는 오퍼레이션을 사용하면 되겠다.

코딩:

a,b = map(int,input().split())
print(a+b)
print(a-b)
print(a*b)
print(a//b)

SW Expert Academy - D1_1936

Posted on 2019-07-20 | In ALGORITHM

D1_1936. 1대1 가위바위보

문제:

A와 B가 가위바위보를 하였다.

가위는 1, 바위는 2, 보는 3으로 표현되며 A와 B가 무엇을 냈는지 입력으로 주어진다.

A와 B중에 누가 이겼는지 판별해보자. 단, 비기는 경우는 없다.

입력:

A B (빈칸을 사이로 주어진다.)

출력:

A가 이기면 A, B가 이기면 B를 출력한다.

생각한 로직:

이기는 경우와 지는 경우를 분류하고 특징을 잡아서 문제를 해결한다.
- 중요한 것은 꼭 모든 경우의 수를 보고 나서 일반화 해야 한다.

코딩:

#이기는 경우
# 1 3  -2
# 2 1  1
# 3 2  1
#지는 경우
# 3 1 2
# 1 2 -1
# 2 3 -1
A,B = map(int,input().split())
if A-B == 1 or A-B == -2:
    print("A")
else:
    print("B")

인공지능과 머신러닝 딥러닝의 관계

Posted on 2019-02-19 | In PRODUCT

인공지능과 머신러닝 딥러닝의 관계

인공지능 기술의 탄생 및 성장

인공지능 기술의 탄생 및 성장

1956년 미국 다트머스 대학 존 매카시 교수 다트머스 회의에서 처음 등장

구체적인 기준을 코딩해 넣은 기기가 아닌 대량의 데이터와 알고리즘을 통해 학습하고 작업 수행방법을 익히는 방법을 목표로 하는 인공지능 (특정 기능만 잘 하는 녀석을 좁은 의미의 인공지능 이라 한다.)을 만드는 것을 목표로 한다.

구체적인 방법에는

의사결정 트리 학습
귀납 논리 프로그래밍
클러스터링
강화 학습
베이지안 네트워크
인공 신경망
MLP ; Multi-layer Perceptron ….. Representation learning
퍼셉트론(Perceptron) - 1958년 Rosenblatt

등이 존재하고 현재도 연구중에 있다. 사람의 뉴런처럼 모든 방향에서 의사결정을 하고 데이터를 전달하는 방법을 사용하기에는 너무도 많은 양의 데이터를 처리해야 한다는 문제점이 있어 한계에 봉착했었는데 병렬처리가 가능한 기술의 발전으로 많은 진전을 이뤘다.

구체적인 상관 관계에서는 다음과 같다.

인공지능(Artificial Intelligence)란?

기계 혹은 시스템에 의해 만들어진 지능을 의미한다.세계적인 관심을 받은 알파고부터, 사진을 보고 사물을 판단하는 소프트웨어, 영화 AI에 나오는 로봇까지 모두 인공지능의 종류들이다. ‘인공지능’이라는 용어 그대로 인간이 지닌 지적 능력을 인공적으로 구현한 것들 모두 인공지능에 포함된다. 그래서 머신러닝은 인공지능을 구현하는 방법들 중 하나이다.

Rule-based system
Classic machine learning
Representation learning

머신러닝

우리말로 “기계학습”인 머신러닝은 인공지능의 하위 분야다. 이는 기계가 직접 데이터를 학습(러닝)함으로써 그 속에 숨겨진 일련의 규칙성을 찾는다. 즉, 우리가 가지고 있는 사례 형식의 데이터를 컴퓨터가 학습해, 그를 기반으로 새 데이터를 평가,예상하고 이를 우리가 활용할 수 있게 한다. 감기에 걸린 환자들의 체온과 건강한 사람들의 체온 데이터를 컴퓨터에게 학습 시킨 후 특정 체온을 제시했을 때 그 체온을 가진 사람이 감기에 걸렸는지의 여부를 판독하게 하는 것이 기계학습의 예시이다. 여기서 딥러닝은 생물체의 뇌 구조에서 영감을 받은 머신러닝 기법 중 하나로 핵심 원리는 다계층 구조를 이용해서 인간 고유의 영역, 이미지 분석, 언어 인식과 같은 직관적이고 고차원적인 사고를 요하는 분야에 강점이 있다.

딥러닝

회선 신경망(CNN; Convolutional Neural Network)
- 이미지를 이해하고 이로부터 높은 수준의 추상화된 정보를 추출하거나, 새로운 질감의 그림을 그리는 등 다양한 영상처리, 컴퓨터 비전 분야에서 많이 연구되고 있는 인공신경망의 한 종류이다.

딥러닝(심층학습) 이란 기계학습의 일부로 기계학습과 대부분의 것들이 매우 비슷하지만 일반적인 기계학습과는 구별되는 두가지 큰 특징을 뽑으면 다음과 같다.

데이터의 특징을 사람이 추출하지 않는다. (데이터 전체를 학습시킨다.)
주로 인공신경망 구조를 사용하여 학습한다.

두 가지 특징들을 하나씩 설명해 보면

데이터에서 일부 특징들만 사람들이 뽑아서 기계에게 전달해 학습을 시키는 것이 아니라, 데이터 자체를 컴퓨터에게 전달하는 것이다. 예를 들어 컴퓨터에게 개와 고양이 사진을 학습시켜 특정 사진의 동물이 개인지 고양이인지 분류하도록 한다면 일반적인 기계학습의 경우 개와 고양이의 구별되는 큰 특징들을 뽑아 컴퓨터에게 전달 시키지만 딥러닝은 개, 고양이 사진 자체를 컴퓨터가 학습하도록 하는 것이다.

주로 신경망을 통해 학습한다는 것은 딥러닝이 데이터를 학습 할 때 인간의 뇌에서 일어나는 의사결정 과정을 모방한 인공신경망 구조를 통해서 학습한다는 것이다.

머신러닝과 딥러닝의 큰 차이점

머신러닝은 특정 정보만을 추출(사람이 가설을 세우고 데이터를 넣어 그것을 학습시키는 방식)사용한다.
딥러닝은 많은 데이터를 처리하고 raw한 데이터를 집어 넣고 컴퓨터가 알고리즘에 따라 결과를 내놓기 때문에 오류수정(디버깅)이 사실상 불가능하다.

※ 즉 딥러닝은 머신러닝에 포함되어 있으며 그 구분은 처리하는 데이터의 양, 하드웨어 성능, 구하고 싶은 결과의 내용에 따라 선택해야 하는 것이다.