앵버박사
MachineLearning
앵버박사
2016. 11. 4. 18:22
1. 딥러닝을 이용한 지역 컨텍스트 검색
- 네이버 여행지 검색에 딥러닝 활용
- 여행엔 테마가 존재함
1) 목적 : 힐링 / 일출 / 태교
2) 동행 : 연인 / 부모님 / 아이
3) 분위기 : 이국적 / 신비로움 / 재미
4) 토픽 : 둘레길 / 전망대 / 카약
- 목적 : 블로그 글을 분석하여 테마별로 분류함
- 기존방식 : Text mining(테마별 키워드 사전 및 패턴 이용) -> 사용자가 신규어를 만들어냄으로 끝없는 단어 추가(사람이 작업)
- 신규방식 : Deep learning -> 방대한 네이버 블로그 데이터가 장점으로 작용
1) CNN(Convolutional Neural Network) : 원래는 이미지 인식할 때 많이 사용 하지만 텍스트 패턴분석에 적용해봄
2) LSTM(Long Short-Term Memory) : 신규 어휘 발굴에 사용
- 네이버에 테마 여행지(검색어 "아이랑 가볼만한 곳" 등) 검색해 보자
2. 딥러닝과 강화 학습으로 나보다 잘하는 쿠키런 AI 구현하기
- 쿠키런은 쿠키가 뛰어가며 아이템을 먹고, 장애물은 피해서 일정 시간동안 많은 점수를 획득하는 게임
- 딥러닝 + 강화학습으로 쿠키런 AI를 구현함
- 딥러닝 : 뉴럴 네트워크를 사용하는 머신러닝 기법
- 머신러닝의 종류 : 지도 학습, 비지도 학습, 강화 학습
- 지도 학습 : 일부 데이터의 정답을 알려주어 트레이닝 하고, 나머지 데이터를 분류하는 것
- 비지도 학습 : 정답을 알려주지 않고 알아서 군집화 하는 것
- 강화 학습 : 정답없이 시행착오를 겪으며 나온 결과에 피드백을 받아 강화하는 것
- 쿠키의 현재 상황을 뉴럴 네트워크에 넣어 나온결과를 실행하고, 피드백을 받아 재반영한다(딥러닝 + 강화학습)
- 활용 : 게임 밸런싱 자동화(게임의 모든 경우의 수를 사람이 플레이하면 5040일, AI는 14일 소요)
- 8가지 논문을 구현하여 적용하였는데, 그 중 3가지만 소개(딥마인드 논문)
1) Deep Q-Network : 미래가치 Q(쿠키런 점수)를 정의하고 현재상태에서 이에 가장 높은 점수를 받을 수 있는 액션(점프, 슬라이드, 가만히)을 선택
2) Double Q-Learning : Deep Q-Netwrok에서 낙관적으로 예측하는 것을 막음
3) Dueling Network : 개별 Q 값을 정확하게 예측하기 보다 한 액션의 Q를 기준 값으로 정하고, 다른 액션의 Q값과의 차이를 이용함
- 머신러닝은 디버깅이 어려워 로그를 현재화면(쿠키런 게임화면)을 아스키문자로 그리는 형식을 사용함
3. 딥러닝 예제로 보는 개발자를 위한 통계
- 데이터 마이닝 : 데이터를 이용하여 문제를 해결하기 위한 것(머신러닝, 통계 등을 활용함)
- 딥러닝과 통계와의 관계
1) 딥러닝이 상당히 어려웠지만 결국 통계에서 나온 개념을 재정의한 것이 많았음
2) 따라서 통계 관점에서 바라보면 더 이해하기 쉽게 접근할 수 있음
3) 또한 통계 영역에서 이미 연구된 것들이 딥러닝에서의 영감을 줄 수 있음
- 결론 : 통계를 공부 하자
