SlideShare uma empresa Scribd logo
1 de 46
기계도 학교에 가나요?
어린이를 위한 인공지능, 기계학습 알고리즘 탐구
박해선 haesunrpark@gmail.com
인공지능
내가 알고 있는 인공지능이
있나요?
알파고
퐁 게임
쿠키런
자동주행
자동차
로봇
인공지능과
기계학습
인공지능
기계학습
기계학습
컴퓨터가 학습할 수 있도록
도와주는 기술
전세계
큰 회사들의
최대 관심사
기계가 학습?
도대체 컴퓨터 프로그램이
어떻게 배운다는 걸까요?
컴퓨터가
다니는
학교가
있는 걸까요?
우리는
어떻게
배우나요?
같은 시험을
계속 본다면?
50점 60  70  80 점
100점
문제가
조금 달라도..
80점? 90점?
인공지능도
비슷해요.
구구단만 알고 있으면
인공지능 프로그램이 어떻게
학습하는지 알 수 있어요.
곱셈을 하는
접시가
있어요.
곱셈접시
X
어떤 수를
곱해야
할까요?
곱셈접시
X
프로그램은
사람만큼
똑똑하지
않아요
곱셈접시
X
원하는
값보다
작네요
곱셈접시
X
부족한 걸
알려줘야죠
곱셈접시
X
다시 시험을
치릅니다
곱셈접시
X
큰 변화를
줘 볼까요?
곱셈접시
X
무언가
잘 못
되었네요.
곱셈접시
X
자꾸 연습
시켜야 할
것 같죠?
곱셈접시
X
조금씩
바꾸는게
안전할 것
같아요
곱셈접시
X
모자라지만
아까 보단
낫네요
곱셈접시
X
다시
부족한 걸
알려줘야죠
곱셈접시
X
계속
시험을
보게 해야죠
곱셈접시
X
는 계속 접시에 숫자를 던지고
은 숫자를 조금씩 바꿔가며
배우고 있습니다.
다시
곱셈접시에
숫자를
던집니다
곱셈접시
X
조금 더
큰 값으로
바꾸었어요
곱셈접시
X
정확히
맞추었네요
곱셈접시
X
이제
2 x = 10 을
계산할 수
있어요
곱셈접시
X
만세! 정답을 기억합니다.
곱셈접시를
뉴런이라고
불러요
곱셈접시  뉴런
X
뉴런은
뇌세포를
말하죠
X
뉴런은
1조개나
있어요
뉴런을
여러개 연결
해서 숫자를
구분해 보죠
직접 숫자를
구분해 볼까
요?
(시연)
숫자 말고
다른 것도
될까요 ?
(시연)
혹시 프로그
래머가 꿈인
가요?
어떻게 하면 멋진 인공지능
프로그램을 만들 수 있을까요?
일기와
프로그램의
공통점
아무것도 없는
백지에서 시작하죠.
독서와
글짓기가
정말
중요해요
글을 많이 읽고 잘 쓰는 사람이
훌륭한 프로그래머가 됩니다.
훌륭한
프로그래머
감사합니다.

Mais conteúdo relacionado

Destaque

해커에게 전해들은 머신러닝 #3
해커에게 전해들은 머신러닝 #3해커에게 전해들은 머신러닝 #3
해커에게 전해들은 머신러닝 #3Haesun Park
 
기계학습 / 딥러닝이란 무엇인가
기계학습 / 딥러닝이란 무엇인가기계학습 / 딥러닝이란 무엇인가
기계학습 / 딥러닝이란 무엇인가Yongha Kim
 
Ai(인공지능) & ML(머신러닝) 101 Part1
Ai(인공지능) & ML(머신러닝) 101 Part1Ai(인공지능) & ML(머신러닝) 101 Part1
Ai(인공지능) & ML(머신러닝) 101 Part1Donghan Kim
 
텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016
텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016
텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016Taehoon Kim
 
20160409 microsoft 세미나 머신러닝관련 발표자료
20160409 microsoft 세미나 머신러닝관련 발표자료20160409 microsoft 세미나 머신러닝관련 발표자료
20160409 microsoft 세미나 머신러닝관련 발표자료JungGeun Lee
 
텐서플로우 기초 이해하기
텐서플로우 기초 이해하기 텐서플로우 기초 이해하기
텐서플로우 기초 이해하기 Yong Joon Moon
 
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개Terry Cho
 
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016Taehoon Kim
 
인공지능 딥러닝 (Etri) 20160811 short deck
인공지능 딥러닝 (Etri) 20160811 short deck인공지능 딥러닝 (Etri) 20160811 short deck
인공지능 딥러닝 (Etri) 20160811 short deckaidentify
 
머신 러닝(Machine Learning)
머신 러닝(Machine Learning)머신 러닝(Machine Learning)
머신 러닝(Machine Learning)BoYoung Lee
 
알파고 해부하기 1부
알파고 해부하기 1부알파고 해부하기 1부
알파고 해부하기 1부Donghun Lee
 
딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향홍배 김
 
알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리Shane (Seungwhan) Moon
 
기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기Terry Taewoong Um
 
Infographic-ConnectedConsumer-FINAL
Infographic-ConnectedConsumer-FINALInfographic-ConnectedConsumer-FINAL
Infographic-ConnectedConsumer-FINALTodd Lammie
 
REFORME DU DROIT EUROPEEN DES MARQUES
REFORME DU DROIT EUROPEEN DES MARQUESREFORME DU DROIT EUROPEEN DES MARQUES
REFORME DU DROIT EUROPEEN DES MARQUESCECILE BARRIO
 

Destaque (20)

해커에게 전해들은 머신러닝 #3
해커에게 전해들은 머신러닝 #3해커에게 전해들은 머신러닝 #3
해커에게 전해들은 머신러닝 #3
 
기계학습 / 딥러닝이란 무엇인가
기계학습 / 딥러닝이란 무엇인가기계학습 / 딥러닝이란 무엇인가
기계학습 / 딥러닝이란 무엇인가
 
Ai(인공지능) & ML(머신러닝) 101 Part1
Ai(인공지능) & ML(머신러닝) 101 Part1Ai(인공지능) & ML(머신러닝) 101 Part1
Ai(인공지능) & ML(머신러닝) 101 Part1
 
텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016
텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016
텐서플로우 설치도 했고 튜토리얼도 봤고 기초 예제도 짜봤다면 TensorFlow KR Meetup 2016
 
20160409 microsoft 세미나 머신러닝관련 발표자료
20160409 microsoft 세미나 머신러닝관련 발표자료20160409 microsoft 세미나 머신러닝관련 발표자료
20160409 microsoft 세미나 머신러닝관련 발표자료
 
텐서플로우 기초 이해하기
텐서플로우 기초 이해하기 텐서플로우 기초 이해하기
텐서플로우 기초 이해하기
 
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
 
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
 
인공지능 딥러닝 (Etri) 20160811 short deck
인공지능 딥러닝 (Etri) 20160811 short deck인공지능 딥러닝 (Etri) 20160811 short deck
인공지능 딥러닝 (Etri) 20160811 short deck
 
머신 러닝(Machine Learning)
머신 러닝(Machine Learning)머신 러닝(Machine Learning)
머신 러닝(Machine Learning)
 
알파고 해부하기 1부
알파고 해부하기 1부알파고 해부하기 1부
알파고 해부하기 1부
 
딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향
 
알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리
 
기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기
 
Infographic-ConnectedConsumer-FINAL
Infographic-ConnectedConsumer-FINALInfographic-ConnectedConsumer-FINAL
Infographic-ConnectedConsumer-FINAL
 
Dados de Mercado Setembro de 2016
Dados de Mercado Setembro de 2016Dados de Mercado Setembro de 2016
Dados de Mercado Setembro de 2016
 
Lvov
LvovLvov
Lvov
 
REFORME DU DROIT EUROPEEN DES MARQUES
REFORME DU DROIT EUROPEEN DES MARQUESREFORME DU DROIT EUROPEEN DES MARQUES
REFORME DU DROIT EUROPEEN DES MARQUES
 
Resume FULL
Resume FULLResume FULL
Resume FULL
 
Kowshikaa consultancy overseas
Kowshikaa consultancy overseas Kowshikaa consultancy overseas
Kowshikaa consultancy overseas
 

Mais de Haesun Park

사이킷런 최신 변경 사항 스터디
사이킷런 최신 변경 사항 스터디사이킷런 최신 변경 사항 스터디
사이킷런 최신 변경 사항 스터디Haesun Park
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기Haesun Park
 
(Handson ml)ch.8-dimensionality reduction
(Handson ml)ch.8-dimensionality reduction(Handson ml)ch.8-dimensionality reduction
(Handson ml)ch.8-dimensionality reductionHaesun Park
 
(Handson ml)ch.7-ensemble learning and random forest
(Handson ml)ch.7-ensemble learning and random forest(Handson ml)ch.7-ensemble learning and random forest
(Handson ml)ch.7-ensemble learning and random forestHaesun Park
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리Haesun Park
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신Haesun Park
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련Haesun Park
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류Haesun Park
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지Haesun Park
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝Haesun Park
 
7.woring with text data(epoch#2)
7.woring with text data(epoch#2)7.woring with text data(epoch#2)
7.woring with text data(epoch#2)Haesun Park
 
6.algorithm chains and piplines(epoch#2)
6.algorithm chains and piplines(epoch#2)6.algorithm chains and piplines(epoch#2)
6.algorithm chains and piplines(epoch#2)Haesun Park
 
5.model evaluation and improvement(epoch#2) 2
5.model evaluation and improvement(epoch#2) 25.model evaluation and improvement(epoch#2) 2
5.model evaluation and improvement(epoch#2) 2Haesun Park
 
5.model evaluation and improvement(epoch#2) 1
5.model evaluation and improvement(epoch#2) 15.model evaluation and improvement(epoch#2) 1
5.model evaluation and improvement(epoch#2) 1Haesun Park
 
4.representing data and engineering features(epoch#2)
4.representing data and engineering features(epoch#2)4.representing data and engineering features(epoch#2)
4.representing data and engineering features(epoch#2)Haesun Park
 
3.unsupervised learing(epoch#2)
3.unsupervised learing(epoch#2)3.unsupervised learing(epoch#2)
3.unsupervised learing(epoch#2)Haesun Park
 
2.supervised learning(epoch#2)-3
2.supervised learning(epoch#2)-32.supervised learning(epoch#2)-3
2.supervised learning(epoch#2)-3Haesun Park
 
2.supervised learning(epoch#2)-2
2.supervised learning(epoch#2)-22.supervised learning(epoch#2)-2
2.supervised learning(epoch#2)-2Haesun Park
 
2.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-12.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-1Haesun Park
 
1.introduction(epoch#2)
1.introduction(epoch#2)1.introduction(epoch#2)
1.introduction(epoch#2)Haesun Park
 

Mais de Haesun Park (20)

사이킷런 최신 변경 사항 스터디
사이킷런 최신 변경 사항 스터디사이킷런 최신 변경 사항 스터디
사이킷런 최신 변경 사항 스터디
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 9장 텐서플로 시작하기
 
(Handson ml)ch.8-dimensionality reduction
(Handson ml)ch.8-dimensionality reduction(Handson ml)ch.8-dimensionality reduction
(Handson ml)ch.8-dimensionality reduction
 
(Handson ml)ch.7-ensemble learning and random forest
(Handson ml)ch.7-ensemble learning and random forest(Handson ml)ch.7-ensemble learning and random forest
(Handson ml)ch.7-ensemble learning and random forest
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 6장 결정 트리
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 5장. 서포트 벡터 머신
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 4장. 모델 훈련
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 3장. 분류
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 2장. 머신러닝 프로젝트 처음부터 끝까지
 
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝
[홍대 머신러닝 스터디 - 핸즈온 머신러닝] 1장. 한눈에 보는 머신러닝
 
7.woring with text data(epoch#2)
7.woring with text data(epoch#2)7.woring with text data(epoch#2)
7.woring with text data(epoch#2)
 
6.algorithm chains and piplines(epoch#2)
6.algorithm chains and piplines(epoch#2)6.algorithm chains and piplines(epoch#2)
6.algorithm chains and piplines(epoch#2)
 
5.model evaluation and improvement(epoch#2) 2
5.model evaluation and improvement(epoch#2) 25.model evaluation and improvement(epoch#2) 2
5.model evaluation and improvement(epoch#2) 2
 
5.model evaluation and improvement(epoch#2) 1
5.model evaluation and improvement(epoch#2) 15.model evaluation and improvement(epoch#2) 1
5.model evaluation and improvement(epoch#2) 1
 
4.representing data and engineering features(epoch#2)
4.representing data and engineering features(epoch#2)4.representing data and engineering features(epoch#2)
4.representing data and engineering features(epoch#2)
 
3.unsupervised learing(epoch#2)
3.unsupervised learing(epoch#2)3.unsupervised learing(epoch#2)
3.unsupervised learing(epoch#2)
 
2.supervised learning(epoch#2)-3
2.supervised learning(epoch#2)-32.supervised learning(epoch#2)-3
2.supervised learning(epoch#2)-3
 
2.supervised learning(epoch#2)-2
2.supervised learning(epoch#2)-22.supervised learning(epoch#2)-2
2.supervised learning(epoch#2)-2
 
2.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-12.supervised learning(epoch#2)-1
2.supervised learning(epoch#2)-1
 
1.introduction(epoch#2)
1.introduction(epoch#2)1.introduction(epoch#2)
1.introduction(epoch#2)
 

Último

캐드앤그래픽스 2024년 5월호 목차
캐드앤그래픽스 2024년 5월호 목차캐드앤그래픽스 2024년 5월호 목차
캐드앤그래픽스 2024년 5월호 목차캐드앤그래픽스
 
A future that integrates LLMs and LAMs (Symposium)
A future that integrates LLMs and LAMs (Symposium)A future that integrates LLMs and LAMs (Symposium)
A future that integrates LLMs and LAMs (Symposium)Tae Young Lee
 
Console API (Kitworks Team Study 백혜인 발표자료)
Console API (Kitworks Team Study 백혜인 발표자료)Console API (Kitworks Team Study 백혜인 발표자료)
Console API (Kitworks Team Study 백혜인 발표자료)Wonjun Hwang
 
Merge (Kitworks Team Study 이성수 발표자료 240426)
Merge (Kitworks Team Study 이성수 발표자료 240426)Merge (Kitworks Team Study 이성수 발표자료 240426)
Merge (Kitworks Team Study 이성수 발표자료 240426)Wonjun Hwang
 
MOODv2 : Masked Image Modeling for Out-of-Distribution Detection
MOODv2 : Masked Image Modeling for Out-of-Distribution DetectionMOODv2 : Masked Image Modeling for Out-of-Distribution Detection
MOODv2 : Masked Image Modeling for Out-of-Distribution DetectionKim Daeun
 
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...Kim Daeun
 

Último (6)

캐드앤그래픽스 2024년 5월호 목차
캐드앤그래픽스 2024년 5월호 목차캐드앤그래픽스 2024년 5월호 목차
캐드앤그래픽스 2024년 5월호 목차
 
A future that integrates LLMs and LAMs (Symposium)
A future that integrates LLMs and LAMs (Symposium)A future that integrates LLMs and LAMs (Symposium)
A future that integrates LLMs and LAMs (Symposium)
 
Console API (Kitworks Team Study 백혜인 발표자료)
Console API (Kitworks Team Study 백혜인 발표자료)Console API (Kitworks Team Study 백혜인 발표자료)
Console API (Kitworks Team Study 백혜인 발표자료)
 
Merge (Kitworks Team Study 이성수 발표자료 240426)
Merge (Kitworks Team Study 이성수 발표자료 240426)Merge (Kitworks Team Study 이성수 발표자료 240426)
Merge (Kitworks Team Study 이성수 발표자료 240426)
 
MOODv2 : Masked Image Modeling for Out-of-Distribution Detection
MOODv2 : Masked Image Modeling for Out-of-Distribution DetectionMOODv2 : Masked Image Modeling for Out-of-Distribution Detection
MOODv2 : Masked Image Modeling for Out-of-Distribution Detection
 
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
Continual Active Learning for Efficient Adaptation of Machine LearningModels ...
 

기계도 학교에 가나요?

Notas do Editor

  1. 안녕하세요. 소리가 작아요. 점심 맛있게 먹었어요? 안녕하세요? 아 좋아요. 씩씩해요. 오늘 여기서 뭐하는 건지 알아요? 오늘은 도서관에서 어린이들에게 컴퓨터에 대해 재미있는 여러가지를 특집 프로그램을 하는 거에요. 다른 도서관에서도 많은 선생님들이 여러가지 다양한 수업을 하실거에요.
  2. 제가 여러분에게 지금 소개할 내용은 인공지능에 관한거에요. 재미있겠죠? 혹시 인공지능에 대해 아는 사람 있나요? 생각나는 인공지능 프로그램 있나요?
  3. 맞아요. 알파고가 있어요. 알파고는 딥마인드라는 영국 회사에서 만든 인공지능 프로그램이죠. 이세돌 아저씨랑 바둑을 두었는데 5판중 몇판을 이겼을까요? 맞아요 알파고가 4판이나 이겼어요. 굉장히 바둑을 잘 둬서 전 세계가 깜짝 놀랐죠. 알파고는 어떻게 바둑을 배웠을까요? 기원에 다녔을까요? 그래요. 다름 사람이 둔 바둑의 내용을 모두 알파고가 익히게 한거에요. 특히 이세돌 아저씨가 두었던 바둑의 내용을 많이 이용했다고 해요. 알파고가 이세돌 아저씨를 이길만큼 굉장히 똑똑한데 그럼 내일 날씨도 예측할 수 있을까요? 알파고는 바둑에 대해서만 배웠지 날씨에 대해서는 몰라요. 지금 우리가 만들고 있는 인공지능은 한 종류의 일을 잘할 수 있죠. 아직 사람처럼 다양하게 생각하고 배우지는 못해요. 그럼 인공지능으로 바둑말고 다른 게임을 하는 인공지능도 있을까요? 많이 있어요.
  4. 그중에 선생님이 직접 만든 퐁이란 게임을 인공지능이 하도록 만든게 있어요. 원래 이 게임은 컴퓨터와 사람이 하는 거에요. 왼쪽이 컴퓨터고 오른쪽이 사람이죠. 서로 공을 쳐서 못잡게 하면 점수를 얻는 게임이에요. 지금 이 영상은 사람 대신 인공지능이 오른쪽 편에서 게임을 하고 있는거에요. 그럭저럭 잘 하죠? 근데 인공지능에게 이 게임을 어떻게 하는지 가르쳐 주지 않았어요. 스스로 하는 법을 배워가고 있는 거에요. 신기하죠?
  5. 그리고 이건 인공지능 프로그램이 쿠키런 게임을 하는 영상이에요. 이 프로그램은 쿠키런을 만드는 회사에서 인공지능을 연구하는 선생님 친구가 만든거에요. 이것도 스스로 게임하는 법을 배운 거에요.
  6. 32:30초. 또 다른 인공지능이 활용된 곳이 있을까요? 공상과학 영화에서 보면 컴퓨터가 자동으로 운전하는 차가 나오죠? 그런데 실제로 만들고 있어요. 인공지능이 자동차를 스스로 움직이는 프로그램이 많이 발전해서 거의 완성단계에요. 이 동영상은 테슬라라는 미국 회사가 자동주행 인공지능 프로그램을 테스트하는 모습이에요. 한번 볼까요? 운전하는 사람이 핸들을 놓아도 스스로 커브를 잘 돌죠? 운전자가 깜짝 놀라네요. 하하. 차선을 바꿀려면 깜박이를 켜면 스스로 다른 차들을 피해서 옆 차선으로 이동하죠. 지금 120km 가 넘는 속도로 달리고 있는 거에요. 이 인공지능 프로그램은 앞뒤 좌우 차량을 보고 차선과 도로의 곡선을 인식해서 속도와 핸들을 조금씩 바꾸면서 변하는 주위 상황에 아주 빠르게 대응하고 있는 거에요. 인공지능이 운전을 대신하는 날이 머지 않아 오면 명절에 고향갈 때 아빠가 힘들게 운전하지 않아도 되니 좋겠죠? 아마 여러분이 어른이 되면 이런 차를 하나씩 가지고 있게 될거에요.
  7. 또 어떤 인공지능이 있을까요? 이 동영상은 미국의 보스턴 다이나믹스라는 회사에서 만든 로봇이에요. 한번 볼까요? 놀랍죠? 사람과 거의 비슷하게 문을 열고 밖으로 걸어 가네요. 비탈길에서도 넘어지지 않고 균형을 잘 잡고 있어요. 또 물건을 집어 올리는 간단한 일들도 잘 해내죠.
  8. 앞에서 테슬라가 만든 자동주행 자동차나 이 로봇은 컴퓨터 프로그램만 가지고는 만들 수 없어요. 물리, 전자, 기계 등 다양한 분야가 모두 합쳐져야 가능합니다. 하지만 뭐니뭐니해도 인공지능의 핵심은 컴퓨터 프로그램이죠. 이런 프로그램의 종류를 기계학습, 영어로는 머신러닝이라고 해요. 다시말하면 기계학습은 인공지능의 한 분야이죠.
  9. 혹시 기계학습이나 머신러닝이란 말을 들어본 적 있나요? 기계학습은 사람이 모든 경우를 일일이 다 알려주지 않아도 스스로 문제를 해결할 수 있는 프로그램이에요. 인공지능을 만들기 위해 꼭 필요한 분야인 거죠.
  10. 구글, 페이스북, 마이크로소프트 그리고 우리나라 네이버 등 전세계의 많은 회사들이 더 좋은 기계학습 프로그램을 만들려고 엄청나게 많은 노력을 한답니다.
  11. 그럼 어떻게 프로그램이 스스로 학습할 수 있을까요?
  12. 컴퓨터도 우리와 같이 학교에 가야 하나요? 그건 아니겠지요? 하지만 우리가 학교에서 배우는 것과 비슷한 방식으로 기계학습 프로그램도 배우는 거에요.
  13. 우리가 학교에서 시험을 보죠? 시험이 많아요? 안봤으면 좋겠어요? 선생님도 시험이 정말 싫었어요.
  14. 만약에 수학시험을 보았는데 50점을 받았어요. 근데 선생님이 똑 같은 시험을 내셨다면 60점 정도 되지 않겠어요? 그렇게 계속 같은 시험을 보면 언젠가 100점을 받을 수 있겠죠?
  15. 그 다음에 선생님이 문제를 바꾸어 내시면 몇점을 받을 수 있을까요? 아마 다시 50점을 받진 않고 80점? 90점? 정도 되겠죠? 인공지능 프로그램도 이와 비슷하게 가르치는 거에요. 신기하죠? 어떻게 프로그램이 학습하는지 이제부터 그 비밀을 알려 줄께요.
  16. 구구단 아는 사람? 좋아요. 모두들 학교에서 배웠을 거에요. 구구단만 알면 인공지능 프로그램이 어떻게 스스로 학습하는지 알 수 있어요.
  17. 곱셈을 하는 접시가 있다고 생각해 보죠. 이 접시에 숫자 두개를 올려 놓으면 곱셈이 되어서 오른쪽으로 결과가 나오는 접시에요. 짱구가 가지고 있는 숫자는 2이고 짱구 선생님이 가지고 있는 답은 10이에요. 그럼 2에다가 어떤 수를 곱해야 10이 될까요? 맞았어요. 굉장히 똑똑하네요.
  18. 하지만 컴퓨터가 곱셈을 전혀 모른다고 가정해 보죠. 그럼 아무 숫자나 넣어볼 수 밖에 없겠죠?
  19. 맨처음 1을 넣어보죠.
  20. 그랬더니 결과가 2로 나왔네요. 2는 10보다 커요? 작아요? 당연히 10보다 작죠?
  21. 8만큼 작아요. 프로그램이 잘 맞추지 못했으니 '야 틀렸어 8만큼 부족하잖아'라고 알려 주는 거에요.
  22. 프로그램이 잘 맞추지 못했으니 다시 시도해야죠. 짱구가 다시 2를 곱셈 접시에 넣는 거에요. 
  23. 프로그램이 이번에는 10을 넣었어요. 그럼 결과는 얼마가 될까요?
  24. 맞아요 20이 되죠. 이번엔 너무 크네요. 인공지능 프로그램이 너무 큰 숫자를 곱셈 접시에 올렸어요. 프로그램은 어떤 수를 넣어야 정답 10이 나오는지 모르기 때문에 갑자기 크게 바꾸면 안되고 조금씩 값을 변경해야 돼요.
  25. 이제 조금씩 값을 변경하는 방식으로 다시 해보죠. 짱구가 다시 숫자 2를 곱셈 접시에 올렸어요. 
  26. 이번에는 프로그램이 3을 올려 놓았네요.
  27. 그럼 6이 되네요. 여전히 4만큼 모자르지만 아까는 8이 모잘랐는데 조금 나아졌지요?
  28. 자 이제 프로그램에게 4만큼 모자르다고 알려 줍니다. 그리도 다시 또 하는 거에요.
  29. 이렇게 프로그램이 어떤 수를 곱셈 접시에 넣어야 10이 나오는지를 계속 조금씩 변경하면서 시도해 보는 거에요. 이게 바로 프로그램이 학습하는 과정이에요.
  30. 다시 곱셈 접시에 숫자를 또 올려 놓자구요.
  31. 이번에는 컴퓨터 프로그램이 5을 올려 놓았습니다.
  32. 그러면 2 곱하기 5는 10이 되어 정답을 맞췄네요.
  33. 프로그램은 이제 2가 접시에 올려져 있으면 5를 곱해야 한다는 것을 기억하게 되는 거에요.
  34. 인공지능에서는 이런 곱셈 접시를 뉴런이라고 부릅니다. 뉴런이 혹시 뭔지 아는 사람? 맞아요.
  35. 사람의 뇌세포에요.
  36. 우리 머리 속에 뉴런이 1조개가 넘게 있대요. 정말 많죠? 그런데 이런 뇌세포가 서로서로 연결되어서 정보를 전달한다고 해요. 그래서 우리가 보고 듣고 말하고 생각하는 게 가능한 거죠. 그럼 앞에서 본 곱셈 접시를 우리 뇌의 뇌세포처럼 연결해서 뭔가 재미있는 것을 만들어 볼까요?
  37. 이런 숫자 글씨를 인공지능이 어떻게 구분하는 지 알아볼께요. 이 숫자 그림은 작은 점들이 모여서 하나의 그림이 되는데요. 이 그림은 784개의 점으로 이루어져 있거든요.
  38. 이 점들을 하나의 숫자로 나타내려고 해요. 가장 어두운 색은 0, 가장 밝은 색은 254란 숫자로 나타내 보죠. 회색은 100이나 150 쯤이 되겠죠? 이렇게 숫자로 바꾸면 이런 모습이 될거에요.
  39. 이 784개의 숫자를 784개의 뉴런에 넣는 거에요. 굉장히 복잡하죠? 784개의 뉴런이 15개의 뉴런에 모두 연결되어 있고 마지막에 10개의 뉴런에 다시 연결되어 있어요. 3이란 그림을 숫자로 바꾸어 넣으면 세번째 뉴런이 값이 제일 높아야 하는 거죠. 만약 3이 제일 높은 값이 안나오면 잘못됐다고 프로그램에게 다시 알려주고 학습을 다시 시켜야 해요. 아까 짱구가 했던 것처럼 수백, 수천번을 하면 원하는 결과가 나오도록 뉴런의 곱셉 값을 조금씩 변경하면서 3이란 그림이 오면 세번째 뉴런의 값이 제일 높도록 학습이 되는 거에요. 자 그럼 진짜 숫자를 구분할 수 있도록 학습된 인공지능 프로그램을 볼까요?
  40. 이 보다 더 복잡한 그림도 비슷한 방법으로 학습이 가능할까요? 물체를 구분하는 예제를 한번 보죠. 선생님이 노트북에 있는 카메라에 물병을 갖다대면 오른쪽에 사진이 캡쳐가 되어서 아래쪽에 어떤 물체인지 구분을 하게 됩니다. 물병이라고 잘 맞추네요. 다른 물건 한번 해볼까요? 이건 잘 안되네요. 아직 완벽한건 아니니까요. 하지만 굉장히 빠르게 변하고 있어요. 불과 3~4년전만 해도 이런게 가능하리라고 예상하지 못했거든요. 신기하죠?
  41. 자 우리는 인공지능 프로그램이 어떻게 스스로 학습하는지 배웠는데요. 어떻게 이런 프로그램을 잘 만들 수 있을까요? 어떻게 하면 훌륭한 프로그래머가 될 수 있을까요? 학원에 다니거나 대학교 때 컴퓨터를 전공하면 프로그램을 만드는 법을 배울 수는 있지만 훌륭한 프로그래머가 되는 걸 배우지는 않아요.
  42. 일기와 프로그램의 공통점이 있는데 바로 백지에서 시작하는 거에요. 일기 쓰기 어렵죠? 아무것도 없는 데 뭔가를 생각해서 이야기를 만들어 간다는 게 사실 어려운 거게요. 프로그램도 마찬가지에요. 아무것도 없는 빈 종이위에 내가 상상하는 것을 표현하는 거랑 같아요.
  43. 그래서 독서와 글짓기가 정말 중요합니다. 글을 많이 읽고 잘 쓰는 사람이 훌륭한 프로그래머가 될 수 있어요. 다시 말하면 모든 훌륭한 프로그래머는 책을 가까이 하고 글을 잘 쓰는 사람이에요. 이건 선생님이 알아낸 게 아니고 전 세계에 있는 많은 훌륭한 프로그래머들과 교수님들이 가르쳐 준거에요.
  44. 이 사진의 나오는 사람이 누군지 아세요? 애플을 만든 스티브 잡스와 마이크로 소프트를 만든 빌 게이츠에요. 이렇게 훌륭한 사람이 되려면 도서관에 와서 좋은 책을 많이 읽고 상상력을 키우고 일기나 독후감, 편지 등을 많이 써서 자신의 상상력을 글로 표현해 보세요. 그럼 반드시 훌륭한 인물이 될거에요. 알았죠? 자 선생님의 강의는 여기까지 입니다. 궁금한 게 있는 사람 물어 보세요.