1. 논문 제목, 발표 일자, 출처(링크)
COMPUTING MACHINERY AND INTELLIGENCE / 1950년
http://bit.ly/3MCeMfj
2. 첫 단락
가. 영문: 1. The Imitation Game
I propose to consider the question, "Can machines think?" This should begin with definitions of the meaning of the terms "machine" and "think." The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous, If the meaning of the words "machine" and "think" are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, "Can machines think?" is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.
나. 한글번역: 1. 모방 게임
"기계가 생각할 수 있는가?"라는 질문을 생각해 볼 것을 제안합니다. 이것은 "기계"와 "생각"이라는 용어의 의미 에 대한 정의로 시작해야합니다. 정의는 가능한 한 단어의 일반적인 사용을 반영하도록 구성 될 수 있지만 이러한 태도는 위험합니다."기계"와"생각"이라는 단어의 의미를 찾으려면 다음과 같이하십시오. 이 어떻게 일반적으로 사용되는지 살펴보면 "기계가 생각할 수 있는가?"라는 질문에 대한 의미와 답을 갤럽 여론조사 와 같은 통계 조사에서 찾아야 한다는 결론을 피하기 어렵습니다. 하지만 이것은 터무니없는 생각입니다. 이러한 정의를 시도하는 대신 이 질문과 밀접한 관련이 있고 비교적 모호하지 않은 단어로 표현되는 다른 질문으로 대체하겠습니다.

4/13 앨런튜링의 "Can machines think?"논문 찾아서 첫 문단 적기

2023-04-12 07:58:41 UTC

1. 계산 기계와 지능 , 1950

2.
The Imitation Game

I propose to consider the question, "Can machines think?" This should begin with

definitions of the meaning of the terms "machine" and "think." The definitions might be

framed so as to reflect so far as possible the normal use of the words, but this attitude is

dangerous, If the meaning of the words "machine" and "think" are to be found by

examining how they are commonly used it is difficult to escape the conclusion that the

meaning and the answer to the question, "Can machines think?" is to be sought in a

statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a

definition I shall replace the question by another, which is closely related to it and is

expressed in relatively unambiguous words.

4/13 앨런 튜링의 논문 찾아서 척 문단 적기

2023-04-12 07:59:23 UTC

1.제목:계산 기계와 지능(1950년) 출처;http://aitimes.org/wp-content/uploads/2017/02/Allan_turing_Paper_1950_%ED%95%9C%EA%B5%AD%EC%96%B4%EB%B2%88%EC%97%AD.pdf
2. 영문:I propose to consider the question, "Can machines think?" This should begin with definitions of the meaning of the terms "machine" and "think." The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous, If the meaning of the words "machine" and "think" are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, "Can machines think?" is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous word
한글 번역:“기계가 생각할 수 있을까?”라는 질문에 대해 생각해 보자. 이 물음에 대해 논의하기 전에 먼저 '기 계'와 '생각하다'라는 말을 명확하게 정의해야 한다. 그 단어들(기계․생각하다)의 일반적인 용법을 가 능한 한 많이 반영하는 정의를 내릴 수도 있지만, 이러한 태도는 위험하다. 만약 '기계'와 '생각하다'라 는 단어의 의미가 그 단어의 일상적 쓰임을 살펴봄으로써 정의 내릴 수 있다면, “기계가 생각할 수 있 을까?”라는 물음의 의미와 그 물음에 대한 대답 또한 갤럽 조사와 같은 통계적 조사에서 찾아질 수 있 다는 결론에 이르게 된다. 이것은 불합리하다. 그렇게 정의를 내리기보다는, 그 물음(기계가 생각할 수 있을까)과 밀접하게 관련 있으면서도 비교적 덜 애매한 말로 표현되는 다른 것으로써 그 물음을 대신 하고자 한다.

4/12 앨런튜링의 논문 읽기

2023-04-12 07:59:51 UTC

1. 계산 기계와 지능,COMPUTING MACHINERY AND INTELLIGENCE , 1950년, http://aitimes.org/wp-content/uploads/2017/02/Allan_turing_Paper_1950_%ED%95%9C%EA%B5%AD%EC%96%B4%EB%B2%88%EC%97%AD.pdf
2.
가.영문:1. The Imitation Game I propose to consider the question, "Can machines think?" This should begin with definitions of the meaning of the terms "machine" and "think." The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous, If the meaning of the words "machine" and "think" are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, "Can machines think?" is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.
나. 한글번역:“기계가 생각할 수 있을까?”라는 질문에 대해 생각해 보자. 이 물음에 대해 논의하기 전에 먼저 '기 계'와 '생각하다'라는 말을 명확하게 정의해야 한다. 그 단어들(기계․생각하다)의 일반적인 용법을 가 능한 한 많이 반영하는 정의를 내릴 수도 있지만, 이러한 태도는 위험하다. 만약 '기계'와 '생각하다'라 는 단어의 의미가 그 단어의 일상적 쓰임을 살펴봄으로써 정의 내릴 수 있다면, “기계가 생각할 수 있 을까?”라는 물음의 의미와 그 물음에 대한 대답 또한 갤럽 조사와 같은 통계적 조사에서 찾아질 수 있 다는 결론에 이르게 된다. 이것은 불합리하다. 그렇게 정의를 내리기보다는, 그 물음(기계가 생각할 수 있을까)과 밀접하게 관련 있으면서도 비교적 덜 애매한 말로 표현되는 다른 것으로써 그 물음을 대신 하고자 한다. 그 문제의 새로운 형태를 ‘모방 게임’(흉내내기 놀이)이라고 부를 수 있는 게임으로써 표현할 수 있 다. 게임은 세 사람, 즉 한 남자(A), 한 여자(B), 성별에 관계없는 질문자 한 명(C)으로 행해진다. 질문 자는 다른 두 사람(남자 A․여자 B)과는 따로 떨어진 방에 머물러 있다. 질문자에 대한 게임의 목표 는, 나머지 두 명중 누가 남자이고, 누가 여자인지를 결정하는 것이다. 질문자는 그들을 X와 Y 표시로 구별하고, 끝에 가서는 “X가 A이고, Y가 B이다.”라고 하든지, “X가 B이고, Y가 A이다.”라고 말하게 된다. 질문자한테는 A와 B에게 질문하는 것이 허용되어 있다.

4/12 앨런튜링의 "Can machines think?" 논문 찾아서 첫 문단 적기

2023-04-12 08:00:15 UTC

http://10.72.45.252/%ec%82%bc%ec%84%b1%ec%a3%bc%eb%8b%88%ec%96%b4SW%ec%95%84%ec%b9%b4%eb%8d%b0%eb%af%b8%28%ec%88%98%ea%b0%95%ec%9e%90%eb%a7%8c%20%ea%b0%80%eb%8a%a5%29/1%ec%a3%bc%ec%b0%a8/1950ATuring_Computing%20machinery%20and%20intelligence.pdf
1. 제목 : Can Machines Think?
2. 첫 단락 : 1. The Imitation Game I propose to consider the question, "Can machines think?" This should begin with definitions of the meaning of the terms "machine" and "think." The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous, If the meaning of the words "machine" and "think" are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, "Can machines think?" is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.
한글 번역 : 1. 이미테이션 게임 나는 "기계가 생각할 수 있는가?"라는 질문을 고려할 것을 제안합니다. 이것은 "기계"와 "생각"이라는 용어의 의 미에 대한 정의로 시작해야 합니다. 정의는 가능한 한 단어의 정상적인 사용을 반영하도록 구성될 수 있지만 이러한 태도는 위험합니다. "기계는 생각할 수 있는가?" Gallup 설문 조사와 같은 통계 조사에서 찾을 수 있습니다. 그러나 이것은 터무 니없는 일입니다. 그러한 정의를 시도하는 대신 나는 그 질문을 그것과 밀접하게 관련되어 있고 상대적으로 모호 하지 않은 단어로 표현되는 다른 질문으로 대체할 것입니다. AM 튜링(1950) 컴퓨팅 기계 및 지능. 마음 49: 433-460. 이제 X가 실제로 A라고 가정하면 A가 대답해야 합니다. C가 잘못된 식별을 하도록 시도하고 유발하는 것이 게임에서 A의 목적입니다. 따라서 그의 대답은 다음과 같을 수 있습니다. 1

2023-04-12 08:00:24 UTC

제목:계산 기계와 재능(1950)
http://aitimes.org/wp-content/uploads/2017/02/Allan_turing_Paper_1950_%ED%95%9C%EA%B5%AD%EC%96%B4%EB%B2%88%EC%97%AD.pdf
첫 단락:“기계가 생각할 수 있을까?”라는 질문에 대해 생각해 보자.
I propose to consider the question, "Can machines think?

4/13 앨런튜링의 "Can machines think?" 논문 찾아서 첫 문단 적기

2023-04-12 08:01:02 UTC

1. 논문 제목: COMPUTING MACHINERY AND INTELLIGENCE
발표 일짜: 1950 10월 1일
출처: https://academic.oup.com/mind/article/LIX/236/433/986238

2. 첫 문단
가. 영문-I PROPOSE to consider the question, ‘Can machines think?’ This should begin with definitions of the meaning of the terms ‘machine’ and ‘think’. The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous. If the meaning of the words ‘machine’ and ‘think’ are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, ‘Can machines think?’ is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.

나. 한글번역- 저는 '기계가 생각할 수 있는가?'라는 질문을 고려할 것을 제안합니다. 이것은 '기계'와 '생각'이라는 용어의 의미에 대한 정의로 시작해야 합니다. 정의는 단어의 정상적인 사용을 가능한 한 반영하도록 구성될 수 있지만, 이러한 태도는 위험합니다. '기계'와 '생각'이라는 단어의 의미를 일반적으로 어떻게 쓰이는지 살펴봄으로써 찾으려면 갤럽 여론조사와 같은 통계조사에서 '기계가 생각할 수 있는가'라는 의미와 질문에 대한 답을 찾아야 한다는 결론을 벗어나기 어렵습니다. 하지만 이것은 터무니 없습니다. 그러한 정의를 시도하는 대신에, 저는 질문을 다른 질문으로 대체할 것입니다. 질문은 그것과 밀접하게 관련되어 있고 비교적 명확한 단어로 표현됩니다.

4/13 앨런튜링의 "Can machines think?"논문 찾아서 첫 문단 적기

2023-04-12 08:01:17 UTC

1.
계산 기계와 지능, COMPUTING MACHINERY AND INTELLIGENCE/
1950년 10월/
https://url.kr/ubyzdk/
2.
가. “기계가 생각할 수 있을까?”라는 질문에 대해 생각해 보자. 이 물음에 대해 논의하기 전에 먼저 '기계'와 '생각하다'라는 말을 명확하게 정의해야 한다. 그 단어들(기계, 생각하다)의 일반적인 용법을 가 능한 한 많이 반영하는 정의를 내릴 수도 있지만, 이러한 태도는 위험하다. 만약 '기계'와 '생각하다'라 는 단어의 의미가 그 단어의 일상적 쓰임을 살펴봄으로써 정의 내릴 수 있다면, “기계가 생각할 수 있 을까?”라는 물음의 의미와 그 물음에 대한 대답 또한 갤럽 조사와 같은 통계적 조사에서 찾아질 수 있 다는 결론에 이르게 된다. 이것은 불합리하다. 그렇게 정의를 내리기보다는, 그 물음(기계가 생각할 수 있을까)과 밀접하게 관련 있으면서도 비교적 덜 애매한 말로 표현되는 다른 것으로써 그 물음을 대신 하고자 한다.
나. I propose to consider the question, "Can machines think?" This should begin with definitions of the meaning of the terms "machine" and "think." The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous, If the meaning of the words "machine" and "think" are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, "Can machines think?" is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.

2023-04-12 08:01:42 UTC

http://aitimes.org/wp-content/uploads/2017/02/Allan_turing_Paper_1950_%ED%95%9C%EA%B5%AD%EC%96%B4%EB%B2%88%EC%97%AD.pdf

앨런 튜링(1950) “계산 기계와 지능” <정신:심리학과 철학에 대한 계간 비평>

“기계가 생각할 수 있을까?”라는 질문에 대해 생각해 보자.

I propose to consider the question, "Can machines think?"

4/13 앨런튜링의 논문 찾아서 첫 문단 적기

2023-04-12 08:02:42 UTC

제목 ) “계산 기계와 지능” (1950)
http://aitimes.org/wp-content/uploads/2017/02/Allan_turing_Paper_1950_%ED%95%9C%EA%B5%AD%EC%96%B4%EB%B2%88%EC%97%AD.pdf
“기계가 생각할 수 있을까?”라는 질문에 대해 생각해 보자
I propose to consider the question, "Can machines think?

4/12 앨런튜링 논문

2023-04-12 08:04:49 UTC

1) 논문 제목: COMPUTING MACHINERY AND INTELLIGENCE (1950.10.01)
출처:https://academic.oup.com/mind/article/LIX/236/433/986238?url=http%3a%2f%2fszyxflb.com&login=false

2) 첫 단락
I PROPOSE to consider the question, ‘Can machines think?’ This should begin with definitions of the meaning of the terms ‘machine’ and ‘think’. The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous. If the meaning of the words ‘machine’ and ‘think’ are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, ‘Can machines think?’ is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.
“기계가 생각할 수 있을까?”라는 질문에 대해 생각해 보자. 이 물음에 대해 논의하기 전에 먼저 '기 계'와 '생각하다'라는 말을 명확하게 정의해야 한다. 그 단어들(기계․생각하다)의 일반적인 용법을 가 능한 한 많이 반영하는 정의를 내릴 수도 있지만, 이러한 태도는 위험하다. 만약 '기계'와 '생각하다'라 는 단어의 의미가 그 단어의 일상적 쓰임을 살펴봄으로써 정의 내릴 수 있다면, “기계가 생각할 수 있 을까?”라는 물음의 의미와 그 물음에 대한 대답 또한 갤럽 조사와 같은 통계적 조사에서 찾아질 수 있 다는 결론에 이르게 된다. 이것은 불합리하다. 그렇게 정의를 내리기보다는, 그 물음(기계가 생각할 수 있을까)과 밀접하게 관련 있으면서도 비교적 덜 애매한 말로 표현되는 다른 것으로써 그 물음을 대신 하고자 한다.

4/13 앨런튜링의 "Can machines think?"논문 찾아서 첫 문단 적기

2023-04-12 08:05:25 UTC

1. 논문 제목
계산 기계와 지능(컴퓨팅 기계 및 지능)

발표 일자
-1950년

-출처
https://c11.kr/1d07f
2. 첫 단락
가. I propose to consider the question, "Can machines think?" This should begin with definitions of the meaning of the terms "machine" and "think." The definitions might be framed so as to reflect so far as possible the normal use of the words, but this attitude is dangerous, If the meaning of the words "machine" and "think" are to be found by examining how they are commonly used it is difficult to escape the conclusion that the meaning and the answer to the question, "Can machines think?" is to be sought in a statistical survey such as a Gallup poll. But this is absurd. Instead of attempting such a definition I shall replace the question by another, which is closely related to it and is expressed in relatively unambiguous words.
나. 이미테이션 게임
나는 "기계가 생각할 수 있는가?"라는 질문을 고려할 것을 제안합니다. 이것은 "기계"와 "생각"이라는 용어의 의 미에 대한 정의로 시작해야 합니다. 정의는 가능한 한 단어의 정상적인 사용을 반영하도록 구성될 수 있지만 이러한 태도는 위험합니다. "기계는 생각할 수 있는가?" Gallup 설문 조사와 같은 통계 조사에서 찾을 수 있습니다. 그러나 이것은 터무 니없는 일입니다. 그러한 정의를 시도하는 대신 나는 그 질문을 그것과 밀접하게 관련되어 있고 상대적으로 모호 하지 않은 단어로 표현되는 다른 질문으로 대체할 것입니다.

4/19 AI의 편향성 종류와 개념 탐구

yunkyusung — 2023-04-19 02:03:04 UTC

인공지능의 편향성을 구분하여 제시하고 간략하게 설명하기
출처 표시하기

[예시] =================
1. 인간의 편향 Human Bias
인공지능이 학습하는 데이터는 인간으로부터 기인한다. 이 때문에 데이터 원료 자체가 편향이 개입되기 십상이다.

2. 숨겨진 편향 Hidden Bias
숨겨진 편향은 고의적인 편향이 아니기에 잘 드러나지도 찾을 수도 없다.

3. 데이터 표본 편향 Data Sampling Bias
인공지능 학습에 사용되는 자료가 수집 단계에서 문제가 생긴다면 데이터 샘플링 편향이 생긴다. 데이터 중 남자가 의사인 경우가 많고 여자는 간호사가 많은 경우. 남자는 의사, 여자는 간호사로 단정하는 경우가 생길 수 도 있다.

4. 롱테일 편향 Long-tail Bias
롱테일 편향은 학습에 사용되는 데이터에 특정 종류(카테고리)의 데이터가 빠져 생기는 편향이다.

5. 고의적 편향
고의적 편향은 가장 위험하다. 해킹이나 공격을 통해 인공지능이 의도적으로 편향이 부여될 수 있다.

출처 : https://www.aitimes.com/news/articleView.html?idxno=133722

수업일

yunkyusung — 2023-04-19 05:36:36 UTC

4월: 12, 19일
5월: 10, 17, 24, 31일
6월: 7, 14일
총 8주차
대부분 8~9교시임
그 중에서 7~9교시 2회 있음

4/19 AI의 편향성 종류와 개념 탐구

2023-04-19 08:01:52 UTC

https://www.aitimes.com/news/articleView.html?idxno=143868
1.데이터의 편견
임상 AI에 사용되는 데이터 세트의 절반 이상이 미국이나 중국에서 온 것이라는 연구 결과가 나왔다. AI가 알고리즘을 훈련하고 검증한 결과는 데이터가 사용된 집단 이외의 집단에선 제대로 일반화되지 않는다는 점을 감안할 때 데이터가 풍부한 지역의 인구는 데이터가 부족한 지역에 비해 훨씬 더 많은 혜택을 누리게 되어 의료 격차를 심화시킬 수 있다.

국제학술지인 'PLoS 디지털 헬스(Digital Health)'에 게재된 논문을 보면 2019년에 발표된 7,000개 이상의 임상 AI 논문을 검토한 결과 연구에 사용된 데이터베이스의 절반 이상이 미국과 중국에서 온것이며 나머지도 고소득 국가 환자 데이터가 차지하는 것으로 나타났다. (논문 제목 : Sources of bias in artificial intelligence that perpetuate healthcare disparities—A global review)

2. 의미 없는 데이터
이 논문의 제1저자인 레오 앤서니 셀리(Leo Anthony Celi)는 "이러한 AI 알고리즘을 생성하고 검증하는 데 사용하는 데이터 세트는 훨씬 더 다양해야 한다"고 지적했다. 이어 “지금 가장 큰 우려는 우리가 구축하고 있는 알고리즘이 데이터 세트에 기여하는 인구에게만 혜택을 줄 것이라는 점이다. 그리고 나머지 사람들에게는 아무 가치도 없을 것이다”고 덧붙였다.

3. 문제 해결
자원이 부족한 국가는 데이터도 부족할 가능성이 높기 때문에 답은 간단하지 않다. 자원이 부족한 환경에서 활용할 수 있는 임상 AI 중 하나는 안과 질환을 자동으로 진단하는 연구다. 휴대용 안구 카메라를 사용해 눈을 이미지화하거나 스마트폰 카메라를 사용해 당뇨병성 망막병증과 같은 징후를 조기에 식별할 수 있다. 그러나 35억 인구를 차지하는 172개국에는 이용할 수 있는 공개된 안과 데이터가 없다. 데이터 사막은 종종 다른 의학 분야에도 영향을 미친다.

그렇기 때문에 대표성이 낮은 국가에서 데이터 수집 및 기계 학습 리소스 풀링(pooling)을 장려하는 프로그램을 개발할 필요가 있다. 또한 임상 데이터에 액세스할 수 있는 사람들이 이를 상업적 목적을 위해 쌓아만 두지 말고 지역 및 국제 연구를 위해 데이터를 공개하는 것이 중요하다. 이러한 노력은 장기적인 데이터 수집과 국제 데이터 저장소의 궁극적인 성장을 위한 토대를 마련하는 시작점이 될 수 있다.

출처 : AI타임스(https://www.aitimes.com)

AI 편향성

2023-04-19 08:05:32 UTC

원문보기:
https://www.itworld.co.kr/news/184638#csidx975ab0ead2d9108bd456f91d36ecb7f

1. 알고리즘 편견
알고리즘 편견은 보호되는 특징과 다른 인자 간의 상관관계에서 비롯된다. 이 경우 보호되는 특성을 단순히 분석에서 배제하는 방법으로는 편향성을 줄일 수 없다. 이 상관관계가 보호되지 않는 인자를 근거로 해서 편향된 의사 결정으로 이어질 수 있기 때문이다.

2. 부정적 유산
학습 데이터에 존재하는 유사한 편향성에서 직접적으로 알고리즘 편향성이 발생할 수도 있다. 예를 들어 언어 번역 작업을 수행하도록 학습되는 ML 모델은 여성 이름을 ‘부모’, ‘결혼’과 같은 속성에 연결하는 경향이 있는 반면, 남성 이름은 ‘전문직’, ‘급여’와 같은 단어와 연결하는 경향이 강하다. 모델 스스로 이와 같은 연결 성향을 갖게 될 가능성은 낮다. 그보다는 이러한 성별 수사를 반영하는 말뭉치를 통해 학습되었을 가능성이 높다. 이것이 부정적 유산의 예다.

3. 과소평가
데이터가 편향되는 경우도 있지만 부족한 경우도 있다. 머신러닝 모델은 충분한 데이터가 없으면 신뢰할 수 있는 예측을 제공하지 못한다.

4/19 AI의 편향성 종류와 개념 탐구

2023-04-19 08:06:14 UTC

1 상호 작용적 편향

2023-04-19 08:10:47 UTC

1. 역사적 편향

기계 학습 알고리즘 교육을 위해 데이터를 수집하는 동안 기록 데이터를 수집하는 것이 거의 항상 시작하기 가장 쉬운 곳이다. 그러나 주의하지 않으면 과거 데이터에 존재했던 편견을 포함하기가 매우 쉽다.

2. 샘플 편향

샘플 편향은 학습 데이터가 모델의 실제 사용 구성을 정확하게 반영하지 않을 때 발생한다. 일반적으로 한 인구는 과도하게 대표하거나 과소 대표한다.

3. 레이블 편향

ML 알고리즘을 교육하는 데 필요한 많은 데이터는 유용하기 전에 레이블을 지정해야 한다. 실제로 웹 사이트에 로그인할 때 이 작업을 직접 수행합니다. 신호등이 있는 사각형을 식별하라는 요청을 받은 적이 있는가? 실제로 시각적 인식 모델을 훈련하는 데 도움이 되는 해당 이미지에 대한 레이블 세트를 확인하고 있는 것이다. 그러나 데이터에 레이블을 지정하는 방식은 매우 다양하며 레이블 지정의 불일치로 인해 시스템에 편향이 생길 수 있다.

4. 집계 편향

때로는 데이터를 집계하여 단순화하거나 특정 방식으로 표시한다. 이는 모델 생성 전후에 발생하는지 여부에 관계없이 편향으로 이어질 수 있다.

5. 확증 편향

간단히 말해서 확증 편향은 기존 믿음을 확인하는 정보를 신뢰하거나 그렇지 않은 정보를 버리는 경향이다. 이론적으로 데이터나 모델링에 편견 없이 가장 정확한 ML 시스템을 구축할 수 있지만 자신의 "직감"에 따라 결과를 변경하려는 경우에는 중요하지 않다. 확증 편향은 조치를 취하기 전에 사람의 검토가 필요한 기계 학습 애플리케이션에서 특히 만연하다.

출처: https://www.seldon.io/6-types-of-ai-bias

4/19 AI의 편향성 종류와 개념 탐구

2023-04-19 08:10:57 UTC

인공지능의 편향성을 구분하여 제시하고 간략하게 설명하기

[예시] https://www.kaggle.com/code/surajjha101/regression-models-diamond-price-prediction
데이터 정보(속성 설명)
이 클래식 데이터 세트에는 약 54,000개 다이아몬드의 가격 및 기타 속성이 포함되어 있습니다. 대상을 포함하여 데이터 세트에 포함된 10개의 속성이 있습니다. 가격.

▣캐럿(0.2-5.01): 캐럿은 미터법 캐럿으로 측정한 다이아몬드의 물리적 무게입니다. 1캐럿은 0.20그램이며 100포인트로 세분됩니다.
▣ 컷(Fair, Good, Very Good, Premium, Ideal): 컷의 품질. 다이아몬드는 정교하게 커팅될수록 눈을 사로잡는 고급 다이아몬드입니다.
▣색상(J(최악)에서 D(최상)까지): 보석 품질의 다이아몬드의 색상은 다양한 색조로 나타납니다. 무색에서 밝은 노란색 또는 밝은 갈색 범위. 무색 다이아몬드는 가장 희귀합니다. 다른 천연 색상(예: 파란색, 빨간색, 분홍색)은 "팬시"로 알려져 있으며 색상 등급은 흰색 무색 다이아몬드와 다릅니다.
▣ 투명도(I1(최악), SI2, SI1, VS2, VS1, VVS2, VVS1, IF(최상)): 다이아몬드는 내포물로 알려진 내부 특성 또는 블레미시로 알려진 외부 특성을 가질 수 있습니다. 내포물이나 흠집이 없는 다이아몬드는 드뭅니다. 그러나 대부분의 특성은 배율로만 볼 수 있습니다.
▣깊이(43-79): z / mean(x, y) = 2 * z / (x + y)에 해당하는 총 깊이 백분율입니다. 다이아몬드의 깊이는 위의 도표에 표시된 대로 큘릿(하단 팁)에서 테이블(평평한 상단 표면)까지 측정한 높이(밀리미터)입니다.
▣ 표(43-95) : 다이아몬드의 가장 넓은 부분을 기준으로 한 윗면의 폭이다. 그것은 관찰자가 볼 때 광택이 나는 것처럼 보이는 모든 방향으로 빛을 반사하여 다이아몬드에 놀라운 불과 광채를 줍니다.
▣가격($$326 - $18826): 미국 달러로 표시된 다이아몬드 가격입니다. 데이터 세트에서 바로 대상 열입니다.
▣x(0 - 10.74): 다이아몬드 길이(mm)
▣y(0 - 58.9): 다이아몬드 폭(mm)
▣z (0 - 31.8): 다이아몬드의 깊이(mm)

2. 종속변수(label, target)

종속변수:

5/17 머신러닝 모델 평가 지표 혼동행렬(Confusion matrix)

waJungbo — 2023-05-09 14:31:39 UTC

위 그림에서 다음의 값을 구하시오.

True Negative (TN):
False Positive (FP):
False Negative (FN):
True Positive (TP):
정확도(Accuracy):
정밀도(Precision):
재현율(Recall):
특이도(Specificity):
거짓 양성 비율(FPR, Fall-Out):
F1점수:

2023-05-17 08:43:06 UTC

True Negative (TN): 47.50%
False Positive (FP): 2.50%
False Negative (FN): 4.00%
True Positive (TP): 46.00%
정확도(Accuracy): 0.9350
정밀도(Precision): 0.9200
재현율(Recall): 0.9223
특이도(Specificity): 0.9485
거짓 양성 비율(FPR, Fall-Out):
F1점수:

5/17 분류모델 실습 결과

yunkyusung — 2023-05-17 09:00:31 UTC

1. 데이터셋: 성별 구분
2. 이용한

특성(features):
타겟(target):

3. 결과 정확도

Accuracy : 0.9593

4. 결정 트리

5/17 머신러닝 모델 평가 지표 혼동행렬(Confusion matrix)

2023-05-17 09:03:26 UTC

True Negative (TN): 47.50%
False Positive (FP): 2.50%
False Negative (FN): 4.00%
True Positive (TP): 46.00%
정확도(Accuracy): 0.9350
정밀도(Precision): 0.9500 / 0.9200
재현율(Recall): 0.9223 / 0.9485
특이도(Specificity):
거짓 양성 비율(FPR, Fall-Out):
F1점수:

5/17 분류모델 실습 결과

2023-05-17 09:04:12 UTC

1. 데이터셋: 피마 인디언 당뇨병
2. 이용한 특성: Glucose, BMI, Age, DiabetesPedigreeFunction
3. 결과 정확도: 0.7186147186147186
4. 결정 트리

5/17 후기

yunkyusung — 2023-05-17 09:07:51 UTC

간단히 메모

5/17 분류모델 실습 결과

2023-05-17 09:11:52 UTC

1. 데이터셋: 피마 인디언 당뇨병
+이용한 특성: Glucose, BMI, Age, DiabetesPedigreeFunction
2. 결과 정확도

Accuracy : 0.7316017316017316

3. 결정 트리

5/17 분류모델 실습

2023-05-17 09:13:22 UTC

데이터셋:diagnosis
이용한 특성: radius_worst, concavepoints_worst, texture_worst
결과 정확도:Accuracy : 0.9298245614035088
결정 트리: http://127.0.0.1:3000/popupmodel?user=brightics@samsung.com&pid=p59jf6wq8ajdjz5j&mid=mkccmhxg4m7cgamx&fid=frj558c82upcnzkg&tids=tkyu8h3awxu37f3f&offsetArr=0&limitArr=1000

5/17 분류모델 실습 결과

2023-05-17 09:14:30 UTC

1. 데이터셋: 인디언 당뇨병 데이터 베이스
2. 이용한

특성(features): glucose, BMI, bloodpressure, age, diatespedigreefunction
타겟(target): outcome

3. 결과 정확도

Accuracy : 0.7316017316017316

4. 결정 트리

5/17 분류모델 실습 결과

2023-05-17 09:15:30 UTC

1. 데이터셋: breast_cancer(유방암)
https://www.kaggle.com/datasets/yasserh/breast-cancer-dataset
2. 이용한

특성(features): radius_worst, concave_points_worst, texture_worst, area_worst, fractal_dimension_se, radius_se
타겟(target): diagnosis

3. 결과 정확도

Accuracy : 0.9532163742690059

4. 결정 트리

5/17 분류모델 실습 결과

2023-05-17 09:16:05 UTC

http://127.0.0.1:3000/popupmodel?user=brightics@samsung.com&pid=pwsjzfnjwvjv83pb&mid=mt743wb8f2vmrxre&fid=fnu27p5zj5gj6rb2&tids=t5szy236ejh7ug9q&offsetArr=0&limitArr=1000

1. 데이터셋: 암 dignosis
2. 이용한 특성: radius mean, concavepoints mean, texture_se
3. 결과 정확도
Accuracy: 0.9239766081871345
4. 결정트리

5/17

2023-05-17 09:16:13 UTC

5/17 분류모델 실습 결과

1. 데이터셋: 피마 인디언 당뇨병
2. 이용한 특성
Glucose,BMI,BloodPressure,Age,Diabet
3. 결과 정확도

Accuracy : 0.7186147186147186

4. 결정 트리

5/17 분류모델 실습 결과

2023-05-17 09:18:44 UTC

1. 데이터셋: PimaIndiansDiabetes.csv (퓨마 인디언 당뇨병)
2. 이용한 특성: Glucose, BMI, Age, Bloodpressure
3. 결과 정확도

Accuracy : 0.7142857142857143

Fare를 MinMax 스케일링하여 특성으로 사용

데이터를 엑셀을 통해 정리하여 필요한 값을 추출하여 랜덤 포레스트 분류를 통해 분석해 보았다. 분류 모델의 정확도를 변인통제 하면서 높였다.

6/7 군집화 결과

2023-06-07 08:58:50 UTC

6/7 군집화 결과 분석

그룹별 특성 분석
그룹_초록:

정보검색 및 공유
대인관계 개선
정치 및 사회 문제 참여
불필요한 정보 요청 받음
타인과의 비교, SNS에 게시하기 위해 노력함

SNS를 적극적으로 사용하며 SNS의 장단점을 모두 경험하는 그룹이다.

그룹_파랑:

정보 검색 및 공유
대인관계 개선
불필요한 정보 요청 받음

SNS를 주로 정보를 위해 사용하는 그룹이다. 자신에 대한 타인의 시선에 큰 신경을 쓰지 않는다.

그룹_검정:

정보 획득
타인과의 비교, 타인의 시선에 대해 신경 쓰는 그룹

자신이 SNS에 게시하는 것에 큰 관심을 두지 않는 그룹이다

그룹_노랑:
전반적으로 SNS를 잘 사용하지 않는다.

6/7 군집화 결과 분석

2023-06-07 08:59:24 UTC

그룹_초록
SNS를 잘 사용하며 직접적으로 업로드를 하여 정보와 소셜 미디어를 활동적으로 사용하고있다.
그룹_파랑
일정하게 그래프가 유지되다가 Comparision에서 급격하게 그래프가 감소하고 있다. 남과 비교하지않고 별로 신경 쓰지 않는다.
그룹_검정
일정하게 그래프가 유지되며 어느정도 남들과 비교하고 SNS에서 정보를 보고 공유하는 그룹이다. 직접적으로 업로드를 하려 하지 않는다.
그룹_노랑
전체적으로 SNS를 사용하지 않고, 소셜 미디어에 관하여 최소한의 역할을 하는 정도로만 사용하는듯 하다.

6/7 군집화 결과 분석

2023-06-07 08:59:38 UTC

1_SNS를 통해 최신 정보를 가장 빠르게 얻을 수 있다
2_SNS를 이용하면서 기존에 알고 있던 사람들과의 관계가 좋아진다
3_SNS를 통해 많은 정보를 공유한다
4_SNS의 사용은 정치 〮 사회문제 참여도를 높인다
5_SNS로 불필요한 정보 요청 등을 받는다
6_SNS를 통해 타인과 나의 삶을 비교한다
7_내 SNS에 게시한 글 사진에 대한 타인의 반응이 신경 쓰인다
8_SNS에 게시하기 위해 사진 동영상 등을 찍으려 노력한다

그룹별 특성 분석
그룹_초록: Q3 이후 지속적 하락
SNS 적극적 활용

그룹_파랑: Q3에서 일시적 증가, Q5 이후 지속적 하락
정보 수집을 목적

그룹_검정: Q8에서 하락
사진이나 동영상에 무관심

그룹_노랑: 지속적 유지
SNS 소극적 활용(거의 사용 안함)

6/7 군집화 결과 분석

2023-06-07 09:00:10 UTC

Q1_news : SNS를 통해 최신 정보를 가장 빠르게 얻을 수 있다.
Q2_friendship : SNS를 이용하면서 기존에 알고 있던 사람들과의 관계가 좋아진다.
Q3_share : SNS를 통해 많은 정보를 공유한다.
Q4_participation_issue : SNS의 사용은 정치/사회 문제 참여도를 높인다.
Q5_requested_spam : SNS로 불필요한 정보 요청 등을 받는다.
Q6_comparison : SNS를 통해 타인과 나의 삶을 비교한다.
Q7_check_reaction : 내가 SNS에 게시한 글,사진에 대한 타인의 반응이 신경 쓰인다.
Q8_effort_upload : SNS에 게시하기 위해 사진, 동영상 등을 찍으려고 노력한다.
그룹별 특성 분석
그룹_초록 :
대부분의 질문에서 3.0 이상의 값을 보임.
SNS와 깊이 연관 되있는 삶을 사는 듯함.

그룹_파랑 :
Q6부터 값이 급격히 떨어짐.
SNS를 남의 시선에 상관하지 않으며 SNS를 사용하는 그룹.
SNS를 잘 활용하는 그룹이라고도 할 수 있음.

그룹_검정 : Q8을 제외한 모든 질문에서 3.0이상의 값을 보임. SNS에 신경쓰나 자신의 관심을 기울이지 않는 특이한 그룹.

그룹_노랑 : 모든 질문에서 3.0 이하의 값을 보임.
SNS를 잘 사용하지 않거나 SNS와 연관이 없는 삶을 사는 그룹

6/7 군집화 결과 분석

waJungbo — 2023-06-07 09:01:11 UTC

전반적으로 활발하게 사용하는 SNS 열혈 사용자 그룹
사회 관계 중시, 정치 고관여층

그룹_파랑:

최신 정보에 관심이 많음
남의 이목을 상관하지 않는 그룹

그룹_검정:

무난한 사용자층
사진이나 동영상에 무관심

그룹_노랑:

전반적으로 SNS를 잘 사용하지 않는 그룹
오프라인 활동에 집중하는 그룹

?

2023-06-07 09:34:34 UTC

6/14 수업 최종 후기 작성(예시)

yunkyusung — 2023-06-14 07:04:56 UTC

<수업 내용>
인공지능의 탄생 배경과 역사
인공지능의 기본 개념과 편향성
인공지능,머신러닝,딥러닝 개념
머신러닝의 지도학습, 비지도학습, 강화학습 개념
결정트리 모델을 활용한 피마인디언 당뇨병 분류
랜덤포레스트 모델을 활용한 타이타닉호 생존자 예측 및 캐글(kaggle) 도전
스프레드시트를 활용한 탐색적 데이터 분석(EDA)
k-평균 군집화 알고리즘을 활용한 SNS사용자 그룹화 및 그룹별 특성 분석

<생각의 변화, 성취, 성장 기록>
이 활동을 통해 동경하던 인공지능의 원리를 깊이 이해하게 되었고, 막연하게 가졌던 두려움이 해소되었다. 또한 인공지능을 적극적으로 활용하고 비판적으로 수용하여 바른 방향으로 발전하도록 감시하는 태도를 가져하겠다고 다짐하였음

지적호기심을 해결한 과정과 성취 경험을 기록

* 패들릿에 게시하는 행위를 보고서 제출 혹은 발표로 볼 수 있음.

2023-06-14 08:38:04 UTC

수업을 통해서 인공지능 기술의 개념과 발전과정, 원리를 깊이 이해하게 되었다. 여러가지 학습모델을 이용하여 데이터분석을 하며 인공지능 기술을 활용하는 방법을 배울 수 있었다. 캐글에서 타이타닉 데이터를 이용하여 직접 모델을 만들어 보면서 실전 능력을 키웠다. 수업 이후에도 여러가지 데이터를 가지고 데이터 분석을 하여 '데이터과학자의 통찰력' 을 조금식 키워나가겠다는 마음을 다졌다.

수업 후기 작성

2023-06-14 08:48:25 UTC

<수업내용>
맨 처음 배운 것은 인공지능의 탄생 역사이다.
앨런 튜링이 "기계가 생각할 수 있는가?"라는 질문으로 시작된 인공지능 역사는 이제는 거의 튜링 테스트가 의미가 없다고 판단될 수준까지 발전이 되고 있다. 인공지능은 크게 계산 주의 학파와 연결 주위 학파로 나뉠 수 있고 계산 주의는 복잡한 수식의 알고리즘으로 머신러닝을 하는 것 이고, 연결 주의 학파는 인간의 뇌의 뉴런이 전기 신호를 보내는 것을 기반으로 만든 딥러닝으로 인공지능을 만드는 것이다.
머신러닝도 크게 3가지로 분류할 수 있는데 첫번째로 정답이 주어지고 데이터들을 분류 시키는 지도 학습,두번째로 정답을 주어지지 않고 데이터들을 군집화 시키는 비지도 학습, 마지막으로 게임이나 로봇의 인공지능에 활용되는 강화 학습으로 나눌 수 있다.
첫번째 실습으로 지도학습의 인공지능 모델들로 많은 양의 데이터들을 분류 해 보았는데, 결정트리를 이용한 피마인디언 당뇨병 분류, 랜덤포레스트,로지스틱 회귀,svm 모델 등을 활용하여 캐글의 타이타닉호 생존자 예측 대회도 도전해 보였다.
두번째 실습으로는 실제 데어터 과학자들이 하는 스프레드 시트를 활용한 EDA활동을 해 보았다.
마지막으로 직접 sns사용 설문을 통한 데이터를 비지도 학습을 이용한 k-군집 모델을 이용하여 많은 정답이 없는 데이터들을 기준에 따라 나눠보는 실습을 해 보았다.
<생각의 변화, 성취, 성장 기록>
이 수업을 통해 최근 많은 사람들이 알파고나 챗 지피티 등을 통해 인공지능 서비스를 직접 체험해 볼수가 있게 되었는데 그러한 인공지능이 얼마나 심오하고 어떤 과정을 통해 만들어 졌는지 궁금하였는데 수업을 통해 조금은 그 궁금증이 해결되었다는 생각이 들었다. 닫혀있던 인공지능에 대한 지식이 이번 수업을 통해 많이 열리게 되는 계기가 되었다. 앞으로 더 많이 공부하고 직접 경험 해보아서 경험치를 서서히 늘려가는게 중요하다고 생각한다. 더 많은 분야를 공부해보고 나에게 잘 맞는 분야가 어떤 분야가 있는지 생각해봐야겠다고 생각했다.앞으로 빠르게 발전해 가는 인공지능에 대해 냉정하게 분석하고 판단하여 빠르게 수용할 수 있는 자세를 지녀야 겠다고 생각함.

수업 후기 작성

2023-06-14 08:49:38 UTC

인공지능의 탄생 배경을 어느 정도는 알고 있었으나 엘런 튜링의 기계는 생각 할 수 있는가? 에 대해서 논문과 그의 궁금증으로 인한 놀라운 기술의 발견에 대해 알게 되었다.
또한 계산주의 학파와 연결주의 학파에 대해서도 배움으로써 지금의 인공지능이 되기 전까지 꽤 많은 과정이 있었고 많은 과학자들의 연구가 있었다고 배웠다.

인공지능:기계가 인간처럼 지능을 가지고 스스스로 생각할 수 있고 인간이 가진 지적 능력을 컴퓨터를 통해 구현하는 기술이다.

머신러닝:컴퓨터가 스스로 학습하여 인공지능의 기술
딥러닝:인간의 뇌,뉴런 신경망의 방식으로 기술을 처리하는 방식
머신러닝의 지도학습:먼저 문제와 답을 줌으로써 학습시키는것
머신러닝의 비지도학습:문제에 대한 정보와 문제에 데이터를 줌으로 써 스스로 인공지능이 정리하고 데이터를 군집화 방식으로 분석하는것
머신러닝의 강화학습:지도학습과 비지도학습의 융합? 상을 줌으로써 정답을 알아내는 것
결정트리 모델:스무고개 형식으로 브라이틱스 모델을 활용하여 데이터에 관하여 그 파마인디언 당뇨병에 관해 예측을 하고 사람에 따라 당뇨병에 걸릴 확률을 예측하는것(분류하는것)
랜덤포레스트:랜덤포레스트(결정트리 모델의 데이터를 정리하여 무작위로 평균화)를 사용하여 타이타닉 생존자 예측 및 캐글을 도전하여 어떻게 해야 생존자 예측율을 높이는지에 대해 배우고 탐구하였다.
스프레드시트를 활용한 탐색적 데이터를 분석하여 데이터분석과 데이터과학을 위한 인코딩과 여러가지 정보에 대해서 배움
k-평균 군집화 알고리즘을 활용하여 SNS사용자 그룹화 및 그룹별 특성 분석에 대해 배움으로서 비지도학습에 대한 특성과 사용되는 점과 원리를 배웠다.
<생각의 변화, 성취, 성장기록>
삼성주소아를 통해 데이터 과학에 대해 알게되면서 인공지능을 사용하여 데이터들을 정리하고 분석하여 독립변수와 종속변수의 상관관계를 알아보는 과정을 통해 인공지능을 활용하여 우리가 갖고 있는 데이터를 우리가 쉽게 인식할 수 있도록 정리하고, 또한 지도학습과 비지도학습을 통해 우리가 필요한 데이터와 따로 정리해야 할 데이터들을 집합시킨것에 앞으로 인공지능의 비지도 학습을 더 관심이 생겼고 비지도학습을 통해 다양한 분야와 융합하여, 스스로 데이터들을 정리하여 활동할 수 있게 연구해보고 싶다고 느꼈다.
또한 캐글에서 데이터를 브라이틱스 스튜디오로 정리하고 타이타닉 사망률을 예측하여, 다양한 방법으로 데이터 예측확률을 높이는것에 성취도를 느꼈다.
전에 1학년때에는 인공지능을 사용하여 어떠한 방법으로 작동하고 어떤 기술을 통하여 우리 생활의 다양한 부분에서 작동하는지에 대해 깨달은 듯 했으나 이번 수업을 통해서 인공지능이라는 기술 자체의 정의와 기본 베이스를 좀 더 탄탄하게 직접 배울 수 있었다고 생각한다. 전에는 겉으로만 어느정도 이해 하고 있었지만 데이터와 접목하여 인공지능 더 깊이 이해할 수 있었다.
앞으로는 직접 브라이틱스와 오렌지 소프트웨어를 활용하여 데이터들을 올바르게 접목하여 심화 활동을 도전하고 궁금한점을 미리 메모하고 연구해봐야겠다고 느꼈다.

수업 후기 작성

2023-06-14 08:51:26 UTC

이 수업에 참여하면서 머신러닝과 딥러닝의 개념에 대해 알게 됨. 머신러닝은 지도학습, 비지도학습, 강화학습으로 구분할 수 있다는 것을 추가적으로 학습하여 인공지능이 데이터를 학습하는 방식을 배움. 삼성 브라이틱스를 활용한 다양한 알고리즘과 분석 모델을 통해 데이터를 분석함. 동아리 활동 중에 기상 예측에 활용되는 결정트리에 대해 조사해본 경험을 바탕으로 피마 인디언 당뇨병에 관한 데이터를 정리한 후 가장 적절한 특성과 레이블을 찾아 데이터의 정확도를 상승시키기 위해 노력함. 결정트리를 사전에 조사하고 직접 실습하여 결정트리에 대한 이해를 더욱 높임. sns사용에 관한 설문 데이터를 군집화 모델에 넣어 그룹별 특성을 분석해보면서 사람들이 어떻게 sns를 자신만의 방식으로 사용하 나가는지 탐구해봄.

6/14 수업후기(수정)

2023-06-14 09:22:30 UTC

수업을 통해서 인공지능 기술의 개념과 발전과정, 원리를 깊이 이해하게 되었다. 인공지능의 개념을 배우는 과정에서 머신러닝, 딥러닝 두 개념 간의 관계를 배울 수 있었고, 머신러닝의 학습방법 3가지(지도학습, 비지도학습, 강화학습)를 배울 수 있었다. 실습으로는 삼성 브라이틱스의 여러가지 학습모델을 이용해 데이터분석을 하며 인공지능 기술을 활용하는 방법을 배울 수 있었다. 캐글에서 타이타닉 데이터를 이용하여 직접 모델을 만들어 보는 과정에서 랜덤포래스트를 다루어 보며 그 개념과 사용방법을 익힐 수 있었으며 추가적으로 SVM 모델을 이용하여 분석을 해보았다. 이외에도 로지스틱 회귀, k-평균 등 다양한 학습모델을 접하며 데이터 분석을 하는 실전 경험을 기를 수 있었다.
수업 이후에도 여러가지 데이터를 가지고 데이터 분석을 하여 '데이터과학자의 통찰력' 을 조금식 키워나가겠다는 마음을 다졌다.