juooo1117

Part 3. 데이터 사이언티스트의 소양 Becoming a world-class data scientist 세계적인 과학자들이 가지고 있는 공통점 → 데이터에 대한 호기심 - 이종 데이터(heterogeneous)의 결합은 혁신을 가져온다. e.g. 전화 소통 패턴 + 지리정보 = 어느 지역들 사이에 소통이 원할한지 등의 재미있는 사회과학 문제를 파악 가능 기지국 정보를 통해서 지하철 이용 수요를 예측 → 편리한 지하철 노선을 만들 수 있음 - heterogeneous bigdata 결합과 새로운 인공지능 기반 계산과학 방법의 적용 → 산업과 사회의 모든 영역에서 디지털 전환이 이루어지면서 데이터 사이언스는 그동안 있었던 분야를 혁신적으로 바꾸어 줄 것으로 기대됨 (데이터 사이언스 기반의 난제 해결) ..

Part 2. AI Ethics AI and creativity GAN(적대적 생성 신경망)이 나오면서 단순한 모방과 변형을 넘어선 새로운 창작물이 탄생할 수 있는 것을 확인 자연어 처리(NLP) 분야에서도 혁신이 일어나고 있음 → 대형 플랫폼마다 초거대 언어 모델을 개발하고 있음 - 이런 초거대 언어 모델들은 문맥을 이해하고 방대한 지식을 쌓고 질의에 응답할 수 있다. - 뉴스에서는 주가와 날씨같이 반복되는 형태의 기사를 로봇이 작성하고 있다. - 질의응답 시스템에서 AI가 인간의 성능을 초월함 인공지능의 엄청난 발전으로 인공지능이 상업과 연결이 되면서 많은 윤리적인 문제가 발생하고 있다. AI Art in Action AI 예술 작품은 학습데이터를 기반으로 하는데, 과연 창작성(originality)..

Part 1. 데이터 분석과 AI학습에서 유의할 점 데이터를 잘 해석하고 있는가? 상관관계인지 인과관계인지를 잘 파악해야 한다. 하지만 실제로 두 관계를 섞어서 혼용하는 실수가 빈번하게 발생한다. 데이터 전처리와 분석방법은 적절한가? - 그래프에 Error bar 를 추가하자 - 데이터에 적합한 통계 테스트를 찾아야 한다. - outlier 를 제거해야 한다. - 데이터를 표준화해야 한다. - 데이터를 깊이 분석하는 EDA(Exploratory Data Analysis)는 정말 중요한 과정이다. 학습에 쓰는 데이터는 충분한가? - 많은 수의 parameter를 확보하기 위해서, 보통 인공지능 알고리즘에는 million scale data(백만건) 정도는 필요하다. - 데이터 학습의 결과가 적절한 수준인지..