이스트소프트 AI Plus Lab
- 컴퓨터 비전
 
- 자연어 처리
 
- 악성코드 탐지
 
- 금융시장 예측
 
 
1.1. 딥러닝의 이해 ¶
- 인공지능
 - 사람만큼이나 사람보다 똑똑한 기계
 
 
- 사람만큼이나 사람보다 똑똑한 기계
- 머신러닝 
 - 더 많은 데이터를 더 빠르게 처리할 수 있지만, 처리 알고리즘은 사람이 만들어야 한다
 
- 사람보다 똑똑한 기계를 만들기 위해 사람(생물)이 학습하는 방법을 모델링
 - 데이터로부터 경험적, 귀납적으로 만들어낸 알고리즘에 의해 추론
 
- feature와 label
 
- 더 좋은 feature들을 추출할 수 있다면, 더욱 쉽게 분류할 수 있다
 
- feature engineering 
 - 딥러닝 이전 머신러닝에서 반드시 수행되어야하는 작업
 
- 사람이 정답을 더 잘 찾기 위한 특징을 찾아내고 (->도메인 전문가) 
 
- 사람이 데이터에서 그런 특징을 식별하고 추출하는 알고리즘을 설계하는 것 (->알고리즘)
 
 
- 딥러닝 이전 머신러닝에서 반드시 수행되어야하는 작업
 
- 데이터로부터 경험적, 귀납적으로 만들어낸 알고리즘에 의해 추론
- 단일 층으로 분류가 불가능하다면, 분류가 가능할 때까지 공간을 변형시키면 된다
 - 즉, 다중 층을 사용하면 된다
 
 
- 즉, 다중 층을 사용하면 된다
 
- 더 많은 데이터를 더 빠르게 처리할 수 있지만, 처리 알고리즘은 사람이 만들어야 한다
- 딥러닝
 - 여러 층을 통째로 학습시키면(차원이 늘어나면) 
 
- 사람이 찾을 수 있는 특징보다 더 좋은 특징을 찾아 분류를 할 수 있다
 
- 이 특징은 사람이 이해하기에는 어려울 수 있다
 
- 더 어렵고 복잡한 문제를 해결할 수 있는데 이를 수용력이라 함
 
- 딥러닝은 머신러닝 더 넓은 수용력을 가지는 학습 방법
 
- 학습할 데이터가 충분히 많아야 더욱 정확하고 복잡한 특징을 추출할 수 있게 된다
 
 
- 여러 층을 통째로 학습시키면(차원이 늘어나면) 
- 딥러닝에 필요한 것들
 - 선형대수학
 
- 확률과 통계
 
- 다변수 미적분
 
- 알고리즘, 최적화
 
- 기타 등등
 - 정보이론(엔트로피 ..)
 
- 기타 수학적 이론들
 
 
- 정보이론(엔트로피 ..)
 
- 선형대수학
1.2. 딥러닝의 원리 1 - similarity ¶
- 딥러닝에서는 스스로 좋은 feature를 찾아가기 때문에 최대한 손실이 없는 데이터를 사용하는 것이 유리하다
 
- 벡터의 유사도를 나타내는 방법
 - 유클리드 거리(두 벡터의 차이)
 
- 코사인 유사도(두 벡터의 내적)
 
- 하지만 유사한 데이터라고 해서 유사한 벡터인 것은 아니다
 
- 이를 해결하는 것이 머신러닝의 핵심적인 목교
 
 
- 유클리드 거리(두 벡터의 차이)
- 입력층 벡터를 유사하게 -> 입력 데이터의 모델링
 
- 마지막 은닉 층 벡터를 유사하게 -> 네트워크 모델링
 
- Supervised Learning
 - 분류의 정답인 함수 값을 통해 어떤 데이터들이 분류가 같아야 하고, 분류가 달라야하는지
 
- 기준을 가르치는 것
 
 
- 분류의 정답인 함수 값을 통해 어떤 데이터들이 분류가 같아야 하고, 분류가 달라야하는지
- 뉴럴 네트워크를 학습한다는 것
 - 학습한다는 것은 정답과의 오차를 줄이는 방향으로 모델 파라미터를 수정해 나가는 것
 
- 학습이 잘 된 후에는 어떤 입력에 대해 강하게 반응하려면 가중치가 그 벡터와 유사해 진다
 
 
- 학습한다는 것은 정답과의 오차를 줄이는 방향으로 모델 파라미터를 수정해 나가는 것
- 모델링
 - 더 적은 데이터를 가지고 더 적합한 학습을 시킬 수 있도록하는 것이 모델링
 
- ex) CNN
 
 
- 더 적은 데이터를 가지고 더 적합한 학습을 시킬 수 있도록하는 것이 모델링
- 응용
 - 변종 악성코드의 탐지와 분류
 
- 악성코드의 유사도
 - 메타데이터가 유사하다
 
- 파일 구조와 내용이 유사
 
- 코드 패턴, 행위 패턴이 유사
 
- 사용하는 API가 유사
 
- 개발자의 습관이 유사
 
- 노리는 대상이나 취약점이 유사
 
- 통신하는 대상이나 패킷이 유사
 
- 압축, 난독화, 암호화, 패키지 방식이 유사
 
- 악성 여부?
 - 정말 모든 악성 코드를 유사한가?
 
- 정말 모든 정상 코드는 유사한가?
 
- 정말 정상코드와 악성코드는 유사하지 않은가?
 
 
- 정말 모든 악성 코드를 유사한가?
- 탐지명
 - 보안 분석가들이 오랜 기간동안 악성코드를 분류
 
- 유사한 악성코드를 같은 탐지명으로 분류할까?
 
- 같은 탐지명으로 분류된 악성코드들은 유사할까?
 
- 하나의 악성코드는 하나의 탐지명으로만 분류할 수 있을까?
 
 
- 보안 분석가들이 오랜 기간동안 악성코드를 분류
- 탐지명을 label로 학습을 시킨다 하더라도
 
 
- 메타데이터가 유사하다
- 신종 악성코드의 탐지와 분류
 - 학습한 데이터의 유사한 악성코드가 없다
 
- 학습한 훈련 데이터에 같은 분류로 분류된 악성코드가 없다
 
 
- 학습한 데이터의 유사한 악성코드가 없다
 
- 변종 악성코드의 탐지와 분류
1.3. 딥러닝의 원리 2 - Probability ¶
- 변별 모델 
 - classification, regression
 
- 입력 데이터 x가 주어질 때, 간단한 응답 y를 결정
 
- 조건부 확률을 사용
 - 조건부 확률의 함정
 
- 조건부 활률 뒤집기
 - 수 많은 경우의 수가 존재하므로 직접 계산하는 것은 굉장히 어렵다
 
- 결합 확률
 - x,y가 동시에 일어날 확률
 
- 베이즈 정리에 의해 계산     
 
 
- x,y가 동시에 일어날 확률
- 결합 확률을 계산
 
 
- 수 많은 경우의 수가 존재하므로 직접 계산하는 것은 굉장히 어렵다
 
- 조건부 확률의 함정
 
- classification, regression
- 생성모델
 
2. (딥)러닝 ¶
http://cs231n.stanford.edu/
이미지 분류기 
- 이미지 데이터를 각 픽셀에 대해 rgb로 표현 
 
- 다른 시각에서, 다른 성질을 가진 같은 물체를 어떻게 같은 label로 분류할 것인가
 
- hard-code로는 분류기를 만드는 것이 불가능함
 
2.1. K Nearest Neighbor Classifier ¶
- 이미지를 학습하여 저장
 
- 새로 들어온 이미지를 차이가 가장 작은 값을 통해 분류
 
- 비교하는 방법
 - 픽셀값으 절대값 거리 계산
 
- 이를 distance로 사용
 
 
- 픽셀값으 절대값 거리 계산
- 분류 시간이 linear하게 증가
 
- CNN 모델에서는 학습시간은 증가하지만, 분류가 빠름
 
- hyper parameter
 - L1 distance vs L2 distance 
 
- K?
 
- 실험적으로 hyper parameter를 결정
 - 학습 데이터 중 일부를 validation data로 사용
 
- cross-validation
 
 
- 학습 데이터 중 일부를 validation data로 사용
 
- L1 distance vs L2 distance 
2.2. Linear Classification ¶
- 선을 그어 분류하는 방법
 
- non-parametric approach
 - KNN 등
 
 
- KNN 등
- parametric approach 
 - 선의 기울기를 사용하여
 
- f(x, W) -> 분류
 
- score function f =  W*x + b = 점수의 벡터
 
 
- 선의 기울기를 사용하여
- loss function
 - 학습 데이터에 대해 unhappiness를 측정하는 함수
 
- loss function을 작게 만드는 과정 -> optimization
 
- ex) SVM loss function
 
 
- 학습 데이터에 대해 unhappiness를 측정하는 함수
- softmax classifier
 - score = 특정 분류에 대한 normalized 되지 않은 조건부 확률 
 
- loss function = -log(normalized score)
 
 
- score = 특정 분류에 대한 normalized 되지 않은 조건부 확률 
- optimization
 - loss function을 최소화하는 W을 구하는 과정
 
- random search 
 - W를 랜덤하게 생성하여 찾은 W 중 가장 loss 값을 가지는 W를 선택
 
- 낮은 정확도
 
 
- W를 랜덤하게 생성하여 찾은 W 중 가장 loss 값을 가지는 W를 선택
- gradient descent
 - 가능한 작은 h를 사용하여 gradient를 측정
 
- loss가 작아지는 방향으로 점진적으로 접근  
 
 
 
- 가능한 작은 h를 사용하여 gradient를 측정
 
- loss function을 최소화하는 W을 구하는 과정
3. 고래 등에 태운 텐서플로 ¶
if(ubuntu version < 16) instead 18~20page
- command -> sudo apt install docker.io
 
 
 
- command -> sudo docker rm -f tensorflow
 
- command -> sudo docker run -d --net=host --name tensorflow gcr.io/tensorflow/tensorflow
 
- connect http://127.0.0.1:8888/
 
- try login in webpage
 
- command -> sudo docker logs tensorflow
 
- copy link to browser like this in log -> http://localhost:8888/?token=00bca78fdb2b3ab7b23eab7105dc639dab72d021ecd5c54f <- copy link like this to browser/
 
3.1. fully_connected_feed.py ¶
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import os
import sys
import time
from six.moves import xrange
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.examples.tutorials.mnist import mnist
FLAGS = None
def placeholder_inputs(batch_size):
    images_placeholder = tf.placeholder(tf.float32, shape=(batch_size,
                                                           mnist.IMAGE_PIXELS))
    labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))
    return images_placeholder, labels_placeholder
def fill_feed_dict(data_set, images_pl, labels_pl):
    images_feed, labels_feed = data_set.next_batch(FLAGS.batch_size,
                                                   FLAGS.fake_data)
    feed_dict = {
        images_pl: images_feed,
        labels_pl: labels_feed,
    }
    return feed_dict
def do_eval(sess,
            eval_correct,
            images_placeholder,
            labels_placeholder,
            data_set):
    true_count = 0
    steps_per_epoch = data_set.num_examples // FLAGS.batch_size
    num_examples = steps_per_epoch * FLAGS.batch_size
    for step in xrange(steps_per_epoch):
        feed_dict = fill_feed_dict(data_set,
                                   images_placeholder,
                                   labels_placeholder)
        true_count += sess.run(eval_correct, feed_dict=feed_dict)
    precision = float(true_count) / num_examples
    print('  Num examples: %d  Num correct: %d  Precision @ 1: %0.04f' %
          (num_examples, true_count, precision))
def run_training():
    data_sets = input_data.read_data_sets(FLAGS.input_data_dir, FLAGS.fake_data)
    with tf.Graph().as_default():
        images_placeholder, labels_placeholder = placeholder_inputs(
            FLAGS.batch_size)
        logits = mnist.inference(images_placeholder,
                                 FLAGS.hidden1,
                                 FLAGS.hidden2)
        loss = mnist.loss(logits, labels_placeholder)
        train_op = mnist.training(loss, FLAGS.learning_rate)
        eval_correct = mnist.evaluation(logits, labels_placeholder)
        summary = tf.summary.merge_all()
        init = tf.global_variables_initializer()
        saver = tf.train.Saver()
        sess = tf.Session()
        summary_writer = tf.summary.FileWriter(FLAGS.log_dir, sess.graph)
        sess.run(init)
        for step in xrange(FLAGS.max_steps):
            start_time = time.time()
            feed_dict = fill_feed_dict(data_sets.train,
                                       images_placeholder,
                                       labels_placeholder)
            _, loss_value = sess.run([train_op, loss],
                                     feed_dict=feed_dict)
            duration = time.time() - start_time
            if step % 100 == 0:
                print('Step %d: loss = %.2f (%.3f sec)' % (step, loss_value, duration))
                summary_str = sess.run(summary, feed_dict=feed_dict)
                summary_writer.add_summary(summary_str, step)
                summary_writer.flush()
            if (step + 1) % 1000 == 0 or (step + 1) == FLAGS.max_steps:
                checkpoint_file = os.path.join(FLAGS.log_dir, 'model.ckpt')
                saver.save(sess, checkpoint_file, global_step=step)
                print('Training Data Eval:')
                do_eval(sess,
                        eval_correct,
                        images_placeholder,
                        labels_placeholder,
                        data_sets.train)
                print('Validation Data Eval:')
                do_eval(sess,
                        eval_correct,
                        images_placeholder,
                        labels_placeholder,
                        data_sets.validation)
                print('Test Data Eval:')
                do_eval(sess,
                        eval_correct,
                        images_placeholder,
                        labels_placeholder,
                        data_sets.test)
def main(_):
    if tf.gfile.Exists(FLAGS.log_dir):
        tf.gfile.DeleteRecursively(FLAGS.log_dir)
    tf.gfile.MakeDirs(FLAGS.log_dir)
    run_training()
if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument(
        '--learning_rate',
        type=float,
        default=0.01,
        help='Initial learning rate.'
    )
    parser.add_argument(
        '--max_steps',
        type=int,
        default=2000,
        help='Number of steps to run trainer.'
    )
    parser.add_argument(
        '--hidden1',
        type=int,
        default=128,
        help='Number of units in hidden layer 1.'
    )
    parser.add_argument(
        '--hidden2',
        type=int,
        default=32,
        help='Number of units in hidden layer 2.'
    )
    parser.add_argument(
        '--batch_size',
        type=int,
        default=100,
        help='Batch size.  Must divide evenly into the dataset sizes.'
    )
    parser.add_argument(
        '--input_data_dir',
        type=str,
        default=os.path.join(os.getenv('TEST_TMPDIR', '/tmp'),
                             'tensorflow/mnist/input_data'),
        help='Directory to put the input data.'
    )
    parser.add_argument(
        '--log_dir',
        type=str,
        default=os.path.join(os.getenv('TEST_TMPDIR', '/tmp'),
                             'tensorflow/mnist/logs/fully_connected_feed'),
        help='Directory to put the log data.'
    )
    parser.add_argument(
        '--fake_data',
        default=False,
        help='If true, uses fake data for unit testing.',
        action='store_true'
    )
FLAGS, unparsed = parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
3.2. mnist.py ¶
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import math
import tensorflow as tf
NUM_CLASSES = 10
IMAGE_SIZE = 28
IMAGE_PIXELS = IMAGE_SIZE * IMAGE_SIZE
def inference(images, hidden1_units, hidden2_units):
    with tf.name_scope('hidden1'):
        weights = tf.Variable(
            tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
                                stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),
            name='weights')
        biases = tf.Variable(tf.zeros([hidden1_units]),
                             name='biases')
        hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)
    with tf.name_scope('hidden2'):
        weights = tf.Variable(
            tf.truncated_normal([hidden1_units, hidden2_units],
                                stddev=1.0 / math.sqrt(float(hidden1_units))),
            name='weights')
        biases = tf.Variable(tf.zeros([hidden2_units]),
                         name='biases')
        hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)
    with tf.name_scope('softmax_linear'):
        weights = tf.Variable(
            tf.truncated_normal([hidden2_units, NUM_CLASSES],
                                stddev=1.0 / math.sqrt(float(hidden2_units))),
            name='weights')
        biases = tf.Variable(tf.zeros([NUM_CLASSES]),
                         name='biases')
        logits = tf.matmul(hidden2, weights) + biases
    return logits
def loss(logits, labels):
    labels = tf.to_int64(labels)
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
        labels=labels, logits=logits, name='xentropy')
    return tf.reduce_mean(cross_entropy, name='xentropy_mean')
def training(loss, learning_rate):
    tf.summary.scalar('loss', loss)
    optimizer = tf.train.GradientDescentOptimizer(learning_rate)
    global_step = tf.Variable(0, name='global_step', trainable=False)
    train_op = optimizer.minimize(loss, global_step=global_step)
    return train_op
def evaluation(logits, labels):
    correct = tf.nn.in_top_k(logits, labels, 1)
    return tf.reduce_sum(tf.cast(correct, tf.int32))
4.1. 자연 언어 처리 ¶
- 컴퓨터가 언어를 받아들이고 이해하여 다양한 작업들을 할 수 있게 하는 것
 
- 간단한 것부터 어려운 것까지 문제의 범위가 넒음
 
 
- 언어학 기반 : 분할(띄어쓰기, 형태소), 품사 태깅, 구문 분석(parsing)
 
- 분석 : 문서 분류, 감정 분석, 주제 모델링, 정보 추출
 
- 변형 : ppt참고 너무 빨라 판서를 못함
 
- 대화
 
 
4.2. 수준별 언어 특성들 ¶
음소 -> 형태소 -> 문법 -> 의미(영어)
- 음소(phoneme) 어떤 언어에서 의미 구별 기능을 갖는 음성 상의 최소 단위
 
- 형태소
 
- 문법(syntax)  : 문장(, 단락)을 품사 단위로 분해, 분석트리를 생성
 
- 의미(semantic) : 문장의 의미를 논리식으로 표현, 언어의 모호함을 제거
 
 
4.3. 딥러닝과 자연언어처리 ¶
- 언어 데이터의 특징 : 불연속적인 심볼의 나열 샘플(문장)별로 길이가 다를 수 있음. 계층적, 재귀적인 구조를 지님
 
- 딥러닝은 매우 유연한 모델을 제공함
 - CNN : 지역적 특성을 가진 데이터의 처리에 좋음(주로 이미지)
 
- RNN : 연속된 데이터들의 처리에 좋음
 
- RecursiveNN: 계층구조를 가진 데이터의 처리에 사용가능
 
 
- CNN : 지역적 특성을 가진 데이터의 처리에 좋음(주로 이미지)
4.3.3. 딥러닝의 특징 ¶
- 데이터로부터 중요한 특징을 자동으로 학습
 
- 수준 별 언어 특성에 대한 통일된 형태 제공 - vector
 
- 음소 : 음성 특성을 벡터로 표현, 학습
 
- 형태소 : 접두사, 접미사, 어간 등을 벡터로 표현, 결합
 
- 문법 : 문장 내의 단어들을 벡터로 표현
 
- 의미: 문장이나 구를 벡터로 표현
 
 
- 언어를 특성이 다른 데이터(그림, 음성)와 같은 표현(vector)으로 나타냄으로 여러 데이터를 같이 사용한(multimodal model)의 구축이 쉬워짐
 
4.4. Keras 실습 ¶
- Theano/tensorflow를 이용한 상위 레벨의 deep learning library
 
- Theano/TF는 그냥 사용하기에는 추상화 수준이 낮음
 - 직접적인 matrix 연산, 연산 = 노드 개념, 원하는 값을 얻기 위한 tensor eval 등
 
- 현재는 더 높은 추상화 수준의 라이브러리들도 제공
 
 
- 직접적인 matrix 연산, 연산 = 노드 개념, 원하는 값을 얻기 위한 tensor eval 등
- 쉽고 빠른 구현
 - TF와 다르게 개별 연산 수준에서 NN를 만드는 게 아니라 레이어 단위로 NN을 구성
 
- NN 구성에 필요한 핵심 기능들 지원
 
- Training, prediction 등을 메소드 형태를 통해 쉽게 사용할 수 있음
 
 
 
- TF와 다르게 개별 연산 수준에서 NN를 만드는 게 아니라 레이어 단위로 NN을 구성
- 문제 : 영화 리뷰 데이터셋을 이용한 감정 분석(sentiment analysis)
 - Keras에서 미리 단어를 빈도에 따라 indexing하였음
 
- Input : 25,000 영화 리뷰 : imdb
 
- Output : 긍정/부정 분류 결과(binary classification)
 
- Model : 1-D CNN + max pool + fully connected
 
 
- Keras에서 미리 단어를 빈도에 따라 indexing하였음













