Machine Learning이란 Computer Science와 AI의 기술로, 컴퓨터가 experience(경험)을 통해 learning(학습)하도록 하는 기술입니다.
실제로 우리 생활에서 머신러닝이 흔하게 사용되어 우리 삶을 윤택하게 만들어주고 있습니다.
머신러닝이 사용된 어플리케이션
머신러닝은 다양한 응용 분야에서 사용되고 있습니다.
Image Recognition
예를 들어, facial recognition(얼굴 인식), vehicle plates recognition (자동차 번호판 인식), 의료 이미지 분석(e.g., x-ray, MRI) 등 다양한 분야에서 사용됩니다.
Natural Language Processing
ML은 텍스트 관련 작업에 사용됩니다. 이메일 스팸 필터(E-mail Spam Detection), 텍스트 감정 분석(Text Sentiment Analysis), 번역(Translation), 질문 응답 시스템(Question-Answering System), 챗봇(Chatbot), 텍스트 요약(Summarization) 등 자연어 처리 기술을 구현하는데 사용됩니다.
Recommendation System
ML은 온라인 쇼핑 사이트, 비디오 스트리밍 플랫폼과 같은 곳에서 사용자에게 맞춤형 제품 및 영화를 추천하는데 사용됩니다. 이러한 시스템은 사용자의 행동 데이터를 분석하여 Customized 추천을 생성합니다.
Medical Diagnosis
ML은 질병 진단과 치료에 사용됩니다. 환자 데이터를 분석하여 질병 위험을 예측하거나 의료 영상을 해석하는데 활용됩니다.
Financial Forecasting
주식 시장 예측(Stock Market), 신용 위험 모델링(Credit Risk Modelling), 부정거래 탐지(Fraud Detection) 등 금융 분야에서 사용됩니다.
Self-Driving Car
ML은 자율주행 핵심 기술 중 하나로 사용됩니다. 차량은 주행 환경을 인식하고 주행 결정을 내리는데 머신러닝 모델을 활용합니다.
Energy Management
ML은 에너지 소비를 최적화하고 데이터를 분석하여 에너지 효율을 향상시키는데 사용됩니다.
머신러닝의 학습방법
위에서 소개드린것과 같이 실제 우리 생활에서 많은 어플리케이션들이 머신러닝 기술을 가지고 개발되었습니다.
Machine 혹은 Computer를 우리가 만들고자 하는 어플리케이션 목적에 맞게 훈련시켜야 합니다. 그렇다면 이 어플리케이션들을 만들기 위해 Data를 가지고 어떻게 Machine을 훈련시킬까요?
머신러닝에는 크게 3가지 학습 유형으로 나눕니다: 지도학습, 비지도학습, 강화학습
Supervised Learning (지도학습)
지도학습이란 입력 데이터와, 해당 데이터에 대한 정답(Label)이 주어지는 경우입니다. 모델은 입력데이터와 Label의 관계를 학습하여 새로운 데이터에 대한 예측을 수행합니다.
주로 데이터를 여러 클래스 또는 범주 중 하나로 분류하는 과제인 Classification (분류) 작업과, 특정 값(discrete 혹은 continuous)을 예측하는 Regression (회귀) 작업에 사용됩니다.
Unsupervised Learning (비지도학습)
비지도학습이란 지도학습과 다르게 해당 데이터에 대한 정답이 주어지지 않습니다. 데이터에서 패턴이나 구조를 발견하거나 데이터를 클러스터링 합니다.
주로 데이터를 군집화하여 비슷한 특성을 가진 데이터끼리 묶는 Clustering(군집화) 작업과, 데이터를 간소화 하기 위한 Dimensionality Reduction (차원 축소) 작업에 사용됩니다.
Reinforcement Learning (강화학습)
강화학습이란 agent가 Environment와 상호 작용하며 reward를 최적화하기 위해 action을 학습하는 방법입니다.
주로 게임, 자율주행 차, 로봇 제어 등 작업에 사용됩니다.
다음 포스팅에서는 지도학습, 비지도학습, 강화학습을 위한 알고리즘을 소개하도록 하겠습니다.
