머신러닝이란?
- 머신러닝은 인공지능(AI)의 하위 집합입니다. 학습과 개선을 위해 명시적으로 컴퓨터를 프로그래밍하는 대신, 컴퓨터가 데이터를 통해 학습하고 경험을 통해 개선하도록 훈련하는 데 중점을 둡니다. 머신러닝에서 알고리즘은 대규모 데이터 세트에서 패턴과 상관관계를 찾고 분석을 토대로 최적의 의사결정과 예측을 수행하도록 훈련됩니다. 머신러닝 애플리케이션은 적용을 통해 개선되며 이용 가능한 데이터가 증가할수록 더욱 정확해집니다.
머신러닝과 AI의 상관관계는?
- 머신러닝과 그 구성요소인 딥러닝, 신경망은 모두 AI의 세부 하위집합입니다. AI는 의사결정과 예측을 수행하기 위해 데이터를 처리합니다. AI는 머신러닝 알고리즘으로 데이터를 처리할 뿐 아니라 추가 프로그래밍 없이도 데이터를 학습하면서 지능화합니다. 인공지능은 모든 머신러닝 관련 하위 집합을 포괄하는 상위집합입니다. 첫 번째 하위집합은 머신러닝이며, 그 안에 딥러닝이 있고 딥러닝 안에는 신경망이 있습니다.
신경망이란?
- 인공신경망(ANN)은 생물학적 두뇌의 뉴런을 기반으로 모델링된 네트워크입니다. 인공뉴런은 노드라고 하며, 여러 레이어로 클러스터화 되고 병렬로 작동합니다. 인공뉴런은 숫자로 된 신호를 수신하면 이를 처리하고 해당 뉴런과 연결된 다른 뉴런에 신호를 보냅니다. 사람의 뇌와 마찬가지로, 신경 강화를 통해 패턴 인식, 전문지식, 전반적인 학습을 개선합니다.
딥 러닝이란?
- 이 유형의 머신러닝에 '딥'이란 표현을 쓰는 이유는 여러 신경망 레이어와 복잡하고 이질적이며 대량의 데이터를 포함하기 때문입니다. 시스템은 딥러닝을 수행하기 위해 네트워크의 여러 레이어와 상호작용해 상위 수준의 결과값을 추출합니다. 예를 들어 자연 이미지를 처리하고 글로리오사 데이지를 찾는 딥러닝 시스템은 첫 번째 레이어에서 식물을 인식합니다. 여러 신경 레이어를 이동하면서 꽃과 데이지, 마지막으로 글로리오사 데이지를 인식합니다. 딥러닝 애플리케이션의 예로는 음성 인식, 이미지 분류, 약품 분석 등이 있습니다.
머신러닝의 작동 방식
- 머신러닝은 다양한 알고리즘 기법을 적용하는 여러 유형의 머신러닝 모델로 구성됩니다. 데이터의 특성과 원하는 결과에 따라 지도, 비지도, 준지도, 강화 등 네 가지 학습모델 중 하나를 적용할 수 있습니다. 사용 중인 데이터 세트와 원하는 결과에 따라 각 모델 내에서 하나 이상의 알고리즘 기법을 적용할 수 있습니다. 머신러닝 알고리즘은 기본적으로 사물 분류, 패턴 발견, 결과 예측, 정보 기반 의사결정 등을 수행하도록 설계됩니다. 알고리즘은 하나씩 사용할 수도 있고 복잡하고 보다 예측 불가능한 데이터가 포함된 경우에는 정확도를 극대화하기 위해 여러 알고리즘을 결합할 수도 있습니다.
study