반응형
기계 학습은 시스템이 명시적으로 프로그램되지 않고도 자동으로 학습하고 스스로 개선할 수 있는 능력을 제공하는 인공지능(AI) 애플리케이션입니다. 기계 학습은 데이터를 기반으로 스스로 학습할 수 있는 컴퓨터 프로그램의 개발에 초점을 맞춥니다.
학습 과정은 데이터에서 패턴을 찾고 인간이 제공하는 예시에 기초해 더 나은 결정을 내리기 위해 직접 경험 또는 관찰 또는 데이터를 분석합니다. 주된 목적은 사람의 개입이나 도움 없이 컴퓨터가 자동으로 학습하도록 하고 그에 따라 동작을 조정하는 것입니다.
지도학습 vs 비지도학습
기계 학습 알고리즘은 보통 지도학습과 비지도학습으로 분류됩니다.
- 지도학습 알고리즘: 라벨이 붙은 예시를 사용해 학습한 내용을 토대로 새로운 데이터에 적용하여 미래의 사건을 예측합니다. 이를 위해 대량의 충분한 데이터가 필요합니다. 데이터의 분석부터 시작하여 학습 알고리즘은 추론 함수를 생성하여 출력 값을 예측합니다. 충분한 학습이 되면 새로운 상황(입력)에서도 생성한 추론 함수를 사용해 출력 값을 도출해 냅니다.
- 비지도학습 알고리즘: 학습에 사용되는 정보가 분류되거나 라벨링 되지 않았을 때 사용됩니다. 비지도학습은 레이블이 부착되지 않은 데이터에서 숨겨진 구조를 설명하는 함수를 추론할 수 있는 방법을 연구합니다. 이 시스템은 올바른 출력을 파악하지는 못하지만 데이터를 탐색하고 데이터 집합에서 추론을 이끌어 내어 레이블이 지정되지 않은 데이터의 숨겨진 구조를 설명할 수 있습니다.
- 반지도학습 알고리즘: 훈련에 라벨이 붙어 있는 데이터와 라벨이 붙어 있지 않은 데이터를 모두 사용합니다. 일반적으로 레이블이 붙어 있는 데이터는 소량이고 레이블이 붙어 있지 않은 데이터는 대량입니다. 이 방법을 사용하는 시스템은 학습 정확도를 상당히 향상시킬 수 있습니다. 일반적으로 반지도학습은 라벨이 붙은 획득한 데이터가 훈련/학습을 위해 숙련되고 관련된 자원을 필요로 할 때 선택됩니다.
강화 학습
강화 학습 알고리즘은 행동을 생산하여 환경과 상호 작용하고 오류나 보상을 발견하는 학습 방법이다. 행동심리학 관점에서 접근하는 방식입니다. 보강 학습의 가장 중요한 특징은 시행 착오 조사와 보상 지연입니다. 이 방법을 사용하면 시스템 및 소프트웨어 에이전트가 성능을 극대화하기 위해 특정 컨텍스트 내에서 이상적인 행동을 스스로 결정할 수 있습니다. 시스템이 어떤 조치가 최선인지 알기 위해서는 간단한 피드백이 필요합니다. 이를 강화 신호라고 합니다.
기계 학습의 활용
기계 학습을 사용하면 대량의 데이터를 효과적으로 분석할 수 있습니다. 기계학습이 활용된 사례는 다음과 같습니다.
- 자율 주행 자동차
- 온라인 상품 추천 시스템
- 사기 및 부당 거래 탐지
- 반복 작업 자동화
- 온도 조절기
- 비서
- 의료 진단
반응형