[AI프로그래밍] 머신 러닝과 딥러닝#2 - 머신 러닝이란

머신 러닝과 딥러닝

 

머신 러닝이란

머신 러닝은 인공지능의 한 분야로, 컴퓨터 스스로 대용량 데이터에서 지식이나 패턴을 찾아 학습하고 예측을 수행하는 것

즉, 컴퓨터가 학습할 수 있게 하는 알고리즘과 기술을 개발하는 분야라고 할 수 있음

---

머신 러닝 학습 과정

머신러닝은 다음 그림과 같이 크게 학습 단계(learning)와 예측 단계(prediction)로 구분할 수 있음

학습 단계에서는 학습 데이터를 대상으로 머신 러닝 알고리즘을 적용하여 학습시키고, 이 학습 결과로 모형이 생성

예측 단계에서는 학습 단계에서 생성된 모형에 새로운 데이터를 적용하여 결과를 예측

이미지 출처 :딥러닝 텐서플로 교과서 서지영 지음

 

특성 추출

머신 러닝에서 컴퓨터가 스스로 학습하려면, 즉 컴퓨터가 입력받은 데이터를 분석하여 일정한 패턴이나 규칙을 찾아내려면 사람이 인지하는 데이터를 컴퓨터가 인지할 수 있는 데이터로 변환해 주어야 함

이때 데이터별로 어떤 특징을 가지고 있는지 찾아내고, 그것을 토대로 데이터를 벡터로 변환하는 작업을 특성 추출(feature extraction)이라고 함

이미지 출처 :딥러닝 텐서플로 교과서 서지영 지음

• 머신 러닝의 주요 구성 요소는 데이터와 모델(모형)
• 데이터는 머신 러닝이 학습 모델을 만드는 데 사용하는 것
• 훈련 데이터가 나쁘다면 실제 현상의 특성을 제대로 반영할 수 없으므로 실제 데이터의 특징이 잘 반영되고 편향되지 않는 훈련 데이터를 확보하는 것이 중요함
• 또한, 학습에 필요한 데이터가 수집되었다면 훈련을 위해 '훈련 데이터 셋'과 '검증 데이터 셋' 용도로 분리해서 사용
• 보통의 데이터의 80%는 훈련용으로 20%는 검증용으로 분리해서 사용

 

 

• 모델은 머신 러닝의 학습 단계에서 얻은 최종 결과물로 가설이라고도 함
• 예를 들어 "입력 데이터의 패턴은 A와 같다."라는 가정을 머신 러닝에서는 모델이라고 함
• 모델의 학습 절차는 다음과 같음

1. 모델(또는 가설) 선택
2. 모델 학습 및 평가
3. 평가를 바탕으로 모델 업데이트

※ 이 세 단계를 반복하면서 주어진 문제를 잘 풀 수 있는 모델을 찾음

이미지 출처 :딥러닝 텐서플로 교과서 서지영 지음

최종적으로 완성된 모델(모형)을 해결하고자 하는 문제에 적용해서 분류 및 예측에 대한 결과를 도출

 

머신 러닝 학습 알고리즘

머신 러닝의 학습 알고리즘으로는 지도 학습, 비지도 학습, 강화 학습이 있음

지도 학습은 이름에서 알 수 있듯이 정답이 무엇인지 컴퓨터에 알려주고 학습시키는 방법

이미지 출처 :딥러닝 텐서플로 교과서 서지영 지음

반면 비지도 학습은 정답을 알려주지 않고 특징(예: 다리 길이가 짧은 초식 동물)이 비슷한 데이터(예: 토끼, 다람쥐)를 클러스터링(범주화) 하여 예측하는 학습 방법

즉, 다음 그림과 같이 지도 학습은 주어진 데이터 대해 A 혹은 B로 명확한 분류가 가능

비지도 학습은 유사도 기반(데이터 간 거리 측정)으로 특징이 유사한 데이터끼리 클러스터링으로 묶어서 분류

이미지 출처 :딥러닝 텐서플로 교과서 서지영 지음

마지막으로 강화 학습은 머신 러닝의 꽃이라고 부를 만큼 어렵고 복잡함

분류할 수 있는 데이터가 있는 것도 아니고 데이터가 있다고 해도 정답이 없기 때문

강화 학습은 자신의 행동에 대한 보상을 받으며 학습을 진행

게임이 대표적인 사례 - 행동에 따라 보상을 얻음

강화 학습은 보상이 커지는 행동은 자주 하도록 하고, 줄어드는 행동은 덜 하도록 하여 학습을 진행

 

구분	유형	알고리즘
지도학습 (supervised learning)	분류(classification)	K-최근접 이웃(K-Nearest Neighbor, KNN) 서포트 벡터 머신(Support Vector Machine, SVM) 결정 트리(decision tree) 로지스틱 회귀(logistic regression)
	회귀(regression)	선형 회귀(linear regression)
비지도 학습 (unsupervised learning)	군집(clustering)	K-평균 군집화(K-means clustering) 밀도 기반 군집 분석(DBSCAN)
	차원 축소 (dimensionality reduction)	주성분 분석(Principal Component Analysis, PCA)
강화 학습 (reinforcement learning)	-	마르코프 결정 과정(Markov Decision Process, MDP)