9. 머신러닝

1. 머신러닝(Machine Learning)

 

 

2. 머신러닝 정의

• 배경: 데이터를 대량으로 수집 처리할 수 있는 환경이 갖춰짐으로 머신러닝으로 할 수 있는 일들이 많아짐
• 머신러닝은 데이터로부터 특징이 패턴을 찾아내는 것이기 때문에 데이터가 가장 중요함
• 인공지능의 한 분야로 컴퓨터가 학습할 수 있도록 알고리즘과 기술을 개발하는 분야
• "무엇(x)으로 무엇(y)을 예측하고 싶다"의 f(함수)를 찾아내는 것
• x: 입력변수(독립변수), y: 출력변수(종속변수), f모형(머신러닝 알고리즘)

 

3. 머신러닝으로 할 수 있는 것

 

3-1. 회귀(Regression)

• 시계열(시간적인 변화를 연속적으로 관측한 데이터)데이터 같은 연속된 데이터를 취급할 때 사용하는 기법
• 예측
• 예) 과거 주식 추세를 학습하여 내일의 주가를 예측하는 시스템을 개발

3-2. 분류(Classification)

• 주어진 데이터를 클래스별로 구별해 내는 과정으로 데이터와 데이터의 레이블값을 학습시키고 어느 범주에 속한 데이터인지 판단
• 예) 스팸메일인지 아닌지 구별해주는 시스템을 개발

3-3. 클러스터링(Clustering)

• 분류와 비슷하지만 데이터에 레이블이 없음
• 유사한 속성을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습
• 예) SNS 데이터를 통해 소셜 및 사회 이슈를 파악

 

4. 학습

 

4-1. 지도 학습(Supervised Learning)

• 문제와 정답을 모두 학습시켜 예측 또는 분류하는 문제
• y=f(x)에 대하여 입력 변수(x)와 출력 변수(y)의 관계에 대하여 모델링 하는 것
• y에 대하여 예측 또는 분류하는 문제

4-2. 비지도 학습(Unsupervised Learning)

• 출력 변수(y)가 존재하지 않고, 입력 변수(x)간의 관계에 대해 모델링 하는 것
• 군집분석: 유사한 데이터끼리 그룹화

4-3. 자기지도 학습(Self-Supervised Learning)

• 데이터 자체에서 스스로 레이블을 생성하여 학습에 이용하는 방법
• 다량의 Label이 없는 Raw Data로부터 데이터 부분들의 관계를 통해 Label을 자동으로 생성하여 지도 학습에 이용하는 비지도 학습 기법
• GPT, BERT 모델

4-4. 강화 학습(Reinforcement Learning)

• 결정을 순차적으로 내려야 하는 문제에 적용
• 레이블이 있는 데이터를 통해서 가중치와 편향을 학습하는 것과 비슷하게 보상이라는 개념을 사용하여 가중치와 편향을 학습하는 것