인공지능, 머신러닝, 딥러닝의 차이: 2. 머신러닝(machine learning)이란

머신러닝의 정의와 종류, 예시 * 인공지능, 머신러닝, 딥러닝의 차이: 인공지능(Artificial Intelligence, AI)이란 [1/3] * 인공지능, 머신러닝, 딥러닝의 차이: 2.머신러닝(MACHINE LEARNING)이란 * 인공지능, 머신러닝, 딥러닝의 차이: 3.딥러닝(Deep Learning)이란 머신러닝: 정의

> Field of study that gives computers the ability to learn without > being explicitly programmed — 아서 사무엘(Arthur Lee Samuel) 머신러닝 용어를 만든 아서 사무엘은 머신러닝을 ‘컴퓨터가 명시적으로 프로그램 되지 않고도 학습할 수 있도록

하는 연구 분야'라고 정의했다. 곱하기를 계산하는 프로그램을 예로 들면, 일반적인 컴퓨터 프로그램은 ‘입력 A인 숫자에 조건 B인 곱하기가 주어졌을 때 동작 X인 숫자를 곱해서 결과를 출력한다'를 인간이 명시적으로 프로그래밍 한다. 반면, 머신러닝에서는 A라는 정보를 입력할 때 정답이 X가 되는 조건 B를 찾도록 기계를

학습한다. 동작 방식 머신러닝은 다음과 같은 동작 방식을 통해 작동한다. * 일정량 이상의 샘플 데이터를 입력한다. * 입력 받은 데이터를 분석하여 일정한 패턴과 규칙을 찾아낸다. * 찾아낸 패턴과 규칙을 가지고 의사 결정 및 예측 등을 수행한다. 즉 머신러닝을 한마디로 정의하자면, 수많은 데이터를 학습해 일정한 패턴을 찾아내고 그것을

활용하는 행위라고 할 수 있다. 특징 추출(FEATURE EXTRACTION) 머신러닝에서 컴퓨터가 스스로 학습하려면, 사람이 인지하는 데이터를 컴퓨터가 인지할 수 있는 데이터로 변환해 줘야 한다. 이를 위해선, 데이터 별로 어떤 특징을 가지고 있는지 찾아내고, 그것을 토대로 데이터를 벡터로 변환하는 작업인 특징 추출(Feature

Extraction)이 필요하다. 일반적으로 사용되는 머신러닝을 위한 학습 기계는 특징을 자동으로 추출해주는 기능은 갖고 있지 않다. 따라서 여러 특징 중에서 어떤 특징을 추출할 지를 바로 개발자가 결정해야 하며, 이것이 바로 머신러닝 개발의 핵심이다. 예를 들어, 학습 기계에 붓꽃을 학습한다고 하면, 특징으로 꽃잎(petal)과

꽃받침(sepal)의 길이와 폭 등을 사용할 수 있다. 머신러닝: 종류 이러한 머신러닝에는 지도 학습(SUPERVISED LEARNING), 비지도 학습(UNSUPERVISED LEARNING), 강화 학습(REINFORCEMENT LEARNING)의 세 개의 종류가 있다. 지도 학습(SUPERVISED LEARNING) 지도 학습은 여러

문제와 답을 같이 학습함으로써 미지의 문제에 대한 올바른 답을 예측하고자 하는 방법이다. 즉, 지도학습은 입력과 결과값(LABEL)을 이용한 학습이다. 따라서 지도 학습을 위한 데이터에는 문제와 그 정답까지 함께 알고 있는 데이터가 선택된다. 지도 학습을 위한 모델은 크게 분류(Classification)모델과

예측(Prediction)모델로 구분된다. 분류모델은 label이 달린 학습 데이터로 학습한 후 새로 입력된 데이터가 어느 그룹에 속하는지 찾아내는 방법으로, 학습 데이터의 label 중 하나가 결과값이 된다. 예시는 MNIST 데이터셋으로, 대표적인 머신러닝 데이터셋 중 하나이다. 이는 손으로 쓴 숫자들로 이루어졌으며, 각각의 손글씨마다

숫자가 label되어 있다. 이를 분류모델로 학습하게 되면, 새로운 손글씨가 입력되면 학습 데이터의 label 중 하나인 0에서 9사이의 숫자 중 하나를 출력한다. 예측모델은 마찬가지로 label이 달린 학습 데이터를 가지고 학습하지만, 특징(feature)과 label 사이의 상관 관계를 함수식으로 표현한다는 점에서 분류모델과 차이가

있다. 따라서 결과값이 학습 데이터의 label 이외의 값일 수 있다. 예시는 TV 가격에 따른 매출을 예측모델을 통해 상관 관계를 선형 회귀(linear regression)로 나타낸 것으로, TV 가격에 따른 매출 예측값이 학습 데이터 label 이외의 값일 수 있다. 비지도 학습(UNSUPERVISED LEARNING) 문제와 함께

정답까지 알려주는 지도 학습과 달리, 비지도 학습은 문제는 알려주되 정답은 알려주지 않는 학습 방식이다. 즉, 비지도 학습은 입력만을 이용한 학습이다. 이는 여러 문제를 학습함으로써 해당 데이터의 패턴, 특성 및 구조를 스스로 파악하여 새로운 데이터에서 일정한 규칙성을 발견하는 방법이다. 따라서 비지도 학습을 위한 데이터에는 구체적인

결과에 대한 사전 지식은 없지만 해당 결과 데이터를 통해 유의미한 지식을 얻고자 할 때 사용되며, 데이터에 숨겨진 특징이나 구조 등을 연구할 때 활용된다. 비지도 학습의 대표적인 모델에는 군집화가 있다. 군집화(CLUSTERING)는 label이 없는 학습 데이터들의 특징을 분석해 서로 동일하거나 유사한 특징을 가진 데이터끼리 그룹화한다.

이후 새로운 데이터가 입력되면 지도 학습의 분류 모델처럼 학습한 군집을 통해 해당 데이터가 어떤 군집에 속하는지 분석한다. 예시는 붓꽃(Iris) 데이터셋을 꽃받침(sepal)의 길이와 폭에 따라 세 개의 군집으로 그룹화했다. 또한, 코로나 19의 확산 경로를 파악하는 역학 조사에서도 비지도 학습이 사용된다. 강화

학습(REINFORCEMENT LEARNING) 강화 학습은 행동 심리학의 강화와 보상의 원리로부터 영감을 받아 만들어졌다. 개들은 어떤 행동을 했을 때 간식과 같은 보상이 주어지면 그 행동을 더 하게 되며, 보상에 따라 특정 행동을 더 하게 되는 것을 강화라 한다. 이와 같이 강화 학습은 결과값 대신 보상(REWARD)이 주어진다. 학습

데이터가 주어진 상태에서 환경에 변화가 없는 정적인 환경에서 학습을 진행하는 지도 학습과 비지도 학습과 달리, 강화 학습은 환경에 변화가 있는 동적인 환경에서 학습을 진행한다. 강화 학습은 다음과 같은 동작 순서를 따라 작동한다. * 정의된 주체(AGENT)가 주어진 환경(ENVIRONMENT)의 현재 상태(STATE)를

관찰(OBSERVATION)하여, 이를 기반으로 행동(ACTION)을 취한다. * 이때 환경의 상태가 변화하면서 정의된 주체는 보상(REWARD)을 받게 된다. * 이 보상을 기반으로 정의된 주체는 더 많은 보상을 얻을 수 있는 방향(BEST ACTION)으로 행동을 학습한다. 예시는 쿠키런 게임으로, 본 게임에서 주어지는 맵은 환경이며,

이와 상호 작용하는 쿠키는 주체이다. 상태는 매 순간 스크린에 보여지는 이미지이고, 주체인 쿠키가 취할 수 있는 행동은 ‘점프(Jump)’와 ‘슬라이드(Slide)’가 있다. 각각의 행동에 따른 보상은 달라질 수 있는데, 예를 들어 쿠키가 포인트를 획득하거나 보너스 아이템을 얻을 경우 양(+)의 보상을 받고, 떨어져 죽는 경우 음(-)의

보상을 받도록 설계할 수 있다. 영상은 카이스트 전산학부 학과설명회에서 매년 보여주는 영상 중 하나로, 데브시스터즈(DEVSISTERS)에서 쿠키런을 강화 학습으로 학습한 것이다. 이러한 강화학습은 이용(EXPLORITATION)과 탐험(EXPLORATION)의 균형이 중요하다. 이용은 현재까지의 경험 중 현 상태에서 가장 최대의 보상을

얻을 수 있는 행동을 수행하는 것이고, 탐험은 새로운 시도를 하는 것이다. 예를 들어, 빵집에 가서 지금까지 자신이 먹어본 빵 중 가장 맛있는 빵을 고르는 것은 이용이며, 한번도 먹어보지 못한 다른 빵을 고르는 것은 탐험이다. 만약 새로 고른 빵이 가장 맛있다고 느껴지면 다음번 선택에서 이용될 수 있지만, 맛이 없다면 한 번의 기회를

낭비하게 된 것이다. 따라서 이용과 탐험 사이의 적절한 균형을 맞추는 것은 강화 학습의 핵심이다. 예시 📌 아래 예시의 머신러닝의 종류에 대한 답을 댓글로 맞춘 사람 중 무작위로 한 명을 선발해 스타벅스 아메리카노 기프티콘을 증정해드립니다. (기한 ~5/16) > _1. 사진에 찍힌 인물이 S사 직원일지 A사 직원일지 > 판단_

>  > _2. 자신과의 대국을 통해 스스로 학습할 수 있는 > 알파고(AlphaGo)_ >  > _3. 마케팅을 위한 고객 세분화_ * 인공지능, 머신러닝, 딥러닝의 차이: 1.인공지능(Artificial Intelligence, AI)이란 * 인공지능, 머신러닝, 딥러닝의 차이: 2.머신러닝(MACHINE

LEARNING)이란 * 인공지능, 머신러닝, 딥러닝의 차이: 3.딥러닝(Deep Learning)이란 REFERENCE * 코딩의 시작, TCP School * 인공지능, 머신러닝, 딥러닝 개념 * 행동주의자가 본 심리학: 심리학은 의식에 대한 학문이 아니다! * 강화학습 개념부터 Deep Q Networks까지, 10분만에 훑어보기