머신러닝 (Machine Learning)

소개

머신러닝 즉 기계 학습이라는 용어의 뜻은 단지 프로그램 스스로가 학습을 한다는 의미입니다. 보다 일반적으로 표현한다면 일종의 자동화된 데이터 분석 방법이라고 할 수 있습니다. 머신 즉 프로그램이 데이터를 바탕으로 스스로 학습하고, 패턴을 식별하는 등의 업무를 최소한의 인간 개입만으로 예측을 할 수 있다는 것 입니다. 인공 지능의 한 분야이며 어찌보면 가장 핵심기능이라고 할 수 있을 것 입니다.

기계 학습 알고리즘은 이메일 필터링 및 컴퓨터 비전 등 인간이 명시적 규칙을 작성하는 것이 자체가 어렵거나 비현실적인 다양한 애플리케이션에서 사용됩니다. 다른 예로는 유명화가의 그림을 학습하고 그림체를 따라한다거나, 글을 읽고 해석하는 것은 물론, 신문기사 쓰기, 안면인식 및 지문인식, 작곡 등 셀 수 없이 많은 분야에 응용되고 있습니다.

기계 학습은 학습하는 프로그램이 경험을 통해 스스로 자동으로 향상될 수 있도록 하는 알고리즘에 대한 과학적 연구가 기반이라고 할 수 있을 것 입니다. "머신 러닝"이라는 용어는 컴퓨터 게임 및 인공 지능 분야의 개척자이자 미국 IBM 직원인 Arthur Samuel이 1959년에 최초로 사용하였습니다. 사무엘은 이를 "명시적으로 프로그래밍하지 않고도 컴퓨터에 학습 능력을 부여하는 연구 분야"로 정의했습니다.

기계 학습 연구는 인공 지능, 통계 및 최적화 연구와 밀접한 관련이 있어 종종 구분하기 어려울 정도로 그 분야들이 서로 겹칩니다. 머신 러닝은 때때로 데이터 마이닝과 혼합되는데, 후자는 데이터에서 패턴을 추출하는 단순한 프로세스에 관한 것이지만 머신 러닝은 보다 포괄적인 개념으로 생각하면 됩니다. 머신 러닝은 데이터 마이닝에 사용할 수 있지만 모든 데이터 마이닝이 머신 러닝인 것은 아닙니다. 머신 러닝의 주요 목표는 명시적으로 프로그래밍하지 않고 데이터에서 학습하여 주어진 알고리즘을 자동으로 개선하는 것입니다. 즉, 스스로 학습하는 것 입니다.

이러한 기계 학습이 이루어지는 곳이 기계의 두뇌라고 한다면, 여기서는 이러한 두뇌 구조가 어떻게 구성되고 어떤 학습을 하는지에 대하여 간단히 소개하도록 하겠습니다.

목차

1. 개요
2. 기계가 학습하는 방법
3. 신경망 (Neural Networks)
4. 인공 신경망 (Artificial Neural Networks)
5. 컨벌루션 신경망 (CNN)

본문내용

기계가 학습하는 방법
최근 몇 년 동안 우리는 기계의 학습 능력이 비약적으로 증가하는 것을 보고 있습니다. 이는 인공지능(AI)과 머신러닝(ML)의 발전 덕분입니다. 인공지능과 머신러닝은 매우 유사한 의미로 사용되고 있지만 인공으로 만든 지능이 스스로 학습하는 모습을 생각하면 이해가 쉬울것 같습니다. 쉽게 설명하면, 인공으로 뇌를 만들고 그 인공지능이 스스로 학습하도록 하는 것이 머신러닝이라고 생각하면 됩니다. 이러한 기술을 통해 기계 즉 프로그램은 이전에는 불가능했던 방식으로 데이터에서 스스로 학습할 수 있게 되었습니다.
기계가 학습할 수 있는 두 가지 주요 방법은 지도 학습과 비지도 학습입니다. 가르쳐 주면서 학습시키는 것은 지도 학습, 가르쳐주지도 않고 학습시키는 것은 비지도 학습 입니다. 개와 고양이 이미지로 학습 시킬 때 이것은 개의 이미지 이며, 이것은 고양이의 이미지 라고 알려주면서 학습을 시키는 것이 지도 학습의 예 입니다. 비지도 학습의 예는, 아무 정보없이 슈퍼마리오 게임을 진행하도록 하는 것 입니다. 학습이 되려면 당근에 해당하는 것을 주어야 하는데 게임에서는 스코어 값이 여기에 해당됩니다. 그러면 프로그램이 마리오를 움직이고 점프 해 가는 법을 스스로 학습하게 됩니다. 어떻게 해야 높은 점수를 받게 되는지를 알아가면서 게임의 신이 되어갑니다. 일반적으로, 비지도 학습은 기계에 데이터가 제공되지만 데이터로 무엇을 해야 하는지 알려주지 않는 경우입니다. 데이터 자체에서 학습하고 패턴을 찾으려고 노력해야 합니다.
지도 학습과 비지도 학습 모두 장단점이 있습니다. 지도 학습은 일반적으로 더 정확하지만 훈련 데이터를 생성하는 데 시간이 많이 걸릴 수 있습니다. 비지도 학습은 일반적으로 더 빠르지만 덜 정확할 수 있습니다. 어떤 방법을 사용하든 목표는 기계가 데이터에서 학습하고 시간이 지남에 따라 성능을 향상시키는 것입니다.
기계가 학습에 능숙해지면 이전에는 인간에게만 가능했던 일을 점점 더 많이 할 수 있게 될 것입니다. 이는 사회, 경제 및 기타 여러 분야에 막대한 영향을 미칠 수 있습니다.

참고자료

· 없음