[3편] 기계학습(Machine Learning, ML) 개념 및 기본 알고리즘

목 차

1. 기계학습 (Machine Learning) 개념
2. 기계학습(Machine Learning) 분류
3. 기계학습(Machine Learning) 실제 적용 사례

 

1. 기계학습 (Machine Learning, ML) 개념

환경과의 상호작용에 기반한 경험적인 데이터로부터 스스로 성능을 향상하는 시스템을 연구하는 기술을 말합니다.

본질적으로 머신 러닝은 명시적인 프로그래밍 없이도 컴퓨터가 학습하고 결정을 내릴 수 있게 하는 인공 지능(AI)의 하위 집합입니다. 미리 정의된 규칙에 의존하는 대신 머신 러닝 알고리즘은 데이터로 학습하고 시간이 지남에 따라 성능을 개선합니다. 이 적응과 진화의 능력이 머신 러닝을 전통적인 규칙 기반 프로그래밍과 구별하는 특징입니다.

 

2. 기계학습(Machine Learning, ML) 분류

지도 학습(Supervised Learning)

각 입력이 해당하는 올바른 출력과 함께 레이블이 지정된 데이터 세트에서 훈련됩니다. 목표는 알고리즘이 새로운, 이전에 보지 못한 데이터가 제시될 때 예측하거나 분류할 수 있도록 하는 것입니다.

비지도 학습(Unsupervised Learning)

레이블이 지정되지 않은 데이터를 다루며 알고리즘이 데이터 내의 패턴과 관계를 스스로 찾아야 합니다. 일반적인 작업에는 유사한 데이터 포인트를 클러스터링 하거나 데이터의 차원을 줄이는 등이 있습니다.

강화 학습(Reinforcement Learning)

환경과 상호 작용하며 결정을 내리는 에이전트를 포함합니다. 에이전트는 보상이나 처벌 형태의 피드백을 받아 시간이 지남에 따라 최적의 전략을 학습합니다.

 

분류	입력(x)/출력(y)	주요 대표 알고리즘
지도 학습	- 입력 x와 그에 대한 목표 출력 y를 제시하는 학습 방식	분류(Classification) KNN 회귀분석(Regression) DBN 신경망(ANN) 은닉 마르코프 모델(HMM) 의사결정 트리(Decision Tree) 다층 신경망(MLP) 지지벡터머신(SVM) 베이지안망(Bayesian Network)
비지도 학습	- 입력 x만 주어지고 그에 대한 목표 출력값 y가 제시되지 않는 학습 방식	군집화(Clustering) K-Means 주성분분석(PCA) 독립성분분석(ICA) GAN DBSCAN CKGD
강화 학습	- 입력 x와 그에 대한 목표 출력 y 대신 평가치 c만 알려주는 방식	시행착오 보상함수 Q-Learning

 

3. 기계학습 (Machine Learning, ML) 실제 적용 사례

인터넷 정보검색

텍스트 마이닝, 웹로그 분석, 스팸 필터, 문서 분류

음성 인식/언어처리

음성 인식, 단어 모호성 제거, 번역 단어 선택, 문법 학습, 대화 패턴 분석

컴퓨터 시각

문자 인식, 패턴 인식, 물체 인식, 얼굴 인식, 장면 전환 검출, 화상 복구

자율 주행 차량

이상 탐지, 경로 계획, 모터 제어, 장애물 인식, 물체 분류

 

다음 포스팅 [4편]에서는 딥러닝의 개념과 기본 알고리즘 관해서 알아보는 시간을 갖도록 하겠습니다.