기계 학습 (Machine Learning)

개요 기계학습의 창안자, 기본 개념 및 작동 원리

1. 기계학습의 창안자와 역사적 선구자

2. 기계학습의 기본 개념

머신러닝은 학습 방식과 데이터의 형태에 따라 크게 세 가지 패러다임으로 나뉩니다:

1) 지도 학습 (Supervised Learning) : 정답(레이블)이 달린 데이터를 주어 입력과 출력 간의 매핑 규칙을 학습 (회귀, 분류)

2) 비지도 학습 (Unsupervised Learning) : 정답 레이블 없이 데이터 자체의 군집, 밀도, 패턴을 스스로 분석 (클러스터링, 차원 축소)

3) 강화 학습 (Reinforcement Learning) : 에이전트가 주어진 환경에서 시행착오를 겪으며 보상(Reward)을 극대화하는 최적의 행동 정책을 습득

3. 기계학습의 핵심 작동 원리 (5단계 프로세스)

본질 인간의 학습과 기계학습의 적응성

인간은 학습 (Learning) 할 수 있기 때문에 자신의 지식을 계속적으로 확장시켜 나갈 수 있다.  이러한 지적 능력은 인간을 다른 생물과 구별시키는 아주 중요한 요소들 중의 하나이다.  Machine Learning은 궁극적으로 인간의 이러한 학습능력을 컴퓨터에 구현하고자 하는 시도이다.

인간의 가장 두드러진 특징은 새로운 것을 배우고 변화하는 환경에 적응할 수 있는 학습능력을 가지고 있다는 것이다.  만일 컴퓨터도 이와 같은 학습능력을 가질 수 있다면 지능을 가진 인간과 유사한 적응력을 가질 수 있게 될 것이다.

과연 컴퓨터가 배우는 능력을 갖출 수 있느냐에 대해서는 논란이 많이 있다.  학습에서는 새로운 지식의 습득과 새로운 정보의 추론이 중요하므로, 컴퓨터는 단순히 자료를 인식하는 것만이 아니라, 새로운 정보를 통하여 자신의 경험으로부터 얻은 지식을 수정하고 보다 정확한 지식으로 개선해 나가는 능력을 갖추어야 한다.

배경 기계학습 연구의 4대 이론적 배경

1980년대 이후 기계학습 (Machine Learning) 의 연구가 활기 있게 전개된 까닭은 우선 네 가지로 풀이될 수 있다.

그리하여 오늘날 기계학습은 AI 전반에 관련된 핵심 문제로서 활발히 연구되고 있다.  (이초식 1993)

방법론 기계학습의 주요 구현 기법과 학습 유형

Machine Learning을 구현하는 방법에는 매우 다양한 접근법들이 포함된다:

Machine Learning은 경험을 통해서 자동적으로 컴퓨터 알고리즘을 발전시키는 것에 관한 연구이다.  엄청난 데이터에서 일반적인 규칙을 발견하는 데이터마이닝 프로그램에서부터, 자동적으로 사용자의 관심 사항을 배우게 되는 정보 필터링 시스템(Information Filtering System)까지 그 응용은 매우 광범위하다.

이 점에서 여러 가지 다른 유형의 학습(유추에 의한 학습, 예에 의한 학습, 관찰에 의한 학습 등)이 있다고 제안하고 싶을지도 모른다.  그러나 이런 것들은 그것에 의해 지식이 습득될 수 있는 방법을 말하는 것이지, 학습이 일어나게 하는 실제 메커니즘을 말하는 것은 아니다.

동영상 기계학습 추천 동영상 및 온라인 강좌

국내외 석학 및 전문 교육 기관에서 제공하는 대표적인 기계학습 온라인 강의 모음입니다: