기계 학습

Machine learning

인공지능 연구분야 중 하나로, 인간의 뇌가 자연스럽게 수행하는 학습 능력을 컴퓨터로 구현하는 기술

머신러닝과 딥러닝

• 인공 지능 : 자연 언어 처리, 전문가 시스템 분야, 영상 분석, 이론 증명(수학적 증명)
• 머신 러닝 : 선형 회귀, 로지스틱 회귀, 소프트 맥스, 신경망(neural net)
• 딥 러닝 : 신경망을 3 개 이상 중첩, CNN(이미지 인식 기능), RNN(자연어 처리, 챗봇)

주요 기계 학습 모델

지도 학습

모델	주요 용도	특징	해석 가능성	장점	단점
SVM	분류, 회귀	초평면을 통해 데이터 분리	낮음	고차원 데이터에서 성능이 우수함	대규모 데이터에서는 학습 시간이 길어짐
kNN	분류, 회귀	인접한 데이터 포인트를 통해 분류	중간	사전 학습이 필요 없고, 간단하게 구현 가능	예측 성능이 대체로 떨어지며, 데이터가 많거나 차원이 높으면 계산 비용이 급격히 증가함
의사결정 나무	분류, 회귀	트리 구조로 분기하여 결정	높음	사전 데이터 처리가 불필요하며, 비정규화 데이터에 강함	깊은 트리는 과적합 위험이 있음
선형 회귀	회귀	선형 관계를 가정	높음	빠르고 구현이 간단하며 소규모 데이터에 효과적	선형 관계가 성립되지 않으면 성능이 떨어짐
로지스틱 회귀	이진 분류	선형 모델 기반의 확률적 접근	높음	메모리 효율성이 높고, 다중 분류로 확장이 가능	복잡한 비선형 분류에는 적합하지 않음
나이브 베이즈	분류	특성 간 독립성 가정	높음	계산 속도가 빠르고 소규모 데이터에서도 성능이 우수함	특성 간 독립성 가정이 위반될 경우 예측 성능 저하

비지도 학습

• 군집
• 차원 축소
  • 차원의 저주
  • 주성분 분석(PCA, Principal Component Analysis)
  • 독립성분 분석(ICA)
  • 자기 조직화 지도(SOM, Self-Organizing Map)

강화 학습

• Q 러닝
• 은닉 마코프 모델

머신러닝 활용

• 클래스 분류(Classification)
  • 특정 데이터에 레이블(정답)을 붙여 분류
  • ex) 스팸 메일 분류, 필기 인식 등
• 클러스터링(Clustering)
  • 값의 유사성을 기반으로 데이터를 여러 그룹으로 나눔
  • ex) 고객의 여러 가지 정보를 이용하여 그룹핑한 다음 최우수/우수/일반 고객 등으로 분류
• 추천(Recommendation)
  • 특정 데이터를 기반으로 다른 데이터를 추천하는 것
  • ex) 사용자의 구매기록을 기반으로 다른 상품 추천
• 회귀(Regression)
  • 과거의 데이터로 미래의 데이터를 예측하는 것
  • ex) 주변 부동산 시세 정보를 이용하여 내년의 집값을 예측
• 차원 축소
  • 데이터의 특성을 유지하면서 데이터의 양을 줄이는 것
  • ex) 얼굴(큰 차원) 이미지에서 코, 눈(작은 차원) 등의 이미지에서 숫자를 추출

구현 절차

1. 데이터 전처리: 벡터화, 레이블링, 결측치 처리
2. 수치 분석: 원핫 인코딩, Feature(Factor) 선정
3. 모델 선택: 적합 모델 선정 또는 전이학습
4. 하이퍼 파라미터 튜닝: 모델의 계층, 유닛, 활성화 함수, 학습비율 등
5. 모델 테스트 및 분석: 학습된 모델의 성능의 측정, 분석 및 성능 개선
6. 모델 제공 및 관리: 실제 응용 분야에 적용하고 지속적으로 관리