기계 학습 기본: 알아야 할 사항

인식하지 못할 수도 있지만 기계 학습은 전화기 및 기타 장치의 가상 비서의 음성 인식 기능부터 Netflix에서 시청하는 프로그램 또는 YouTube에서 추천하는 비디오에 이르기까지 일상 생활에 존재합니다.

빅 데이터가 증가하고 점점 더 많은 데이터 과학자가 이러한 알고리즘에 대해 작업함에 따라 마케팅 에서도 이를 광범위하게 사용하고 있습니다. 이 중 일부는 그리스어처럼 들릴 수 있지만 걱정하지 마십시오. 기계 학습의 기본 사항을 안내해 드리겠습니다.

기계 학습의 정의

기계 학습은 기계가 데이터에서 "학습"할 수 있도록 하는 인공 지능(AI) 및 컴퓨터 과학의 한 분야입니다. 이러한 맥락에서 학습한다는 것은 수백만 개의 데이터 포인트에서 복잡한 패턴을 식별하고 비교하며 인간이 지식을 얻고 문제를 해결하는 방식을 재현하려는 것을 의미합니다. 이 프로세스는 데이터를 검토하고 미래의 행동을 예측할 수 있는 알고리즘에 의해 수행됩니다. 시간이 지남에 따라 이러한 알고리즘과 시스템은 자율적으로 학습하고 개선할 것입니다.

기계 학습 알고리즘이 작동하는 방식은 다음과 같습니다. 초기 데이터 입력 후 알고리즘은 정보를 분류하고 데이터의 가능한 패턴에 대한 추정을 생성합니다. 이러한 예측은 모델의 정확도를 확인하는 오류 기능을 통해 알고리즘에 의해 평가됩니다. 이를 위해 알고리즘은 다양한 샘플을 비교한 다음 예측의 정확도를 개선하기 위해 프로세스를 평가하고 최적화합니다.

머신 러닝 대 AI

머신 러닝과 AI는 매우 강력한 연관성을 가지고 있지만 책임도 다릅니다. AI는 인간 행동을 시뮬레이션하고 복잡한 문제를 해결하는 지능형 컴퓨터 시스템을 만드는 것을 목표로 하는 반면, 머신 러닝은 실제로 기계가 데이터 처리를 통해 학습하여 정확한 결과를 제공할 수 있도록 하는 AI의 한 분야입니다. AI는 다양한 복잡한 작업을 수행할 수 있는 지능형 시스템을 만들기 위해 노력하고 있습니다. 반면에 머신 러닝은 훈련된 특정 작업만 수행할 수 있는 기계를 만들려고 합니다.

딥 러닝과 신경망은 머신 러닝의 두 가지 핵심 측면이므로 여기에서 고려하는 것도 중요합니다. 기본적으로 딥 러닝은 머신 러닝의 하위 범주인 신경망의 하위 범주입니다. 딥 러닝은 프로세스에서 많은 데이터 추출을 자동화하는 반면, 신경망은 인간의 추론을 모방하는 것을 목표로 하는 인간 두뇌를 모델로 한 일련의 알고리즘입니다. 간단히 말해서 신경망은 컴퓨터가 딥 러닝을 통해 AI를 만들 수 있도록 도와줍니다.

AI와 머신 러닝의 기능은 무수히 많지만 우리의 일상 생활과 연결된 몇 가지에 집중해 보겠습니다.

• 트렌드와 패턴을 예측하고 , 사람의 검색, 좋아요, 상호작용에 따라 제품을 추천하거나 광고를 게재합니다.
• 기기에 음악을 재생하거나 전화를 걸도록 요청할 때와 같이 음성 인식 및 언어 이해 .
• 비디오 및 이미지 처리. 예를 들어 Facebook이 사진에서 얼굴을 자동으로 식별하고 사람들에게 태그를 지정하도록 제안하는 경우입니다.
• 감정 분석 , 제품에 대한 사람들의 의견을 분석하고 제공자에게 통찰력을 제공하는 것을 말합니다.

머신러닝의 3가지 유형

머신 러닝은 지도 학습, 비지도 학습, 강화 학습의 세 가지 범주로 나눌 수 있습니다.

지도 학습

이것은 기계 학습을 위한 가장 일반적인 응용 프로그램입니다. 지도 학습 알고리즘은 이전에 레이블이 지정된 훈련 데이터 세트를 기반으로 학습합니다. 여기에서 레이블을 지정한다는 것은 훈련 데이터 세트의 각 지점에 대해 대상 속성의 값을 알고 있음을 의미합니다. 이를 통해 알고리즘은 새 데이터 세트의 대상 속성을 예측할 수 있는 기능을 "학습"할 수 있습니다.

레이블이 지정된 예제는 한 번에 하나씩 알고리즘에 제공되며 알고리즘은 예측을 수행해야 합니다. 그런 다음 인간 감독자는 알고리즘에 의해 만들어진 각 예측을 확인하고 그것이 정확한지 여부를 결정합니다. 알고리즘이 예제와 레이블 간의 관계를 자체적으로 예측할 수 있을 때까지 이 프로세스를 여러 번 반복합니다. 이 작업이 완료되면 알고리즘은 새 예제로 작업하고 레이블을 예측할 수 있습니다.

이것의 가장 간단한 예는 이메일에서 스팸/스팸이 아닌 분류입니다. 먼저, 기기에 정크 메일이 무엇이고 그렇지 않은지, 사용자를 위해 이를 구별하는 방법에 대한 일련의 예가 제공됩니다. 결국 두 폴더의 이메일을 자동으로 정렬할 수 있게 됩니다.

비지도 학습

비지도 학습은 지도 학습의 반대입니다. 여기에서 알고리즘은 이전에 정의된 레이블이 없는 데이터 세트를 기반으로 훈련 프로세스를 수행합니다. 비지도 학습은 데이터 세트에서 유사한 그룹을 찾는 것이 목표인 클러스터링이라고도 하는 그룹화 작업을 기반으로 합니다. 즉, 알고리즘에 일련의 데이터와 도구가 부여되어 자체적으로 정보 속성을 식별하고 인간이나 다른 기계가 이해할 수 있는 방식으로 정렬합니다.

예는 HBO, Amazon 또는 Netflix와 같은 플랫폼의 권장 목록입니다. 당신이 쇼나 영화를 볼 때, 플랫폼은 당신이 관심을 가질 만한 다른 유사한 쇼와 영화를 찾기 위해 그 데이터와 특징을 수집합니다.

강화 학습

이 방법은 매우 다릅니다. 레이블을 전혀 사용하지 않습니다. 대신 알고리즘이 개발하면서 시행착오를 통해 학습합니다. 소프트웨어는 수행할 때마다 실수를 통해 학습하므로 방법의 품질이 향상됩니다. 강화 학습에는 에이전트 (훈련 중인 프로그램), 주변 환경 (생태계), 작업 (에이전트에 의한 일련의 작업) 및 보상 (작업 평가, 긍정적 또는 부정적)의 네 가지 필수 요소가 있습니다. 비디오 게임은 이 시행착오 시스템을 많이 사용하며 강화 학습의 좋은 예입니다.

기계 학습에 대한 이 간단한 소개가 기본 사항을 설명하고 이 주제에 대한 명확한 그림을 제공하는 데 유용하기를 바랍니다. 복잡할 수 있지만 마케팅 세계에서 큰 역할을 하는 오늘날에도 필수적입니다. 우리가 믿기지 않으면 Alexa에게 물어보세요!