머신러닝의 개념

머신러닝 : 애플리케이션을 수정하지 않고도 데이터를 기반으로 패턴을 학습하고 결과를 추론하는 알고리즘 기법을 통칭한다.

현실 세계의 매우 복잡한 조건으로 인해 기존의 소프트웨어 코드만으로 해결하기 어려웠던 많은 문제점들을 이제 머신러닝을 이용해 해결해나가고 있다.

데이터 마이닝, 영상인식, 음성 인식, 자연어 처리에서 머신러닝을 적용하면서 급속하게 발전하고 있다.

 

동일한 숫자라 하더라도 여러 변형으로 인해 숫자 인식에 필요한 여러 특징들을 구분하여 숫자를 인식하기 어렵다.

머신러닝은 이러한 복잡한 문제를 데이터 기반으로 숨겨진 패턴을 인지해 해결한다.

통계적 신뢰도 강화, 예측 오류 최소화, 신뢰도 있는 예측 결과를 도출

 

머신러닝의 분류

지도학습 : 명확한 결정 값이 주어진 데이터를 학습(분류, 회귀, 시각/음성 감지/인지)

비지도학습 : 결정 값이 주어지지 않는 데이터를 학습(군집화(클러스터링), 차원 축소)

강화학습

 

 

머신러닝의 단점

데이터에 너무 의존

학습 시에 최적의 결과를 도출하기 위해 수립된 머신러닝 모델은 실제 환경 데이터 적용 시 과적합 되기 쉽다.

데이터만 집어넣으면 자동으로 최적화된 결과를 도출할 것이라는 것은 환상이다.

데이터의 특성을 파악하고 최적의 알고리즘과 파라미터를 구성할 수 있는 고급 능력이 필요하다.