(1) 머신러닝의 개념

머신러닝 (Machine Learning)

일반적으로는 애플리케이션을 수정하지 않고도 데이터를 기반으로 패턴을 학습하고 결과를 예측하는 알고리즘 기법을 통칭 규칙을 사람이 직접 코딩하지 않고, 알고리즘이 학습을 통해 자동으로 찾아냄

머신러닝 알고리즘은 데이터를 기반으로 통계적인 신뢰도를 강화하고 예측 오류를 최소화하기 위한 다양한 수학적 기법을 적용
- 데이터 내의 패턴을 스스로 인지하고 신뢰도 있는 예측 결과를 도출

1. 머신러닝의 분류

Note

일반적으로 머신러닝은 지도학습(Supervised Learning)과 비지도학습(Un-supervised Learning), 강화학습(Reinforcement Learning)으로 나뉨

지도학습 (Supervised Learning)
- 정답(label)이 있는 데이터를 기반으로 학습하며, 목표는 주어진 입력에 대한 출력을 예측하는 것
- 분류(Classification), 회귀(Regression), 추천 시스템(Recommendation), 시각/음성 감지/인지(Computer Vision, Speech Recognition), 텍스트 분석 및 자연어 처리(NLP)
비지도학습 (Un-supervised Learning)
- 정답(label)이 없는 데이터를 기반으로 패턴이나 구조를 학습
- 클러스터링(Clustering), 차원 축소(Dimensionality Reduction), 연관 규칙 학습(Association Rule Learning), 이상 탐지(Anomaly Detection)
강화학습 (Reinforcement Learning)
- 행동에 대한 보상을 받으면서 학습하여, 어떤 환경 안에서 선택 가능한 행동들 중 보상을 최대화하는 행동 또는 행동 순서를 선택하는 방법
- 게임 플레이(예 : 체스, 바둑), 로봇 제어, 자율 주리

머신러닝에서 데이터와 머신러닝 알고리즘 중 어느 것이 더 중요한 요소인가?

사실 데이터와 머신러닝 알고리즘 모두 머신러닝에서는 중요한 요소
- 하지만 일단 머신러닝 세상이 본격적으로 펼쳐진다면 데이터의 중요성이 무엇보다 커짐!
머신러닝의 가장 큰 단점은 데이터에 매우 의존적
- Garbage In, Garbage Out → 좋은 품질의 데이터를 갖추지 못한다면 머신러닝의 수행 결과도 좋을 수 없음
따라서, 최적의 머신러닝 알고리즘과 모델 파라미터를 구축하는 능력도 중요하지만 데이터를 이해하고 효율적으로 가공, 처리, 추출해 최적의 데이터를 기반으로 알고리즘을 구동할 수 있도록 준비하는 능력이 더 중요할 수 있음!