머신 러닝이란 무엇입니까?
당신이 알아야 할 3가지
머신 러닝은 컴퓨터가 인간과 동물에게 자연스러운 일, 즉 경험에서 배우는 일을 하도록 가르치는 데이터 분석 기술입니다.
기계 학습 알고리즘은 계산 방법을 사용하여 미리 결정된 방정식을 모델로 사용하지 않고 데이터에서 직접 정보를 "학습"합니다.
알고리즘은 학습에 사용할 수 있는 샘플 수가 증가함에 따라 적응적으로 성능을 향상시킵니다. 딥 러닝 은 머신 러닝의 특수한 형태입니다.
머신 러닝이 중요한 이유
빅 데이터 의 등장으로 머신 러닝은 다음과 같은 영역에서 문제를 해결하는 핵심 기술이 되었습니다.
신용 평가 및 알고리즘 거래를 위한 컴퓨터 금융
얼굴 인식, 동작 감지 및 물체 감지를 위한 이미지 처리 및 컴퓨터 비전 컴퓨터 생물학 , 종양 탐지, 약물 발견 및 DNA 시퀀싱
에너지 생산 , 가격 및 부하 예측
자동차, 항공우주 및 제조 , 예측 유지보수 용
음성 인식 애플리케이션용 자연어 처리
더 많은 데이터, 더 많은 질문, 더 나은 답변
기계 학습 알고리즘은 통찰력을 생성하고 더 나은 결정과 예측을 내리는 데 도움이 되는 데이터에서 자연스러운 패턴을 찾습니다. 의료 진단, 주식 거래, 에너지 부하 예측 등에서 중요한 결정을 내리는 데 매일 사용됩니다. 예를 들어 미디어 사이트는 기계 학습에 의존하여 수백만 가지 옵션을 선별하여 노래나 영화를 추천합니다. 소매업체는 이를 사용하여 고객의 구매 행동에 대한 통찰력을 얻습니다.
머신 러닝은 언제 사용해야 하나요?
많은 양의 데이터와 많은 변수가 포함되지만 기존 공식이나 방정식이 없는 복잡한 작업이나 문제가 있는 경우 기계 학습 사용을 고려하십시오. 예를 들어 머신 러닝은 다음과 같은 상황을 처리해야 하는 경우 좋은 옵션입니다.
손으로 작성한 규칙과 방정식은 얼굴 인식 및 음성 인식에서와 같이 너무 복잡합니다.
거래 기록에서 사기를 감지하는 것과 같이 작업 규칙은 지속적으로 변경됩니다.
자동 거래, 에너지 수요 예측 및 쇼핑 추세 예측과 같이 데이터의 특성은 계속 변경되고 프로그램은 적응해야 합니다.
기계 학습 작동 방식
머신 러닝은 두 가지 유형의 기술을 사용합니다. 즉, 알려진 입력 및 출력 데이터에 대해 모델을 훈련하여 미래의 출력을 예측하는 지도 학습과 입력 데이터에서 숨겨진 패턴이나 고유 구조를 찾는 비지도 학습입니다.
지도 학습
지도 머신 러닝 은 불확실성이 존재하는 상황에서 증거를 기반으로 예측하는 모델을 구축합니다. 지도 학습 알고리즘은 알려진 입력 데이터 세트와 데이터(출력)에 대한 알려진 응답을 사용하고 모델을 훈련하여 새 데이터에 대한 응답에 대한 합리적인 예측을 생성합니다. 예측하려는 출력에 대한 알려진 데이터가 있는 경우 지도 학습을 사용합니다.
지도 학습은 분류 및 회귀 기술을 사용하여 기계 학습 모델 을 개발합니다.
분류 기술 은 이메일이 진짜인지 스팸인지, 종양이 암인지 양성인지와 같은 개별 응답을 예측합니다. 분류 모델은 입력 데이터를 범주로 분류합니다. 일반적인 응용 프로그램에는 의료 영상, 음성 인식 및 신용 점수가 포함됩니다.
데이터에 태그를 지정하거나 분류하거나 특정 그룹이나 클래스로 분리할 수 있는 경우 분류를 사용합니다. 예를 들어 필기 인식 응용 프로그램은 분류를 사용하여 문자와 숫자를 인식합니다. 이미지 처리 및 컴퓨터 비전에서 비지도 패턴 인식 기술은 객체 감지 및 이미지 분할에 사용됩니다.
분류를 수행하기 위한 일반적인 알고리즘에는 지원 벡터 머신(SVM), 부스트 및 배깅 결정 트리, k- 최근접 이웃, 나이브 베이즈, 판별 분석, 로지스틱 회귀 및 신경망 이 포함됩니다.
회귀 기술 은 온도 변화 또는 전력 수요 변동과 같은 지속적인 응답을 예측합니다. 일반적인 응용 프로그램에는 전력 부하 예측 및 알고리즘 거래가 포함됩니다.
데이터 범위로 작업하거나 응답 특성이 온도 또는 장비 고장까지의 시간과 같은 실수인 경우 회귀 기술을 사용합니다.
일반적인 회귀 알고리즘에는 선형 모델, 비선형 모델, 정규화, 단계적 회귀, 부스트 및 배깅 결정 트리, 신경망 및 적응형 신경 퍼지 학습이 포함됩니다.
지도 학습을 사용하여 심장 마비 예측하기
임상의가 누군가가 1년 이내에 심장마비에 걸릴지 여부를 예측하기를 원한다고 가정합니다. 나이, 체중, 키 및 혈압을 포함한 이전 환자에 대한 데이터가 있습니다. 그들은 이전 환자가 1년 이내에 심장마비를 일으켰는지 여부를 알고 있습니다. 따라서 문제는 기존 데이터를 새로운 사람이 1년 이내에 심장마비에 걸릴지 여부를 예측할 수 있는 모델로 결합하는 것입니다.
비지도 학습
비지도 학습 은 데이터에서 숨겨진 패턴이나 고유한 구조를 찾습니다. 레이블이 지정된 응답 없이 입력 데이터로 구성된 데이터 세트에서 추론을 도출하는 데 사용됩니다.
클러스터링 은 가장 일반적인 비지도 학습 기술입니다. 데이터에서 숨겨진 패턴이나 그룹을 찾기 위한 탐색적 데이터 분석에 사용됩니다. 클러스터 분석의 응용 분야에는 유전자 서열 분석, 시장 조사 및 개체 인식이 포함됩니다.
예를 들어, 휴대전화 회사가 휴대전화 타워를 구축하는 위치를 최적화하려는 경우 기계 학습을 사용하여 타워에 의존하는 사람들의 클러스터 수를 추정할 수 있습니다. 전화기는 한 번에 하나의 타워와만 통신할 수 있으므로 팀은 클러스터링 알고리즘을 사용하여 고객의 그룹 또는 클러스터에 대한 신호 수신을 최적화하기 위해 셀 타워의 최상의 배치를 설계합니다.
클러스터링을 수행하기 위한 일반적인 알고리즘에는 k-means 및 k-medoids , 계층적 클러스터링 , 가우스 혼합 모델 , 숨겨진 마르코프 모델 , 자체 구성 맵, 퍼지 c-means 클러스터링 및 빼기 클러스터링 이 포함됩니다.
어떤 기계 학습 알고리즘을 사용할지 어떻게 결정합니까?
올바른 알고리즘을 선택하는 것은 압도적으로 보일 수 있습니다. 수십 개의 지도 및 비지도 기계 학습 알고리즘이 있으며 각각 학습에 대해 서로 다른 접근 방식을 취합니다.
최선의 방법은 없으며 모든 사람에게 맞는 한 가지 방법은 없습니다. 올바른 알고리즘을 찾는 것은 부분적으로는 시행착오일 뿐입니다. 고도로 숙련된 데이터 과학자라도 시도해 보지 않고는 알고리즘이 작동할지 여부를 알 수 없습니다. 그러나 알고리즘 선택은 작업 중인 데이터의 크기와 유형, 데이터에서 얻고자 하는 통찰력, 이러한 통찰력이 사용되는 방식에 따라 달라집니다.
다음은 지도 머신 러닝과 비지도 머신 러닝 중에서 선택하기 위한 몇 가지 지침입니다.
예측을 위해 모델을 훈련해야 하는 경우(예: 온도나 주가와 같은 연속 변수의 미래 가치 또는 분류) 예를 들어 웹캠 비디오 장면에서 자동차 제조사를 식별해야 하는 경우 지도 학습을 선택합니다.
데이터를 탐색해야 하고 데이터를 클러스터로 분할하는 것과 같이 좋은 내부 표현을 찾기 위해 모델을 훈련하려는 경우 비지도 학습을 선택하십시오.
MATLAB을 사용한 머신 러닝
더 나은 결정을 내리기 위해 데이터를 사용하는 기계 학습의 힘을 어떻게 활용할 수 있습니까? MATLAB은 기계 학습을 쉽게 만듭니다. 빅 데이터를 처리하기 위한 도구와 기능, 머신 러닝에 액세스 할 수 있도록 하는 앱을 갖춘 MATLAB은 머신 러닝을 데이터 분석에 적용하기에 이상적인 환경입니다.
MATLAB을 사용하면 엔지니어와 데이터 과학자는 사전 구축된 기능, 광범위한 도구 상자 및 분류 , 회귀 및 클러스터링을 위한 특수 앱에 즉시 액세스 할 수 있습니다.
MATLAB을 사용하면 다음을 수행할 수 있습니다.
확립된 수동 및 자동화 방법을 사용하여 신호 및 이미지에서 특징을 추출하고 자동으로 특징을 선택하여 모델을 더 콤팩트하게 만듭니다.
로지스틱 회귀, 분류 트리, 지원 벡터 머신, 앙상블 방법 및 딥 러닝과 같은 접근 방식을 비교합니다.
AutoML 및 기타 모델 개선 및 축소 기술을 적용하여 최적화된 모델 생성 머신 러닝 모델을 엔터프라이즈 시스템, 클러스터 및 클라우드에 통합하고 모델을 실시간 임베디드 하드웨어에 통합합니다.
댓글