기계 학습을 사용해야 하는 경우는 주어진 수식이나 방정식이 존재하지 않고 많은 양의 데이터 세트와 많은 변수를 포함하는 복잡한 작업이나 문제가있는 경우 기계 학습을 사용하는 것이 좋습니다. 만약 다음과 같은 상황을 다루어야 할 경우 기계 학습이 적합합니다. 손으로 작성한 규칙과 방정식은 얼굴 인식 및 음성 인식에서와 같이 너무 복잡합니다. 얼굴 인식이나 음성 인식과 같이 필기의 결정사항이나 방정식에서는 너무 복잡하다. 거래 기록에서 사기를 감지하는 것과 같이 작업 규칙은 지속적으로 변경됩니다. 거래 내역에서 사기 탐지와 같이 대상 규칙이 항상 변경되었습니다. 자동 거래나 에너지 수요 예측 및 쇼핑 추세 예측과 같이 데이터의 특성은 계속 변경되고 프로그램은 적응해야 하며 적응할 필요가 있을거라 생각합니다. 기계 학습의 메커니즘에는 두 가지 방법이 사용됩니다. 하나는 알려진 입력 데이터와 출력 데이터를 사용하여 모델을 훈련하고 장래의 출력을 예측할 수 있는 교사가 있어 학습하는것이라합니다. 다른 하나는 입력 데이터의 숨겨진 패턴과 고유한 구조를 찾는 교사 없이 학습하는것이라고 합니다. 주목 받고 있는 딥 러닝은 교사가 있는 학습이나 교사가 없는 학습 모두에서 적용 가능한 기계 학습에 포함된 알고리즘 중 하나입니다. AI와 기계 학습과 딥 러닝의 차이는 혼합하기 쉬운 이러한 차이로부터 설명하면 AI(인공지능)가 가장 넓은 의미의 개념이 됩니다. 기계 학습은 AI에 포함되며 딥 러닝도 AI의 일부이며 기계 학습 알고리즘 중 하나입니다. 이 기계 학습과 딥 러닝의 차이를 단적으로 설명하면 정보 처리 능력과 속도의 차이를 들 수 있습니다. 기계 학습에서는 일반적으로 예측이나 분류에 이용되는 수치나 화상 등의 데이터 세트를 인간이 정의합니다. 딥 러닝에서는 후술하는 신경망의 기술을 응용하는 것으로 방대한 특징량을 자동으로 학습을 해 줍니다. 그 때문에 높은 정밀도로 예측이나 분류를 할 수 있어 특히 음성이나 언어 화상 인식의 영역에서 이용되고 있습니다. AI는 기계 학습을 포함하고 기계 학습 산법의 한개마다 깊은 학습이 있다. 교사 있는 기계 학습은 불확실성이 있더라도 증거를 기반으로 예측을 수행하는 모델을 구축합니다. 교사가 있는 학습 알고리즘은 이미 있는 일련의 입력 데이터와 그에 대한 응답을 사용하여 모델을 훈련하여 새로운 데이터에 대한 응답을 합리적으로 예측할 수 있도록 하는 것입니다. 예측하려는 이벤트에 대해 기존 출력 데이터가 있는 경우 교사 있음 학습을 사용합니다. 교사 있음 학습에서는 분류 및 회귀 기법을 사용하여 예측 모델을 작성합니다. 분류 기법은 이산적인 응답을 예측합니다. 예를 들어, 전자 메일이 진짜 메일인지 스팸 메일인지나 종양이 암 의심이 있는지 여부 등의 경우의 분류입니다. 분류 모델은 데이터를 카테고리로 분류하는 학습을 수행합니다. 용도로는 의료 영상 진단, 음성 인식, 신용 평가 등이 있습니다.데이터를 태그, 범주화 또는 특정 그룹이나 클래스로 구분하는 경우 분류 기법을 사용합니다. 예를 들면 손으로 쓴 문자 인식 응용 프로그램은 문자와 숫자를 인식하기 위해 분류를 사용합니다. 이미지 프로세싱 및 컴퓨터 비전에서 패턴 인식 특히 교사 없는 패턴 인식 기술이 객체 감지 및 이미지 세분화에 사용됩니다. 분류를 수행하기 위한 일반적인 알고리즘에는 지원 벡터 머신(SVM), 부스팅 및 버깅된 결정 트리, 판별 분석, 물류 회귀 및 신경망이 포함됩니다. 각 알고리즘에 대해 설명합니다. 지원 벡터 머신 (SVM) Support Vector Machine (SVM) 은 이항 분류 및 회귀에 사용할 수있는 교사가있는 학습 알고리즘입니다. 커널법이라고 불리는 기계 학습 알고리즘의 클래스에 속해 커널 머신이라고도 불립니다. 지원 벡터 머신은 데이터의 두 클래스 간의 분리 여백(두 개의 데이터를 분리하는 경계와 각 데이터 사이의 거리)을 최대화하는 초평면으로 분류 작업을 수행합니다. 지원 벡터 머신은 현재 알려진 기술 중에서도 인식 성능이 뛰어난 학습 모델 중 하나로 자연 언어 처리, 음성 인식, 이미지 인식, 컴퓨터 비전 등의 응용 분야에서 자주 사용됩니다. 결정 트리 란 목적의 특징이 알기 쉽게 나타나도록 트리 구조를 이용해 분류및 회귀를 실시하는 기계 학습의 수법입니다. 분류 결과가 트리 구조로 시각화되기 때문에 시각적으로 목적 변수와 관계가 강한 요인을 파악하거나 그 특징이 가장 나타나는 조건 규칙을 파악할 수 있습니다. 부스팅 과 버깅은 결정 트리의 예측 정확도를 향상시키는 기계 학습 기술입니다. 버깅은 결정 트리를 하나만 생성하는 것이 아니라 데이터의 일부에서 결정 트리를 생성하고 이것을 학습에 사용하는 데이터 여러 번 교환하여 다수의 결정 트리를 생성하며 마지막으로 얻어집니다. 모든 결정 트리의 결과를 통합하고 평가하는 기법입니다. 이를 통해 여러 학습을 수행할 수 있으므로 전체 예측 정확도를 향상시킬 수 있습니다. 부스팅은 모든 데이터 또는 일부 데이터에서 우선 결정 트리를 생성하고 그 예측 결과에서 잘못 예측된 데이터의 가중치를 무겁게 하여 결정 트리를 갱신함으로써 그 잘못된 데이터를 잘 예측 할 수 있도록 합니다. 이 조정을 반복하여 여러 결정 트리를 생성하고 마지막으로 결과를 결합하여 예측 정확도를 향상시킵니다.
댓글