[ML/DL] 시리즈는 홍콩과학기술대학교의 김성훈 교수님의 모두를 위한 딥러닝 강좌 시즌 1 영상을 보고 개인적으로 정리한 내용을 담고 있습니다.
이 글에서는 ML lec 01의 내용을 간략하게 담고 있습니다.
Intro
모두를 위한 딥러닝 시즌1 강좌의 목표는 기본적인 머신 러닝 알고리즘을 이해하고 텐서플로우(그리고 파이썬)를 이용하여 실제 문제를 해결하는 것입니다.
Basics
머신 러닝은 명시적 프로그래밍의 한계 (Limitations of explicit programming)에서부터 출발했습니다. 여기서 말하는 명시적 프로그래밍은 스마트폰의 앱이나 윈도우의 응용프로그램 등 특정한 환경에서 특정한 언어로 구현된 프로그램들을 의미합니다.
메일 스팸 필터, 자율 주행과 같은 문제들은 규칙이 너무 많아서 명시적 프로그램으로는 해결하기 힘듭니다. 이런 문제를 해결하기 위해서 1959년, 사무엘 아서(Arthur samuel)는 머신 러닝이라는 개념을 제안합니다. 당시, 사무엘 아서가 제안한 머신 러닝의 개념은 다음과 같습니다.
머신 러닝은 데이터에서 규칙을 찾아 스스로 학습하는 능력을 가진 프로그램이다.
이러한 머신 러닝의 학습 방법에는 두 가지가 있습니다.
- Supervised learning: 태그나 레이블이 붙은 데이터를 통해 학습하는 방법
- Unsupervised learning: 레이블이 붙지 않은 데이터를 통해 학습하는 방법
Supervised learning은 레이블(label, Y)로 분류된 피처(feature, X)들의 집합인 Training data set을 통해 학습하여 데이터 모델을 만듭니다. 이렇게 만들어진 데이터 모델에 새로운 X 값을 넣어 예상되는 Y 값을 확인할 수 있습니다.
Types of supervised learning
지도 학습의 형태는 세 가지로 나눌 수 있습니다.
- Regression: 시간 소비에 대한 점수 예측 (X, Y)
- Binary classification: 시간 소비에 대한 통과 예측 (X, (0, 1))
- Multi-label classification: 시간 소비에 대한 학점 예측 (X, (A, B, C, D, F))
Next
다음은 대표적인 머신 러닝 알고리즘인 Linear Regression을 통해 어떻게 데이터를 통해 학습하고 모델을 만드는 지 알아보도록 하겠습니다.
