[📪정보] [컴퓨팅 입문 칼럼] 6. 머신러닝

[Navy(211.195)]

이번 편부터는 입문자들에게 외계어처럼 느껴지는 기법들이 많은데, 그냥 이런 게 있다는 것만 알고 넘어가자.

I. 머신러닝(Machine Learning, 기계학습)

지난 편에서 소개했던 전문가 시스템의 대안으로 등장한 방식으로, 기본적인 규칙만 주어진 상태에서 입력받은 정보를 활용해 스스로 학습하는 것이다.

인간의 추론 및 학습을 모방한 방법이라고 보면 되겠다. 학습시켜주는 데이터의 품질이 좋을수록 결과의 신뢰도가 올라간다.

그리고 가끔 특갤에 비슷한 그림이 보이는데, 그림이 괜히 저렇게 생긴 게 아니다. 딥러닝이 머신러닝의 일종이고 머신러닝이 인공지능 기법의 일종이다. 포함 관계인 셈.

1. 분류

 

레이블(label)이 존재하는지 여부에 따라 지도학습과 비지도학습으로 나눈다. 레이블은 ‘특징이 정해진 데이터’로, 다음 문장의 비유에서 ‘답’ 정도로 이해하면 되겠다.

 

(1) 지도학습(Supervised Learning): 비유하자면, 문제와 답을 모두 알려주는 방식. 당연히 알려주는 건 사람이 하기 때문에 인건비 측면에서든, 데이터양 측면에서든 비효율적이다.

 

종류로는 분류(Classification)와 회귀(Regression)가 있다. (웹툰/웹소설에 나오는 회귀(go back)가 아니다)

 

분류는 이산적(discrete), 회귀는 연속적(continuous) 데이터를 활용하는 개념인데, 엄밀하게 말하지 않고 알기 쉽게 말하자면, 셀 수 있는 것은 이산적, 셀 수 없는 것은 연속적이다. 사과가 어느 농장에서 생산되었는지는 이산적인 개념이고 (A농장/B농장/C농장), 몇 kg인지는 연속적인 개념이다(3.000203024953...kg).

 

  (a) 분류는 일상에서 접하기 쉽다 보니까 많이 쓰이는데, 로지스틱 회귀법(단일층 신경망), k-NN(k-Nearest Neighborhood), SVM(Support Vector Machine), 의사 결정 트리, 다층신경망 등의 기법이 쓰인다. 어지간하면 다 이쪽인듯... 로지스틱 회귀법은 회귀가 아니라 분류에 속한다. 분류 기법은 번호판/얼굴/음성 인식 등에 활용된다고 한다.

<k-NN(k-Nearest Neighborhood)>

하나를 골라서 소개하자면, 이 기법은 새로운 데이터를 어느 쪽으로 분류하느냐를 결정하는 방식이다. 그림을 보고 직관적으로 이해할 수 있으리라 생각한다. '동점'을 피하기 위해 k의 값은 홀수로 설정하며, k의 값을 잘 설정해야 한다. 위 그림만 봐도 k=3일 때는 '?' 데이터가 B군으로 분류되는데 k=7일 때는 A군으로 분류된다.

  (b) 회귀는 여러 개의 데이터를 가장 잘 설명하는 직선/곡선을 그리는 기법이다. 일반 선형 회귀 등의 기법이 있다. 아래 그림을 보면 직관적으로 이해가 될 것이다.

(2) 비지도학습(Unsupervised Learning, 자율학습): 비유하자면, 문제만 주고 답은 컴퓨터가 알아서 찾도록 하는 방식. ‘앞으로 머신러닝이 나아갈 방향.’

 

종류로는 군집화(Clustering, 클러스터링) 등이 있다. 실생활 예시를 들면 SNS 사진들을 자동으로 분류하는 프로그램 등에 쓰인다. 직관적으로 설명하자면 아래 그림 같은 거. 데이터를 군집화하여 분류한다.

 

(3) 강화학습(Reinforcement Learning): 현재의 상태에서 어떤 행동을 취하는 것이 최적인가? 행동을 취할 때마다 보상이 주어지는데, 보상을 최대화하는 방향으로 학습이 진행된다. 위 두 학습과 다르게 실시간 학습이라는 점이 특징.

직관적인 예시를 들면 체스 같은 보드게임을 생각해볼 수 있다. 체스에서 상대 말을 잡는 것, 게임에서 이기는 것 등이 보상이라고 볼 수 있다.

 

문제는 지연된 보상이 있다는 것. 당장 내 말이 죽어도 그것으로 인해 게임에서 이길 수 있다면 좋은 것이지만, 실시간 학습을 하는 컴퓨터가 그걸 알 리가 없다. 그리고 결국 말을 살리려다가 게임을 지게 된다.

 

이 지연된 보상과 관련된 문제 때문에, 위 두 학습에 비해 훨씬 어렵다.

 

 

2. 머신러닝의 알고리즘

 

나무위키에서는 경사/기울기 하강법(Gradient Descent), 회귀기법, 확률 기반 알고리즘, 기하 기반 알고리즘, 앙상블 기반 알고리즘 등으로 나누어서 소개하고 있다.

 

구체적으로는

(a) 경사/기울기 하강법

(b) 회귀기법: 선형 회귀법, 로지스틱 회귀법(단일층 신경망), 인공신경망, 딥러닝 등

(c) 확률 기반: NBC, HMM

(d) 기하 기반: K-Means Clustering, k-NN, SVM 등

(e) 앙상블 기반: Boosting, Bagging 등

일단 (d)가 기하 기반이라는 것은, 위에서 k-NN와 Clustering 그림을 다시 보면 직관적으로 와 닿을 것이다.

이 칼럼에서는 (c), (e)는 따로 설명하지 않을 것이고, (a)와 (b)는 이후 소개하겠다.

생각보다 인공지능과 머신러닝을 소개하는 분량이 많이 들어가서 계산이 완전히 어긋나버렸다. 7편 하나만 가지고는 분량상 답이 없다. 그래서 10편을 응용사례 칼럼으로 쓰려던 걸 포기하고 개념 칼럼으로 활용하도록 하겠다.

다음은 머신러닝 관련 기사의 링크다. 열심히 정보글을 가져오시는 분이 최근 들고 오셨던 것으로 기억한다.

위 그림들을 보고 이 기사의 그림을 보면 뭔가 익숙하게 보일지도?

급성백혈병 진단 정확도 99.1% AI 모델 개발

[행정지원본부(dbctvch9)]

1빠! 좋은 글 항상 감사합니다!!! ^^~~~☆

[행정지원본부(dbctvch9)]

[Navy(211.195)]

행정님이야말로 좋은 글 항상 감사합니다요

[익명(49.164)]

[익명(49.164)]

딥러닝쪽에서 self-supervised로 unsupervised 구현하는 거 보면 재밌는 거 많음

[익명(180.64)]

펨코 미갤같은데 글 올리면 더 많은 사람들이 볼텐데 거기에 글 올려보는것도 나쁘지도 않을듯

[Navy(211.195)]

그 두군데는 가본적이 없어서 어색하달까나ㅋㅋ 그리고 어차피 이 칼럼 80%는 나무위키 easy버전이라서 여러 곳에 연재할 레벨까지는 못미치는 거 같음

[익명(110.14)]

[익명(124.62)]

[익명(165.194)]

미안한데 혹시 지난 글들 링크를 새 글에도 포함시켜주면 안됨? 뒤늦게 보는 사람들도 처음부터 정주행하기 쉽게

[Navy(211.195)]

ㅇㅋㅇㅋ오늘 저녁쯤에 올릴게

[익명(1.247)]