머신러닝(Machine Learning)
머신러닝은 뜻 그래도 기계가 경험을 통해 스스로 학습하고 개선하는 기술
데이터를 분석 하고, 그 데이터를 기반으로 예측이나 결정을 내리는 알고리즘을 만드는 것이다.
머신 러닝의 종류로 지도학습, 비지도학습, 강화학습이 있다.
지도학습(Supervised Learing)
입력, 출력 데이터가 주어지고, 모델은 이를 학습하여 예측을 하거나 분류하는 방식
- 이미지 분류: 주어진 이미지가 고양이진지 개인지를 구별하는 모델 학습
- 스택 이메일 분류: 이메일 내용이 스탬인지 아닌지를 구별하는 모델
- 회귀 문제: 집값 예측, 주식 가격 예측 (연속적인 값 예측)
비지도학습(Unsupervised Learning)
정답이 없는 데이터를 이용해 데이터의 패턴이나 구조를 찾는 학습 방식
- 이상탐지: 정상적인 패턴을 학습하고, 그 패턴과 다른 데이터를 이상치로 구별
- 클러스터링: 비슷한 데이터들을 그룹으로 나누는 것
- 차원 축소: 고차원 데이터를 저차원으로 변환하여 데이터를 더 잘 이해 하거나 시각화
강화학습
에이전트(agent)가 환경(environment)과 상호작용하면서 최적의 행동을 배우는 과정
- 게임 AI: 체스, 바둑, 또는 비디오 게임에서 최고의 전략을 학습
- 로봇 제어: 로봇이 자율적으로 움직이도록 학습
- 자동 운전: 자동차가 도로 위에서 안전하게 주행하도록 학습
| 학습 방식 | 데이터 | 목표 | 예시 |
|---|---|---|---|
| 지도학습 | 입력 데이터 + 출력 데이터(레이블) | 입력에 대한 정확한 예측 | 이미지 분류, 스팸 이메일 분류, 회귀 예측 |
| 비지도학습 | 입력 데이터만 존재 | 데이터의 패턴이나 구조 파악 | 클러스터링, 차원 축소, 이상감지 |
| 강화학습 | 환경과의 상호작용 (상태 + 행동 + 보상) | 최적의 행동을 학습 | 게임 AI, 로봇 제어, 자율 주행 차량 |
딥러닝
딥러닝은 다층 신경망(Deep Neural Networks)을 이용해서 데이터를 분석하는 방법
딥은 여러 층(layer)을 의미하는데, 이 층들이 데이터를 처리하면서 점점 더 복잡한 특성을 학습 한다.
각 층은 입력 데이터에서 중요한 특징을 점점 추출해 가면서, 최종적으로 예측이나 분류를 수행
주요 요소
신경망(Neural Network)
- 신청 망은 입력층(Input Layer), 숨겨진 층(Hidden Layers), 출력층(Output Layer)으로 구성 되어 있다.
- 입력층: 데이터가 처음 들어가는 곳
- 숨겨진층: 데이터가 처음 들어가는 곳
- 출력층: 예측값이나 분류된 결과를 출력하는 곳
뉴런(Neuron)
신경망은 뉴런이라 불리는 노드(node)들로 구성돼 있다.
각 뉴런은 입력 값을 받아 가중치(weight)를 곱하고, 이를 합산하여 활성화 함수(activation functicon)를 통과 시켜 결과를 출력 한다.
가중치(Weight)와 편향(Bias)
- 가중치는 입력값의 중요도를 결정하는 값
- 편향은 출력값에 영향은 주는 값으로, 가중치와 함께 모델을 학습하면서 조정된다.
활성화 함수(Activation Function)
- 각 뉴런에서 출력값을 결정하는 함수, 이 함수는 신경망이 비선형 문제를 학습할 수 있도록 도와준다.
- 대표적인 활성화 함수는 ReLU, Sigmoid, Tanh 등이 있다
비선형 문제란
- 선형 관계는 두 변수 간의 관계가 직선으로 나타나는 경우
y = mx + b처럼, x값이 커지면 y 값도 일정한 비율로 증가, 감소하는 관계- 비선형 관계는 변수들이 직선으로 연결 되지 않음
y = x²처럼 x가 커질수록 y의 변화율이 점점 더커지거나 다른 복잡한 형태로 변하는 관계
딥러닝 모델의 학습 과정
1. 데이터 준비: 데이터를 모델에 입력할 수 있는 형태로 준비
2. 순전파(Forward Propagation): 데이터를 네트워크를 통해 전달하면서 예측값을 계산
3. 손실 함수(Loss Function): 예측값과 실제 값(정답) 간의 차이를 계산해서 오차(loss)를 구한다.
4. 역전파(Backpropagation): 오차를 기반으로 가중치를 조정 하면서 네트워크를 학습
5. 반복 학습: 위의 과정을 여러 번 반복 하면서 모델을 점점 더 정확하게 만든다.
