공유

머신 러닝이란?

TechTarget은 머신 러닝을 "... 컴퓨터에 명시적으로 프로그래밍하지 않고도 학습할 수 있는 능력을 제공하는 인공 지능(AI) 유형입니다. 새로운 데이터에 노출될 때 컴퓨터가 스스로 성장하고 변화할 수 있도록 가르칠 수 있는 컴퓨터 프로그램의 개발에 중점을 둡니다. 머신 러닝 프로세스는 데이터 마이닝과 유사합니다. 두 시스템 모두 데이터를 검색하여 패턴을 찾습니다. 그러나 데이터 마이닝 애플리케이션과 같이 인간의 이해도 향상을 위해 데이터를 추출하는 대신 머신 러닝은 해당 데이터를 사용하여 프로그램 자체의 이해도를 향상시킵니다. 머신 러닝 프로그램은 데이터의 패턴을 감지하고 그에 따라 프로그램 작업을 조정합니다"라고 정의합니다.

머신은 대용량 데이터 볼륨을 사용하여 가설을 테스트하고, 조건 변화에 따라 비즈니스 규칙을 수정하고, 이상 징후 및 이상치를 빠르고 정확하게 식별할 수 있기 때문에, 테라데이타에서 머신 러닝은 빅 데이터 컨텍스트에서 특히 강력한 것으로 간주됩니다.

머신 러닝 기반 소프트웨어 시스템은 대량의 데이터 볼륨을 사용하여 훈련되고 경험을 기반으로 행동하는 방법을 배우기 때문에 문제해결 측면에서 머신 러닝은 아주 탁월합니다.

머신 러닝의 적용 사례는 무엇인가요?

이미지 인식: 가장 중요한 기계 학습 응용 프로그램 중 하나인 이미지 인식은 디지털 이미지에서 형태나 물체를 식별하고 감지하는 방법입니다. 이 와 같은 기술은 패턴 인식, 얼굴 감지, 얼굴 인식 및 광학 문자 인식을 포함한 여러 추가 시나리오에서 사용할 수 있습니다. 이미지 인식에서 머신 러닝을 사용하면 이미지에서 주요 기능을 가져와 해당 주요 기능을 신뢰할 수 있는 머신 러닝 모델로 전송하는 작업이 포함됩니다.

데이터 검색: 데이터 검색이라고 불리는 비정형 데이터에서 지식이나 정형 데이터를 가져오는 프로세스는 사용 중인 많은 장치에서 생성되는 방대한 양의 데이터로 인해 머신 러닝의 또 다른 중요한 용도 중 하나입니다. 빅 데이터와 관련하여 머신 러닝은 비정형 데이터를 수집하여 여기에 포함된 통찰력을 추출하는 데 매우 중요합니다.

감정 분석: 오피니언 마이닝 또는 감정 분류라고도 불리는 감정 분석 프로세스는 글의 감정적 단서를 기반으로 개인의 태도를 결정합니다. 감정 분석의 목표는 사람들의 의견이 좋은지, 나쁜지, 아니면 무관심한지 판단하는 것입니다. 리뷰 웹 사이트와 의사결정을 지원하는 앱도 감정 분석의 이점을 누릴 수 있습니다. 머신 러닝은 감정 분석에 사용되는 지도 및 비지도 학습 알고리즘으로 구성됩니다.

사기 탐지: 사기 탐지, 특히 온라인 사기 탐지는 사용자 사이버 보안을 효율적으로 제공하고 기업이 손실을 줄이고 이익을 극대화할 수 있는 방법까지 제공하는 머신 러닝의 고급 적용 사례입니다. 머신 러닝을 사용하는 사기 탐지 방법은 기존의 사기 탐지 방법보다 훨씬 우수합니다.

고객 쇼핑 항목 추천: 고객이 자주 이용하는 온라인 쇼핑 사이트는 머신 러닝 덕분에 제품, 서비스 또는 할인 행사와 같은 매력적인 제안을 제공할 수 있습니다. 지도, 반지도, 비지도, 강화와 같은 기계 학습 방법은 추천 기반 시스템에 필수적입니다.

머신 러닝의 유형은 무엇인가요?

머신 러닝 알고리즘의 유형을 정의하는 방법에는 몇 가지 차이가 있지만 일반적으로 목적에 따라 범주를 나눌 수 있습니다. 주요 범주는 다음과 같습니다:

지도 학습: 이 모델은 입력 및 출력 매개 변수가 모두 있는 레이블이 지정된 데이터 세트에서 학습됩니다. 훈련 데이터 세트와 검증 데이터 세트 모두 레이블이 지정됩니다.

반지도 학습: 레이블이 지정되지 않은 데이터 학습에 사용됩니다. 일반적으로 레이블이 지정되지 않은 데이터가 많고 레이블이 지정된 데이터는 적습니다.

비지도 학습: 자체 구성이라고도 불리는 비지도 학습은 기존 레이블 없이 데이터 세트에서 이전에 알려지지 않은 패턴을 찾는 데 사용되며 주어진 입력의 확률 밀도를 모델링할 수 있습니다.

강화 학습: 소프트웨어 에이전트가 누적 보상 개념을 최대화하기 위해 환경에서 조치를 취해야 하는 방법을 다룹니다. 지도 학습과 달리 레이블이 지정된 입력/출력 쌍은 필요하지 않으며 차선책 작업에서 명시적 수정이 필요하지 않습니다. 초점은 탐색과 개발 사이의 균형을 맞추는 것입니다.

머신 러닝과 딥 러닝의 차이점은 무엇인가요?

기계 학습과 딥 러닝의 몇 가지 기본적인 차이점은 다음과 같습니다:

작동 방식

머신 러닝은 자동화된 알고리즘을 사용하여 미래 의사결정을 예측하고 데이터를 사용하여 함수를 모델링합니다.

딥 러닝은 여러 데이터 처리 단계를 통해 관련 정보를 전달하는 신경망을 사용하여 데이터 기능과 관계를 해석합니다.

관리, 방향

머신 러닝에서 알고리즘은 분석가가 지시하여 다양한 데이터 세트 변수를 검사합니다.

딥 러닝에서 알고리즘은 일반적으로 자체 주도적으로 관련 데이터를 분석합니다.

데이터 포인트 볼륨

머신 러닝은 분석을 위해 수천 개의 데이터 포인트를 사용합니다.
딥 러닝은 분석을 위해 수백만 개의 데이터를 활용합니다.

출력

머신 러닝 출력은 일반적으로 점수 또는 등급과 같은 수치입니다.

딥 러닝 출력은 점수, 요소, 텍스트, 사운드 또는 기타 식별자와 같이 다양합니다.

머신 러닝과 인공 지능의 차이점은 무엇인가요?

정의

머신 러닝(ML)은 지식이나 기술을 습득하는 것입니다.

인공 지능(AI)은 지식을 습득하고 적용할 수 있는 능력입니다.

목적

AI는 정확성이 아닌 성공에 중점을 둡니다.

ML은 성공이 아닌 정확성에 중점을 둡니다.

작동 방식

AI는 "스마트" 컴퓨터 프로그램으로 작동합니다.

ML은 데이터를 수집하고 학습하는 간단한 머신입니다.

목표

AI는 자연 지능을 시뮬레이션하여 복잡한 문제를 해결합니다.

ML은 작업 중심이며 지정된 작업의 머신 성능을 극대화하기 위해 노력합니다.

용도

AI는 데이터를 기반으로 의사결정을 내립니다.

ML은 수집된 데이터에서 학습하는 시스템입니다.

결과물

AI는 특정 상황에서 인간의 반응과 행동을 모방하는 시스템을 개발합니다.

ML은 자가학습 알고리즘을 생성합니다.

최종 제품

AI는 인텔리전스(비즈니스, 소비자, 시장 등)를 생성합니다.

ML은 추가로 검사할 수 있는 지식을 생성합니다.