* 이 포스트는 Coursera에 있는 Andrew Ng 교수님의 강의 Machine Learning(링크)를 바탕으로 작성되었습니다.

Machine Learning이란 무엇인가?

Machine Learning에는 여러 의미가 있지만 그 중에서도 Arthur Samuel은 “명확한 지시대로 작동하도록 프로그래밍되지 않으면서 컴퓨터에게 학습하는 능력을 주는 연구분야”라고 했다. 이건 informal한 표현이라고 한다.

Tom Mitchell이 말한 좀 더 현대적인 정의는 다음과 같다. “프로그램이 어떤 종류의 작업 T와 성능 측정 P에 관해서, P로부터 측정된 T에서의 성능이 경험 E를 통해 증가한다면 이 프로그램은 경험 E로부터 학습한다고 한다.”

체스 프로그램으로 예를 들면, E = 많은 체스 경기를 하면서 얻는 경험(데이터) T = 체스를 하는 작업 P = 경기에서 이 프로그램이 이길 확률 이라고 할 수 있다.

일반적으로 Machine Learning은 Supervised learning(지도 학습), Unsupervised learning(비지도 학습)으로 나뉜다.

Supervised Learning (지도 학습)

지도학습에서는 data set(input)과 이미 그에 대한 정답(output)이 주어진다. input과 output 사이의 관계를 이용한다.

지도학습은 "회귀(regression)"와 "분류(classification)"로 나뉜다. 회귀는 연속적인 출력값에 대해서 결과를 예측하는데, 이는 입력 변수를 연속적인 함수에 대응시킨다는 의미이다. 분류는 이산적인 출력값에 대해서 결과를 예측하고, 이는 입력 변수를 개별 범주로 대응시킨다는 의미이다.

이 설명으로는 이해가 힘드니 아래의 예시를 참고하자.

예시 1: 부동산에서 집의 크기(평수)에 대한 데이터를 바탕으로 집 값을 예측할 때는 가격이 집의 크기를 입력으로 받는 연속 함수가 되므로 회귀 문제가 된다.

이 문제는 “시세보다 많이 또는 적게 팔느냐”에 대한 결과를 대신 제시하면 분류 문제로 바꿀 수 있다. 여기에서는 가격을 기준으로 주택을 두 개의 개별 범주(시세보다 높음/낮음)로 분류한다.

예시 2: (a) 회귀 - 사람의 사진이 주어지면 이를 통해 나이를 예측
(b) 분류 - 종양이 있는 사람의 종양이 악성인지 양성인지를 예측

Unsupervised Learning(비지도 학습)

비지도학습은 결과가 어떻게 될지 거의 혹은 전혀 모르는 상태에서 문제에 접근 할 수 있게 해준다. 변수가 어떤 영향을 끼치는지 반드시 알 필요가 없는 데이터로부터 구조를 도출 할 수 있다.

데이터의 변수들 사이의 관계를 통해 데이터를 클러스터링(군집분석)함으로써 이 구조를 도출 할 수 있다.

비지도학습에서는 예측 결과에 기반한 피드백이 없다.

예시: 군집분석: 1,000,000 가지의 유전자를 가지고 이들 유전자의 수명, 위치, 역할 등과 같은 다양한 변수에 의해 어떻게 유사하거나 관련이있는 그룹으로 자동 분류하는 방법을 찾는다.

비군집분석: “Cocktail Party Algorithm(링크)“은 소란스러운 환경에서 음성 구조를 찾을 수 있게 한다.