AI 기술 - 머신 러닝(Machine Learning) 개념 정리,이해,유형 비교

나날이 발전하고 있는 AI 기술 중 하나인

AI 머신 러닝(Machine Learning)에 대해 알아보겠습니다.

 

 

1. AI 머신 러닝 (Machine Learning) 

 

머신러닝은 기계에게 데이터에서 패턴을 학습하고 예측, 의사 결정을 수행할 수 있는 능력을 부여하는 인공지능 기술입니다. 데이터에서 규칙이나 패턴을 찾아내어 새로운 데이터에 대한 예측을 수행하거나, 문제를 해결하고 의사 결정을 내릴 수 있도록 하는 것이 주요 목표입니다.

간단히 말하면, 머신러닝은 기계에게 '학습'을 가능하게 하여 명시적인 프로그래밍 없이도 데이터에서 특정 패턴이나 규칙을 스스로 찾아내고 활용할 수 있게 합니다.

 

2. AI 머신 러닝의 유형 3가지

머신러닝은 크게 세 가지 유형으로 나눌 수 있습니다.

 

지도학습, 비지도학습, 그리고 강화학습입니다.

 

1. 지도학습 (Supervised Learning)

지도 학습은 모델을 학습시키기 위해 레이블이 달린 훈련 데이터를 사용하는 머신 러닝의 한 유형입니다.

레이블이란 입력 데이터에 대한 정답이나 원하는 출력값을 의미합니다.

모델은 주어진 입력과 이에 대응하는 출력 간의 관계를 학습하고, 새로운 입력에 대해 정확한 출력을 예측할 수 있도록 합니다. 쉽게 말하자면 모델에게 입력 데이터와 해당 데이터에 대한 정확한 출력(레이블 또는 정답)을 제공하여 학습시키는 방식입니다.

 

활용사례를 보면 분류(Classification): 이메일이 스팸인지 아닌지 분류 가능 하며 회귀(Regression): 주택 가격 예측, 기온 예측 등이 가능합니다.

 

특징을 살펴보면 정확한 출력을 학습하며 새로운 입력에 대한 예측을 수행합니다. 또한 학습 데이터셋은 입력과 정답으로 구성되어 있습니다.

 

2. 비지도학습 (Unsupervised Learning)

비지도 학습은 모델이 레이블이 없는 데이터에서 패턴이나 구조를 스스로 학습하는 기계 학습의 한 유형입니다.

이는 데이터의 내재된 구조를 발견하거나, 데이터를 그룹화하거나, 데이터의 차원을 축소하는 등의 작업에 적용됩니다.

 

활용 사례를 보면 군집화(Clustering): 비슷한 특징을 가진 데이터를 그룹화 작업을 진행하며

차원 축소(Dimensionality Reduction): 데이터의 특성을 줄이고 핵심적인 정보 추출 기술을 실현합니다.

 

특징으로는 정답이 없이 데이터의 숨겨진 구조와 특징을 발견하려고 합니다.

비지도 학습 데이터셋은 입력만으로 구성되어 있습니다.

 

3. 강화학습 (Reinforcement Learning)

강화학습은 에이전트가 주어진 환경에서 특정 작업을 수행하고 그 결과에 대한 보상을 받아 학습하는 기계 학습의 한 유형입니다. 에이전트는 시행착오를 통해 최적의 행동을 찾아내어 보상을 최대화하도록 학습하게 됩니다.여기서 에이전트는 의사 결정을 수행하는 주체로 강화학습의 주요 대상입니다.

 

활용 사례로는 게임-알파고, 게임 캐릭터 학습에 적용 되었으며 로봇 제어-로봇이 주어진 작업을 학습하고 수행을 반복합니다.

 

특징은 시행착오를 통해 학습하며, 보상이나 패널티를 통해 행동을 조절합니다.목표는 보상을 최대화하는 최적의 정책을 학습하는 것입니다.

 

3. AI 머신 러닝 유형 쉽게 이해하기

1. 지도학습 (Supervised Learning): 예시

쉽게 생각하여, 학생들의 공부 하는 시간과 성적 데이터를 가지고 있다고 가정해봅니다. 이때, 공부 시간을 입력으로 받고 그에 해당하는 성적을 예측가능케 하는 모델을 지도학습을 통해 만들 수 있습니다. 이 모델은 기존 데이터를 통한 학습을 거쳐, 새로운 학생이 주어진 공부 시간에 어떤 성적을 받을지 예측이 가능하게 할 수 있게 됩니다.

 

2. 비지도학습 (Unsupervised Learning): 예시

가지고 있는 사진 앨범에 동물들의 여러 사진이 섞여 있을 때, 비지도학습을 통해 모델은 각 사진에서 비슷한 특징을 인지하고 찾아내어 고양이 그룹, 강아지 그룹, 새 그룹 등으로 각각 그룹화할 수 있습니다. 모델은 정답(레이블)을 알지 못한 상태에서도 비슷한 특징을 갖는 데이터끼리 묶어내는 능력을 가지게 됩니다.

 

3. 강화학습 (Reinforcement Learning): 예시

가장 쉬운 예로 게임에서의 강화학습을 생각해보겠습니다. 에이전트는 게임 플레이를하며 행동을 선택합니다. 정해진 목표가 있고, 에이전트가 목표를 달성하면 보상을 받게되고, 실패하는 경우 패널티를 받습니다. 에이전트는 이러한 보상과 패널티를 통해 게임을 플레이하는 방법을 학습하게 됩니다. 보상과 패널티는 매우 중요한 요소입니다. 이를 통해 최적의 전략을 찾아내어 게임에서 높은 성과를 낼 수 있게 됩니다.

 

4. AI 머신 러닝 3가지 유형 비교

1. 지도학습 (Supervised Learning) - 개발 속도 :  빠름

실제 응용 부분에 있어 가장 많이 또 흔하게 사용됩니다.

레이블이 있는 데이터를 사용하여 훈련을 진행하기 때문에 적절한 데이터 제공시 신속하게 개발이 가능합니다.

 

2. 비지도학습 (Unsupervised Learning) - 개발 속도 : 중간

많은 데이터의 패턴이나 구조를 이해하려 할때 사용 되며 특히 목표가 명확하지 않은 경우에 주로 사용됩니다.

레이블이 없는 데이터를 사용하여 모델 성능을 평가하기가 어려우며 개발자의 해석이 필요로 한 경우가 많습니다.

 

3. 강화학습 (Reinforcement Learning) - 개발 속도 : 상대적으로 느림

주사용 목적이 복잡한 의사 결정을 필요로 하는 문제 혹은 시스템에 사용되며 학습에 오랜시간이 걸리는 편입니다.

보상을 통해 학습하는 과정에 에이전트와 환경이 서로 상호작용하며 많은 시행착오와 경험이 필요합니다.