Basic Concept of Machine Learning

Machine Learning

이번 포스팅에서는 머신 러닝이 무엇인지? 기본적인 개념에 대해 알아보고자 합니다. 용어 그대로 한글로 번역하자면, 기계 학습입니다. 즉 기계를 학습시킨다는 뜻이죠. 조금 더 풀어 설명하자면, 이런 뜻입니다.

“I make the machine learn inferencing through algorithm and data”
“나는 기계에게 추론하는 방법을 학습하도록 시킨다. 어떻게? 알고리즘과 데이터를 통해”

즉, 기계에게 추론하는 방법을 학습할 수 있는 알고리즘과 데이터를 주어주고, 추론 방법을 학습하도록 시킵니다. 그 후, 학습이 완료된 기계에게 새로운 데이터를 주고 니가 배운 방법대로 추론해봐!

이것이 머신러닝의 기본적인 개념입니다. 기계에게 추론 능력. 판단 능력을 심어주는 것이죠.

그럼 어떤 판단을 하는지? 어떤 추론을 하는지는 적용하고자 하는 도메인(분야)에 따라 다를 것이고, 태스크에 따라 또 달라 질 것입니다.

사람은 이렇게 각 분야 및 태스크에 맞는 데이터를 주고, 그 데이터를 학습할 수 있는 알고리즘을 줍니다. 그럼 기계는 주어진 소스들을 활용하여 학습을 하고, 그에 맞는 판단 능력, 추론 능력을 갖추게 됩니다. 이것을 모델이라고 부릅니다.

그럼 모델은 일률적으로 똑같을까요? 아니죠. 어떤 데이터를 주느냐, 어떤 알고리즘을 주느냐에 따라 기계가 갖추는 추론,판단 능력은 달라질겁니다. 즉 같은 도메인 및 테스크에도 불구하고, 주어지는 원천 소스가 달라지면 모델도 달라집니다.

그래서 우리는 어떤 학습법이 좋을지에 대해 궁리하고(어떤 알고리즘이 좋을까? 어떤 데이터 구성이 좋을까? 등) , 테스트 해보면서 여러 모델을 만들어냅니다. 그리하여 최종적으로 하나의 모델을 선택하게 되며, 그 모델에 우리가 원하는 테스크를 맡겨보는 것입니다.

그림으로 간단히 정리하면 다음과 같습니다.