머신 러닝이라는 용어는 1959년에 컴퓨터 과학자 아서 사무엘(Arthur Samuel)이 처음 사용했다. 그는 자신의 논문에서 머신 러닝을 "명시적으로 프로그래밍하지 않고 컴퓨터가 학습할 수 있는 능력"으로 정의했으며, 그의 연구는 이후 머신 러닝 연구의 기초를 형성하는 데 중요한 역할을 했다.

머신러닝 학습 시스템의 주요 구성 요소

머신러닝 알고리즘에서는 학습 시스템을 세 부분으로 나눈다.

•

의사 결정 프로세스: 머신러닝 알고리즘은 예측이나 분류에 사용된다. 알고리즘은 레이블 지정 또는 지정 해제할 수 있는 입력 데이터를 활용하여 데이터의 패턴에 대한 추정치를 생성한다.

•

오차 함수: 오차 함수는 모델의 예측을 평가합니다. 알려진 예가 있는 경우 모델과 비교하여 정확도를 평가한다.

•

모델 최적화 프로세스: 알고리즘은 주어진 데이터와 모델의 예측값의 차이를 줄이기 위해 '평가’와 ‘최적화'를 반복한다. 업을 수행한다. 이러한 프로세스를 통해 모델은 점차 정확도를 높이며, 목표로 하는 정확도 기준에 도달할 때까지 가중치를 스스로 업데이트한다.

www.datacamp.com

머신러닝 방법

•

지도 학습(Supervised machine learning)
레이블을 지정한 데이터 세트를 사용해 데이터를 분류하거나 결과를 예측하도록 알고리즘을 훈련시키는 방법이다. 입력 데이터를 모델에 제공하면 모델은 적합한 결과를 예측하도록 가중치를 계속 조정하며 학습한다.

•

비지도학습(Unsupervised machine learning)
레이블이 없는 데이터 세트를 분석하고 클리스터링(일종의 그룹화)하는 머신러닝 방법이다. 이 알고리즘은 사람의 도움 없이도 데이터 속에 숨겨진 패턴이나 데이터 그룹을 발견한다. 이 방식은 데이터의 유사점과 차이점을 찾아내는 데 유용하다.

•

준지도학습(Semi-supervised learning )
지도 학습과 비지도 학습의 장점을 결합한 방식으로 라벨이 붙은 소량의 데이터와 라벨이 없는 대량의 데이터를 함께 사용하여 학습한다.

www.datacamp.com

대표적인 머신 러닝 알고리즘

•

신경망 Neural networks

•

선형 회귀 Linear regression

•

로지스틱 회귀 Logistic regression

•

클러스터링 Clustering

•

의사 결정 트리 Decision trees

•

랜덤 포레스트 Random forests

실제 사용 사례

머신 러닝은 광범위한 분야에 활용되고 있다. 음성 인식, 자동화된 고객 서비스, 이미지나 비디오 데이터를 활용하는 컴퓨터 비전, 반복된 수작업을 자동화하는 로보틱 프로세스 자동화, 의료, 컴퓨터 그래픽 및 게임 등 생활 전반에 사용한다.

머신 러닝의 기술적 특이점

AI가 인간의 지능을 초과하는 지점을 뜻한다. 특이점을 넘어선 초지능은 창의성, 지혜, 사회적 기술 등에서 인간의 두뇌를 훨씬 뛰어넘는 능력을 가진 AI를 의미한다.