[General ML Train set] batch 0. 인트로
일반적인 Machine Learning의 개념들을 하나씩 정리하는 시리즈입니다.
해당 포스트는 카이스트 문일철 교수님의 동의를 얻고, 강좌 내용과 자료, 그리고 reference의 자료를 참고하여 작성되었습니다. 원 강좌는 여기에서 보실 수 있습니다.
들어가며
안녕하세요, 배우는 기계 러닝머신입니다! 
기계학습에 대한 전반적인 개념을 구체적인 수학적 원리와 함께 정리하고자, 머신러닝 관련 시리즈를 연재할 계획인데요.
다음과 같은 점에 최대한 초점을 맞추어 작성하려고 합니다.
1. 서두에 포스트를 요약하는 내용을 압축하여 전달한다
2. 가능한 한 쉽고 직관적인 예시를 들어 설명한다
3. 수학적인 보충 설명을 덧붙인다. 이는 설명의 직관성을 추구하기 위함이다.
수학적인 설명은 공식의 유도, 수치적 계산 그 자체보다는 수식이 도입된 배경과 그 수식으로써 표현하고자 하는 알고리즘의 핵심적인 의미를 전달하기 위해서 소개할 예정입니다. 만일 아이디어가 전달 되기만 한다면 수식적인 설명은 다소 생략될수도 있고, 추가될 수도 있겠습니다.
Contents
목차는 문일철 교수님의 강좌 커리큘럼을 큰 틀로 가져갑니다.
- 확률 통계와 기초
- 기초 머신러닝
- 나이브 베이즈 분류기
- 로지스틱 회귀
- 학습, 검증과 정규화
- 베이지안 네트워크
- K-means 클러스터링과 Gaussian Mixture Model
- 히든 마코프 모델
- Sampling Based Inference
Motivation
이대로 첫 포스트를 끝내기는 아쉬우니, 기계학습을 배울 Motivation을 살펴 보고자 합니다.
최근 인공지능, 지식 발견, 데이터 마이닝 등의 키워드가 떠오르고 있습니다. 기존의 패러다임으로는 해결할 수 없던 문제들을 다양한 데이터로부터 패턴을 찾아내어 해결할 수 있다는 메시지는 데이터의 범람과 컴퓨팅 기술의 발달, 알고리즘의 혁신 등으로 구체화되었고, 그 결과 실제 문제를 해결해 나가는 데 인공지능이 활용되기에 이르고 있습니다.
그 사례는 매우 다양합니다. 제가 재직중인 기업에서 컨설팅한 기업의 산업군만 살펴 보아도 금융, 마케팅, 제조업, 서비스업, 유통업 등 산업을 가리지 않았고, 해결하는 데 활용하고자 했던 데이터 역시 고객 정보, 로그 데이터, 시계열, 이미지, 동영상, 텍스트 등 정형과 비정형을 넘나들고 때로는 다양한 형태의 데이터를 동시에 활용하기도 합니다.
텍스트 분류, 추천 시스템, 이미지 인식, 이미지 생성, 음성 복제, 출하량 예측, 구매 예측, 이탈 예측 등의 많은 task가 목적이었으며 이 task의 종류 역시 시간이 흐를수록 대중화되는 기술이 다양해짐에 따라 늘어나고 있습니다.
이번 시리즈를 통해 ML의 기초를 잘 닦는다면, 앞으로도 산업과 실생활의 무수한 문제를 다양한 형태의 데이터를 활용해 해결하는 초석을 닦을 수 있을 것입니다.
머신러닝의 구분
크게 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning)으로 나뉩니다. 이 시리즈에서는 지도/비지도 학습에 대해서만 다룰 예정입니다.
1) 지도학습 (Supervised Learning)
지도학습은 사람이 지정해주거나, 이미 레이블이 있어서 supervision, 즉 감독이 가능한 경우를 말합니다. 분류/회귀 문제를 들 수 있습니다.
2) 비지도학습 (Unsupervised Learning)
비지도학습이란 있는 데이터를 그대로 감독 없이 분석하고자 할 때 사용됩니다.
군집화 등의 문제를 해결할 때 사용합니다. latent representation, 즉 어떠한 현상이 나타나는 잠재적인 요인을 표현하는 데 사용하기도 합니다.
닫으며
이 포스트 시리즈가, 다양한 머신러닝의 기초적이고 핵심적인 개념을 필요할 때 꺼내볼 수 있는 자료가 되었으면 좋겠습니다.
개선을 위한 여러분의 피드백과 제안을 코멘트로 공유해 주세요. 내용에 대한 지적, 혹은 질문을 환영합니다.
자료 공유를 허락해 주신 문일철 교수님께 감사의 말씀을 전합니다.
Leave a comment