기계 학습의 학습 유형

핵심 정리

기계 학습(머신 러닝)은 데이터나 경험을 바탕으로 컴퓨터의 과제 수행 능력을 높이는 알고리즘과 그 원리를 연구하는 분야이다. 사람이 판단 규칙을 일일이 작성하는 대신 학습 알고리즘이 사례에서 규칙이나 모형을 찾아 예측·분류·의사결정에 사용한다. 학습 유형은 학습 과정에서 무엇을 신호로 받느냐에 따라 나뉘며, 기계학습의 학습 방법에는 지도학습, 비지도학습, 강화학습 등이 있다.

지도 학습과 비지도 학습의 구분이 가장 기본이다. 두 방식은 정답 표시의 유무로 가른다. 비지도 학습은 레이블이 없는 데이터에서 학습 알고리즘이 스스로 패턴을 발견하는 방식이다.

보상을 이용하는 학습은 따로 구분한다. 보상을 최대화하는 행동을 선택하도록 학습하는 기법이 강화 학습이다. 지도 학습은 정답을 주고 학습하며, 분류와 회귀분석이 그 대표 기법이다.

인공지능 안에 머신러닝이, 머신러닝 안에 딥러닝이 포함된다. 딥 러닝은 여러 층의 신경망으로 자료의 표현을 학습하는 기계 학습의 한 분야이다. 신경망은 뉴런 간 연결 가중치를 조정하여 학습한다.

학습의 목표는 학습에 쓰지 않은 새로운 사례에서도 좋은 성능을 내는 일반화이다. 훈련 자료를 잘 설명하는 모형도 새 자료에서는 오류를 낼 수 있으므로, 모형을 만드는 자료와 평가하는 자료를 구별한다.

자세히

비지도 학습과 군집화

비지도 학습은 정답과 대조해 채점할 수 없으므로, 결과의 좋고 나쁨을 가리는 기준부터 지도 학습과 다르다. 군집화는 비슷한 자료끼리 묶는 대표 기법이다. 묶음에 붙는 이름은 사람이 미리 정하지 않으므로, 묶는다는 점이 비슷해도 미리 정한 범주를 맞히는 지도 학습의 분류와는 성격이 다르다.

강화 학습의 작동 방식

강화 학습에서 에이전트는 상태를 보고 액션을 고른다. 그 결과로 환경이 바뀌고 보상이 돌아오며, 이 순환을 반복하면서 행동을 다듬는다. 한 번 받은 보상만 보고 행동을 고르면 장기적으로 손해일 수 있으므로, 학습은 행동 순서 전체의 결과를 따져야 한다. 이 점이 정답을 직접 주는 지도 학습과 구별되는 지점이다.