컴퓨터는 인계하지 않지만 매일 더 똑똑 해지고 있습니다.
가장 단순한 용어로, 기계 학습 (machine learning, ML)은 사람 개발자의 추가 입력없이 별도로 작업을 수행하기 위해 데이터 (정보)를 사용하고 분석하여 요청 된 작업을 수행 할 수 있도록 컴퓨터 (컴퓨터)를 프로그래밍합니다.
기계 학습 101
"기계 학습"이라는 용어는 인공 지능 (AI) 및 컴퓨터 게임의 선구자 인 아서 사무엘 (Arthur Samuel)에 의해 1959 년에 IBM 연구소에서 창안되었습니다. 결과적으로 기계 학습은 인공 지능의 한 분야입니다. 사무엘의 전제는 당시의 컴퓨팅 모델을 거꾸로 뒤집어서 컴퓨터 배우기를 중단하는 것이 었습니다.
대신에, 그는 컴퓨터가 인간이 가장 작은 정보를 입력하지 않고 스스로 알아 내기를 원했습니다. 그런 다음 그는 컴퓨터가 작업을 수행하지 않고 수행 할 작업을 궁극적으로 결정할 수 있다고 생각했습니다. 왜? 그래서 컴퓨터는 주어진 영역에서 인간이 수행해야하는 작업량을 줄일 수 있습니다.
기계 학습 작동 원리
기계 학습은 알고리즘과 데이터를 사용하여 작동합니다. 알고리즘이란 컴퓨터 또는 프로그램에 작업 수행 방법을 알려주는 지침 또는 지침 집합입니다. ML에서 사용되는 알고리즘은 데이터를 수집하고 패턴을 인식하며 해당 데이터의 분석을 사용하여 자체 프로그램 및 기능을 조정하여 작업을 완료합니다.
ML 알고리즘은 규칙 집합, 의사 결정 트리, 그래픽 모델, 자연 언어 처리 및 신경 네트워크 (몇 가지 예를 들어)를 사용하여 의사 결정 및 작업 수행을 위해 데이터 처리를 자동화합니다. ML은 복잡한 주제가 될 수 있지만 Google의 Teachable Machine은 ML 작동 방식에 대한 간략한 실습 데모를 제공합니다.
심화 학습 이라고하는 오늘날 가장 많이 사용되는 기계 학습의 형태는 방대한 양의 데이터를 기반으로하는 신경망이라는 복잡한 수학적 구조를 구축합니다. 신경망은 인간 뇌 및 신경계 과정 정보에서 신경 세포를 모델로 한 ML 및 AI 알고리즘 집합입니다.
인공 지능 vs. 기계 학습 vs. 데이터 마이닝
AI, ML 및 데이터 마이닝 간의 관계를 가장 잘 이해하려면 크기가 다른 여러 개의 우산 세트를 생각하는 것이 좋습니다. 인공 지능은 가장 큰 우산입니다. ML 우산 크기는 작고 AI 우산 아래에 맞습니다. 데이터 마이닝 우산은 ML 우산 아래에서 가장 작고 적합합니다.
- 인공 지능은 인간 지능을 모델로 한 추론 및 의사 결정 기술을 사용하여보다 지능적이고 인간적인 방식으로 작업을 수행하도록 컴퓨터를 프로그래밍하는 것을 목표로하는 컴퓨터 과학 분야입니다.
- ML은보다 자동화 된 방식으로 데이터 중심의 지능적인 결정을 내리기 위해 기계 (컴퓨터)가 프로그래밍 (필요한 데이터 또는 예제를 수집)하는 데 중점을 둔 AI 내의 컴퓨팅 카테고리입니다.
- 데이터 마이닝 은 통계, ML, AI 및 방대한 정보 데이터베이스를 사용하여 패턴을 찾고, 통찰력을 제공하고, 분류를 만들고, 문제를 식별하고 상세한 데이터 분석을 제공합니다.
기계 학습이 할 수있는 것 (그리고 이미 수행 한 것)
컴퓨터가 방대한 양의 정보를 초 단위로 분석 할 수있는 능력은 시간과 정확성이 필수적인 많은 산업 분야에서 유용합니다.
- 의학 : ML 기술은 응급실 의사가 비정상적인 증상을 가진 환자를보다 빨리 진단 할 수 있도록 도와주는 등 의료 분야를위한 다양한 솔루션으로 구현되고 있습니다. 의사는 환자의 증상 목록을 프로그램에 입력하고 ML을 사용하여 의료 문학 및 인터넷에서 수조 테라 바이트의 정보를 수집하여 잠재적 인 진단 목록을 반환하고 기록적인 시간에 권장되는 검사 또는 치료를받을 수 있습니다.
- 교육 : ML은 가상 학습 보조 및보다 상호 작용이 가능한 전자 교과서와 같이 학생들의 학습 요구에 맞게 조정하는 교육 도구를 만드는 데 사용됩니다. 이 도구는 ML을 사용하여 학생들이 짧은 퀴즈와 연습 문제를 사용하여 이해 한 개념과 기술을 발견합니다. 그런 다음 도구는 짧은 비디오, 추가 예제 및 배경 자료를 제공하여 학생이 필요한 기술이나 개념을 학습하는 데 도움을줍니다.
- 자동차 : ML은 또한자가 운전 차량 (운전자가없는 자동차 또는 자율 주행차라고도 함)의 신흥 분야에서 핵심 구성 요소입니다. 자가 운전 차량을 운영하는 소프트웨어는 실제 주행 시험 및 시뮬레이션 중 ML을 사용하여 도로 상태 (예 : 얼음 길)를 감지하거나 도로상의 장애물을 식별하고 이러한 상황을 안전하게 탐색 할 수있는 적절한 주행 작업을 학습합니다.
당신은 이미 ML을 깨닫지 못하고 여러 번 경험했을 것입니다. ML 기술의 보편적 인 사용에는 실용적인 음성 인식 ( 삼성의 Bixby , Apple의 Siri 및 PC에서 표준이되는 많은 토크 - 투 - 텍스트 프로그램), 전자 메일 필터링, 뉴스 피드 구축, 사기 탐지, 개인화 쇼핑 권장 사항 및보다 효과적인 웹 검색 결과 제공
ML도 Facebook 피드에 포함됩니다. 친구의 게시물을 자주 보거나 클릭하면 알고리즘 및 ML이 시간 경과에 따른 행동으로부터 "배워"특정 뉴스 피드의 친구 또는 페이지에 우선 순위를 매기게됩니다.
학습 할 수없는 기계
그러나 ML이 할 수있는 것에는 한계가 있습니다. 예를 들어, 여러 산업 분야에서 ML 기술을 사용하려면 해당 업계에서 요구하는 유형의 작업을 위해 프로그램이나 시스템을 전문화하기 위해 인간이 상당한 양의 개발 및 프로그래밍 작업을 수행해야합니다. 예를 들어, 위의 의료 예에서 응급실에 사용 된 ML 프로그램은 인간의 의약품을 위해 특별히 개발되었습니다. 정확한 프로그램을 수의사 응급 센터에서 직접 실시하는 것은 현재 불가능합니다. 그러한 전환은 인간 프로그래머가 수의학 또는 동물 의학을 위해이 작업을 수행 할 수있는 버전을 만들기 위해 광범위한 전문화와 개발을 필요로합니다.
의사 결정과 업무 수행에 필요한 정보를 "습득"하기 위해서는 엄청난 양의 데이터와 예제가 필요합니다. ML 프로그램은 또한 데이터의 해석과 상징주의와의 투쟁, 그리고 원인과 결과와 같은 데이터 결과 내의 몇 가지 유형의 관계에서도 매우 문자 적입니다.
그러나 지속적인 발전으로 인해 ML은 매일 똑똑한 컴퓨터를 만드는 핵심 기술로 자리 매김하고 있습니다.