Machine Learning (1)

 

 

 

앞에서 공부했듯, 사람이 직관의 영역으로 해결하는 문제들을 컴퓨터도 할 수 있도록 하는 기술을 머신러닝이라고 한다.

 

1997 Mitchell이 Machine Learning을 정의했다.

머신러닝은 작업 T 를 수행하기 위하여 경험 E 로부터 획득한 데이터를 기반으로 모델을 자동으로 구성하여 성능 P 를 향상시킬 수 있는 컴퓨터 프로그램이다.

 

작업 T는 시험 공부를 할 때 수업을 듣는 것을 의미하고

경험 E는 쪽지시험을 보고, 퀴즈를 풀고 연습문제를 푸는 것을 의미하며

성능 P는 시험을 보는 것을 의미한다.

 

위를 통해서 학습을 진행하는데, 기계도 위와 같은 방식으로 학습을 진행한다.

 

다음과 같은 이미지를 구분하는 머신러닝을 수행한다고 생각하자.

(전통적인) 머신 러닝은 다음과 같은 절차로 진행된다.

 

1. RULE-BASED SYSTEM

 

2. Machine Learning

 

3. Deep Learning

 

1.을 수행할 때는, 사람이 처음부터 끝까지 직접 규칙을 작성한다.

 

ex.) 만약 동그라미가 2개 있고 , 빨간색이 많다면 MOTOCYCLE

     만약 동그라미가 없고 얇은 사선이 있으면 BIRD..

 

이런 방식으로 해당 분야의 전문가가 규칙을 직접 작성한다.

 

2. 머신 러닝 단계에서는 사람과 컴퓨터가 함께 작업한다.

 

RULE-BASED와 비슷하다. 

대상의 특징이 되는 자질을 추출하고, 추출한 데이터를 벡터로 바꾼다. (선처리 단계)

그 다음 데이터를 학습하고 시험을 통해 적용한다.

 

사람이 직접 특징을 추출하고

 

 

 

왼쪽 그림과 같이 벡터로 변환한 후 있으면 1 없으면 0 으로 처리한다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

다양한 이미지를 통해 다양한 데이터를 추출한다. 

 

 

 

얻은 데이터들을 통해서 학습을 진행한다.

학습 시 정답을 같이 주기 때문에, Supervised Learning이라고도 불린다.

추출한 데이터들을 Machine Learning Technique에 적용시키고 답을 얻고 주어진 답과 정답을 비교해 학습한다.

 

학습하고, 일반화한다.

답이 포함된 다양한 이미지들을 통해 일반화를 진행한다.

즉, 답이 포함된 이미지를 통해서 공부하고, 다음에 있을 답이 포함되지 않은 이미지에 대해 답을 맞추는 걸 목표로 한다.

 

Machine Learning Technique 에는 다양한 기술이 포함될 수 있다.

앞으로 하나하나 살펴보자.

 

 

학습한 내용을 바탕으로 적용해 보는 단계이다.

이번에 주어지는 이미지에 대해서는 답이 주어지지 않는다.

 

 

Machine Learning 단계를 정리해보면,

 

<학습 단계>

LABEL 작업은 답을 주어지는 작업이라고 생각하면 된다.

이미지를 인식하고 학습한다.

제대로 작동하는걸 확인했다면 Classifier Model을 만든다.

 

<적용 단계>

만들어진 Classifier Model을 통해 LABEL 없이 이미지를 인식한다.

 

 

학습 데이터는 편향되지 않고 많을 수록 좋고, noise가 없는 데이터여야 한다. (차에 탄 고양이 그림 생각해보기)

즉, 학습 시 오토바이 이미지를 10개, 새 이미지를 100개로 학습을 진행한다면 원하는 결과가 나오지 않을 수 있다.