머신러닝 분석시스템

머신러닝시스템 소개

  • 머신러닝 분석시스템
  • 머신러닝시스템 소개

AI (Artificial Intelligence)

인공지능이란?

컴퓨터로 구현한 지능 또는 이와 관련한 전산학의 연구 분야를 말합니다.

인공 지능은 사람 또는 동물의 지능이 컴퓨터로 모사될 정도로 세밀하고 정확하게 표현될 수 있다는 생각에 기반을 둡니다. 지능에 대한 정의와 마찬가지로 인공 지능에 대해서도 다양한 정의가 존재합니다.

인공 지능의 방법과 관련된 탐색, 논리 및 추론, 지식 표현, 계획, 학습 등 세부 분야에 관한 연구가 진행되고 있고, 자연어 처리, 컴퓨터 비전 및 패턴 인식, 로보스틱스 등의 분야에서 응용됩니다.

AI (Artificial Intelligence)

인공 지능 역사?

최초의 인공 지능 연구로 1943년 워렌 맥컬로치(Warren Mcculloch)와 월터 피츠(Walter Pitts)가 제안한 인공 뉴런(neuron) 모델을 들 수 있습니다. 인공 지능이라는 용어는 1956년 미국 다트머스 대학(Dartmouth College)에서 열린 워크숍 제안서에서 존 매카시(John McCarthy)가 처음 공식적으로 사용하였습니다.

1950~60년대 초창기의 인공 지능 연구는 정리(theorem) 증명과 게임 등의 분야에서 놀라운 성과를 거두었으나, 이후 과도한 기대에 따른 실망과 쇠퇴, 그리고 새로운 모델 및 이론의 개발 등이 반복되었습니다.

1970~80년대에는 전문가 시스템(expert system)에 관한 연구가 활발하였으며, 1980년대 중반 역전파 알고리즘(backpropagation algorithm)의 재발견 이후 인공 신경망(ANN : Artificial Neural Network) 모델에 관한 연구가 활발해졌습니다.

1990년대의 인공 지능 연구는 통계학, 정보 이론, 최적화 등 다양한 분야의 방법들을 활용하게 되었으며, 학습 이론 등 굳건한 이론적 토대를 갖추게 되었습니다.

2000년대에 들어 대규모 데이터를 이용한 기계 학습이 활발히 연구되었으며, 체스, TV 퀴즈 쇼 참가 및 운전 등의 작업에 적용한 인공 지능 기술이 사람과 대등하거나 더 우수할 수 있음을 입증하였습니다.

2010년대 이후 컴퓨터 하드웨어와 학습 알고리즘의 발달은 심층 기계 학습(deep leaning) 모델을 구축할 수 있게 하였으며, 이에 기반을 둬 바둑 및 사진상의 객체 인식(object recognition) 등에서 사람보다 뛰어난 컴퓨터 프로그램이 개발되었습니다.

현재 인공 지능 연구는 음성 인식, 바둑 등 특정한 분야에서 좋은 성과를 보이나, 아직 사람과 같은 지능을 갖춰지는 못하고 있습니다. 예를 들어, 사람과 대화하며 동시에 바둑도 둘 수 있는 인공 지능 에이전트는 아직 개발되지 못한 것입니다.

한편, 특정한 작업에만 적용될 수 있는 인공 지능 시스템이 아니라, 생각하고, 학습하고, 창조할 수 있는 범용 기계를 만드는 것을 목표로 하는 사람 수준(human-level) 인공 지능 또는 범용 인공 지능(Artificial General Intelligence, AGI)에 대한 연구도 이루어지고 있습니다.

기계학습(Machine Learning)

머신러닝이란?

머신러닝 또는 기계 학습은 컴퓨터 과학 중 인공지능의 한 분야로, 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야입니다. 머신 러닝은 경험적 데이터를 기반으로 학습하고 예측을 수행하고 스스로 성능을 향상하는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있습니다.

머신러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 끌어내기 위해 특정한 모델을 구축하는 방식을 취합니다.

기계학습(Machine Learning)

머신러닝의 역사

머신러닝이라는 용어는 1959년 아서 사무엘(Arther Samuel)의 논문에서 "명시적으로 프로그램을 작성하지 않고 컴퓨터에 학습할 수 있는 능력을 부여하기 위한 연구 분야"라고 최초 정의된 바 있습니다.

그 후 톰 미첼(Tom M. Mitchell)은 "컴퓨터 프로그램이 어떤 작업 T와 평가 척도 P에 대해서 경험 E로부터 학습한다는 것은, P에 의해 평가되는 작업 T에서의 성능이 경험 E에 의해 개선되는 경우를 말한다"라고 더욱 형식적인 정의를 내린 바 있습니다.

머신러닝은 명시적인 알고리즘을 설계하기 어렵거나 프로그래밍하기 어려운 작업들을 해결하기 위해 주로 사용됩니다. 대부분의 머신러닝 알고리즘은 먼저 데이터가 생성한 잠재적인 메커니즘의 특징을 파악하여 복잡한 관계를 정량화한 후, 이 식별된 패턴을 사용하여 새로운 데이터에 대한 예측을 합니다. 머신러닝은 데이터로부터 유용한 규칙, 지식 표현 혹은 판단 기준 등을 추출한다는 점에서 데이터마이닝이나 통계 및 수학적 최적화 문제와 관련이 깊다고 볼 수 있습니다.

기계학습(Machine Learning)

머신러닝 알고리즘이란?

머신러닝 알고리즘은 학습 시스템에 정보 및 데이터를 입력하는 형태에 따라 크게 세 가지로 나뉠 수 있습니다.

ⓐ 감독(supervised) 학습 : 입력과 이에 대응하는 미리 알려진 출력(인간 전문가가 제공)을 매핑(mapping)하는 함수를 학습하는 과정입니다.

ⓑ 비감독(unsupervised) 학습 : 출력 없이 입력만으로 모델을 구축하여 학습합니다. 일반적으로 데이터마이닝 대부분의 기법이 이해 해당합니다.

ⓒ 강화(rwinforcement) 학습 : 학습자가 행동을 선택하여 행동으로 환경에 영향을 미치고, 이에 대한 피드백으로 보상치를 얻어 학습 알고리즘의 안내로 사용합니다.

머신러닝의 시법 및 모델들로는 트리 구조 형태를 예측 모델로 사용하는 의사 결정 나무(Decision Tree), 생물의 신경 네트워크 주고 와 기능을 모방하는 인공 신경망(Neural Network), 생물의 진화 알고리즘에 기반을 둔 유전자 프로그래밍(Genetic Programming), 관측된 예를 군집이라는 부분집합으로 분배하는 군집화(Clustering), 무작위로 추출된 난수를 통해 함숫값을 확률로 계산하는 몬테카를로 방법(Monter Carlo method) 등이 있습니다.

기계학습(Machine Learning)

머신러닝 현황

머신러닝이라는 용어는 1959년 아서 사무엘(Arther Samuel)의 논문에서 "명시적으로 프로그램을 작성하지 않고 컴퓨터에 학습할 수 있는 능력을 부여하기 위한 연구 분야"라고 최초 정의된 바 있습니다.

그 후 톰 미첼(Tom M. Mitchell)은 "컴퓨터 프로그램이 어떤 작업 T와 평가 척도 P에 대해서 경험 E로부터 학습한다는 것은, P에 의해 평가되는 작업 T에서의 성능이 경험 E에 의해 개선되는 경우를 말한다"라고 더욱 형식적인 정의를 내린 바 있습니다.

머신러닝은 명시적인 알고리즘을 설계하기 어렵거나 프로그래밍하기 어려운 작업들을 해결하기 위해 주로 사용됩니다. 대부분의 머신러닝 알고리즘은 먼저 데이터가 생성한 잠재적인 메커니즘의 특징을 파악하여 복잡한 관계를 정량화한 후, 이 식별된 패턴을 사용하여 새로운 데이터에 대한 예측을 합니다. 머신러닝은 데이터로부터 유용한 규칙, 지식 표현 혹은 판단 기준 등을 추출한다는 점에서 데이터마이닝이나 통계 및 수학적 최적화 문제와 관련이 깊다고 볼 수 있습니다.

The Best Choice

고액당첨자들의 선택!

머신러닝 시스템 분석을 통한 조합번호 추출!

탑로또 정회원 서비스 가입하기