본 캠프 27일차 TIL

오늘 공부해본 것

머신러닝(Machine Learning) 개요

**머신러닝(Machine Learning)**은 인공지능(AI)의 한 분야로, 명시적으로 프로그래밍되지 않아도 컴퓨터가 데이터를 통해 학습하고 예측할 수 있도록 하는 기술입니다. 머신러닝은 다양한 데이터에서 패턴을 인식하고 이를 바탕으로 새로운 데이터를 분석하거나 예측하는 시스템을 개발합니다.

머신러닝의 주요 유형

 

1.지도 학습(Supervised Learning)

• 정의: 레이블이 있는 데이터를 사용하여 모델을 학습시킵니다.
• 적용 예시: 스팸 이메일 필터링, 이미지 분류.
• 설명: 지도 학습 모델은 입력 데이터와 해당 출력 레이블을 기반으로 학습합니다.

 

2. 비지도 학습(Unsupervised Learning)

• 정의: 레이블이 없는 데이터를 사용하여 패턴을 발견합니다.
• 적용 예시: 고객 세분화, 이상 탐지.
• 설명: 비지도 학습 모델은 입력 데이터만으로 학습하여 데이터 내의 패턴이나 구조를 파악합니다. 예를 들어, 고객 데이터를 군집화하여 비슷한 특성을 가진 그룹으로 분류합니다​

 

3. 강화 학습(Reinforcement Learning)

• 정의: 에이전트가 환경과 상호작용하며 보상을 최대화하는 방향으로 학습합니다.
• 적용 예시: 게임 AI, 자율 주행 차량.
• 설명: 강화 학습은 에이전트가 환경과 상호작용하며 주어진 목표를 달성하기 위해 학습합니다

머신러닝의 장점

• 효율성 증대: 대량의 데이터를 자동으로 분석하여 인사이트를 도출함으로써 시간과 비용을 절약할 수 있습니다.
• 예측 정확도 향상: 패턴 인식과 데이터 분석을 통해 미래의 이벤트를 더 정확하게 예측할 수 있습니다.
• 개인화된 경험 제공: 사용자 데이터를 기반으로 맞춤형 서비스를 제공하여 사용자 경험을 향상시킵니다

머신러닝의 단점 및 도전 과제

• 데이터 요구량: 머신러닝 모델은 대량의 고품질 데이터를 필요로 합니다. 데이터가 부족하거나 품질이 낮으면 모델의 성능이 떨어질 수 있습니다.
• 해석 가능성: 일부 머신러닝 모델, 특히 딥러닝 모델은 결과를 해석하는 데 어려움이 있습니다. 이는 투명성과 신뢰성 문제로 이어질 수 있습니다.
• 윤리적 문제: 머신러닝의 활용은 프라이버시, 데이터 보안, 편향성 등 다양한 윤리적 문제를 수반할 수 있습니다. 이는 기술의 책임감 있는 사용을 요구합니다

참고 문헌

https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained

Machine learning, explained | MIT Sloan

https://www.ibm.com/topics/machine-learning

What Is Machine Learning (ML)? | IBM

 

머신러닝에 대해 알아본 결과 머신러닝 기술이 알고리즘에 어떻게 대입해서 응용해야 하는 건지 느낌이 온다. 하지만 그렇다고 완벽히 이해가 된 것은 아니고 머신러닝 알고리즘에 대해 좀 더 면밀히 알아볼 필요성을 느껴진다.

하지만 이런 정보를 되려 너무 빨리 알게되어 독이 되는 것만 같은 느낌이 들기도 한다 마치 B-트리-인덱스와 해시 테이블을 처음 공부해보려 했을 때 그 2가지에 대해 알아보기 전에 자료구조에 대해서 먼저 공부를 해보았었는데 자료 구조에 대해 이해를 할 수록 나에게 큰 도움이 되지만은 않을 것 같다는 느낌이 들었다.

 

물론 자료구조에 대해 잘 알고 있으면 그 지식을 바탕으로 활용을 해볼 순 있겠지만 데이터 분석을 하는데 큰 효용성은 없어 보이고 데이터 엔지니어가 되어서 파이프라인을 구축하고 싶은 것이 아니라면 몰라도 되는 것과 같은 느낌을 받는다.