기계학습

주의. 이 문서는 공머생들이 좋아하는 주제 혹은 공머생 그 자체에 대해 다룹니다. 본 문서가 다루는 내용에 지나치게 탐닉할 경우 필연적으로 여성들과 멀어지게 됩니다. 이는 조무위키가 책임지지 않습니다.

Machine Learning.

인공지능 이론의 한 분야이다.

Deap learning, reinforcement learning 등 다양한 인공지능 이론이 있다.

머신러닝은 어쩌면 인공지능의 기초일지 모른다.

머신러닝하면 보통 컴퓨터나 로봇 등을 떠올리기 때문에 컴공이나 전산 쪽 향기가 강하게 나지만, 훼이크고 다 수학이다.

물론 확실히 컴공에서 메이저하게 다루어 지는 것은 맞다.

수학에서 특히 많이 쓰이는 부분은 행렬계산을 위한 응용 선형대수, 행렬 미적분학, 그리고 다변수 미적분을 위한 미적2, 가장 중요한 확률 및 통계 이론이다.

비선형 모델도 자주 등장하기 때문에 수치해석 기법도 필요로 한다.

물론 인공지능 소프트웨어의 토대를 갖추기 위해서는 자료구조와 같은 전산학 바탕도 필요할 것이다.

머신러닝의 기본 아이디어는, 컴퓨터에게 이미 알려진 자료를 학습시켜 설정된 매개변수로 다른 자료를 분석•예측하는 것이다.

때문에 가장 기본적인 인공지능의 형태라고 할 수 있다.

알파고는 이런 것과는 비교가 안되게 복잡한 방식을 사용하니, 이정도 안다고 고급 인공지능 소프트웨어를 만드는건 꿈도 꾸지 말길.

인공지능이 머신러닝이라고 오해하는 일반인들이 많은데,

퍼지, 전문가 시스템 등과 같이 머신러닝은 인공지능의 방법론 중 하나일 뿐이다.

엄밀한 수학적 이론을 활용하면 그것은 통계 모델링이 된다.

그러나 이러한 모델링을 완벽히 이해하기 위해선 엄밀한 해석학과 선형대수, 확률론에 대한 이해가 요구된다.

strict한 요구 대신 Cross-Validation과 Optimization이라는 방법을 이용한 것이 바로 머신러닝인데,

통계학에서 엄밀하게 추정을 요하는 모수값들에 대한 계산을 인간이 모형화하지 않고 컴퓨터에 맡겨버리는 것이다.

인공신경망이 뜨기 전까지 가장 윾띵했던 방법론들이 서포트 벡터 머신, 트리 모형(부스팅, 랜덤포레스트) 등이다.

현재 대유행중인 인공신경망도 머신러닝의 한 방법으로서, 교차검증을 이용한 최적화라는 점은 완전히 같다.

그런데 이 모델이 유행 중인 가장 큰 이유 중 하나는, 기존의 모델들은 training(학습) 과정이 1회용이라는 반면

인공신경망은 그 특유의 구조(layer) 때문에 망을 재사용할 수 있다는 것이다.

즉 1대 호카게가 학습한 걸 한 몇년 뒤에 2대 호카게가 더 학습해서 더 똑똑하게 만들 수 있고, 3대 호카게가 그걸 줏어다가 더 학습시켜서 더 정교하게 만들 수 있고...

이러한 망의 재사용이 가장 큰 이점이라고 할 수 있겠다.