머신 러닝은 데이터에서 패턴을 찾고 예측을 하도록 알고리즘을 훈련시킵니다. 명시적인 규칙을 프로그래밍하는 대신, 알고리즘에 예시 데이터를 입력하면 알고리즘은 입력과 출력 간의 관계를 학습합니다. 그런 다음 학습한 내용을 새로운 데이터에 적용합니다. 스팸 필터는 수백만 개의 레이블이 지정된 이메일을 통해 학습하고, 추천 엔진은 사용자 행동을 통해 학습하며, 사기 방지 모델은 과거 거래 데이터를 통해 학습합니다. 알고리즘은 일정 수준까지 더 많은 데이터를 접할수록 성능이 향상됩니다.

머신러닝에는 크게 지도 학습, 비지도 학습, 강화 학습이 있습니다. 지도 학습은 레이블이 지정된 데이터를 사용합니다. 알고리즘은 입력값을 알려진 출력값에 매핑하는 방법을 학습합니다. 분류는 범주를 예측하고, 회귀는 숫자를 예측합니다. 비지도 학습은 레이블이 지정되지 않은 데이터에서 구조를 찾습니다. 클러스터링은 유사한 레코드를 그룹화하고, 차원 축소는 복잡한 데이터를 단순화합니다. 강화 학습은 시행착오를 통해 에이전트를 훈련시키며, 좋은 행동에는 보상을, 나쁜 행동에는 벌점을 부여합니다. 게임 시스템과 로봇 공학에 널리 사용됩니다. 각 유형은 서로 다른 문제에 적합합니다. 훈련 데이터의 품질은 모델의 품질을 결정합니다. 편향된 데이터는 편향된 예측을 낳고, 불완전한 데이터는 신뢰할 수 없는 예측을 초래합니다. 과적합은 항상 존재하는 위험입니다. 훈련 데이터를 암기하는 모델은 새로운 데이터에서 성능이 저하됩니다. 정규화, 교차 검증, 그리고 더 많은 데이터는 이러한 문제를 해결하는 데 도움이 됩니다. 머신러닝은 강력하면서도 취약합니다. 존재하지 않아야 할 패턴을 포함하여 다양한 패턴을 찾아낼 수 있습니다.

머신러닝 유형

• 지도 학습 — 레이블이 지정된 데이터, 분류 및 회귀
• 비지도 학습 — 레이블이 지정되지 않은 데이터, 클러스터링 및 차원 축소
• 강화 — 보상을 통한 시행착오
• 딥러닝 — 여러 층으로 이루어진 신경망

머신러닝은 대규모 패턴 인식입니다. 패턴의 품질은 그 패턴을 생성한 데이터의 품질에 달려 있습니다.