Coursera의 Machine Learning Specialization강의를 정리한 내용입니다.
Intro
필자는 NLP에 대해 연구할 수 있는 기본기를 쌓는 것을 이 코스의 최종 목표로 가진다.
NLP는 Deep Learning의 한 분야이기에, 기본이 되는 Machine Learning에 대해서 먼저 공부할 것이다.
우리는 자신도 모르는 사이 머신러닝을 사용하고 있다.
구글을 통해 검색을 할 때 검색엔진들이 검색을 적절하게 하기 위해 웹 페이지에 순위를 매기는 것, Instagram이나 facebook에 사진을 업로드 할 때 사진 속 친구들을 알아보고 Labeling하는 것, 유튜브의 추천서비스, 이메일에서의 스팸 차단 역시 머신러닝의 응용 분야이다.
이 수업에서는 최신 기술에 대해 배우고 기계 학습 알고리즘을 직접 구현하는 연습을 해볼 수 있다.
현재나 가까운 미래에 기계학습이 크게 활용될 것 같지 않은 업종을 생각하기는 어려우며, 많은 사람들이 사람처럼 지능적인 기계를 만들겠다는 꿈을 가지고 있다. 이를 인공 일반 지능 또는 AGI라고 한다.
AGI : 인간이 할 수 있는 어떠한 지적인 업무도 성공적으로 해낼 수 있는 기계의 지능
현재까지 창출된 가치 이외에도, 기계학습은 아직 창출되지 않은 훨씬 더 큰 가치를 지니고 있을 것이다.
즉, 머신러닝이 필요한 분야는 점차 확산되고 있다.
What is Machine Learning?
Arthur Samuel(아서 사무엘)은 머신러닝을 아래와 같이 정의했다.
"Field of study that gives computers the ability to learn without being explicitly programmed"
"명시적으로 프로그래밍 하지 않고도 컴퓨터가 학습할 수 있는 능력을 부여하는 연구 분야"
아서 사무엘은 컴퓨터가 자기 자신을 상대로 수만개의 체커 게임을 플레이하도록 컴퓨터를 프로그래밍 하였는데
어떤 포지션에서 이기고 어떤 포지션에서 패배하는지를 관찰하면서 어떤 포지션이 좋은지 나쁜지를 알게 되었다.
Quiz.
만약 체커 프로그램이 10개의 게임만을 학습하는 경우, 1000개의 게임을 학습한 프로그램과 비교해서 성능은 어떻게 변화할까?
=> 일반적으로 학습 알고리즘을 학습할 기회가 많을수록 성능이 더 좋아진다.
아서 사무엘의 정의는 다소 비형식적인 것이었으며, 다음 챕터에서는 기계학습 알고리즘의 주요 유형이 무엇인지 더 자세하게 알아본다.
기계학습의 두 가지 주요 알고리즘은 Supervised learning(지도학습)과 Unsupervised learning(비지도학습)이다.
Supervised learning은 작업을 수행하는 방법을 사용자가 학습시키는 것이고, Unsupervised learning은 컴퓨터가 스스로 학습하도록 유도하는 것이다.
Supervised learning은 실제 응용 분야에서 가장 많이 사용되는 기계학습 유형으로 가장 빠른 발전과 혁신을 이루었다.
또한, 머신러닝 알고리즘의 다른 종류로는 Reinforcement learning(강화학습), Recommender systems(추천시스템)이 있다.
