인공지능을 통해 기계가 어떻게 학습할 수 있는지 한 기사에서 알아보세요.

"인공지능(AI)을 한 글로 이해하기" 기사에서는 AI가 해결할 수 있는 복잡한 문제를 소개했습니다. 이러한 문제는 고정된 규칙으로는 해결될 수 없습니다. 기계는 과거 사례의 비교 평가를 바탕으로 최종 판단을 내려야 합니다. 기계는 학습에 있어서 인간을 모방해야 합니다.

인간의 학습 과정은 지각, 기억, 비교 및 ​​귀납, 요약 및 실습의 단계로 나눌 수 있습니다.

지각: 자신의 감각(시각, 청각, 촉각, 미각, 후각)을 통해 외부 세계로부터 정보를 얻고, 주변 환경과 무슨 일이 일어나고 있는지 관찰하고 경험하세요. 개인적인 경험 외에도 정보를 보다 효율적으로 얻기 위해 사람들은 과거에 무슨 일이 일어났는지 이해하기 위해 이야기를 듣고, 책을 읽고, 비디오를 시청합니다.

기억: 우리는 새로운 정보를 획득하면 앞으로 사용해야 할 정보를 뇌에 기억하고, 불필요하다고 생각하는 정보는 버릴 것입니다.

비교 및 일반화: 사람들이 새로운 정보를 이해하는 가장 좋은 방법은 그것을 자신의 기억에 있는 정보와 비교하는 것입니다. 새로운 정보를 이해하고 유사점과 차이점을 비교하여 다양한 정보를 분류합니다.

요약: 사람들은 개별 정보를 통합하고 정보 간의 연결과 패턴을 추론합니다. 사물의 원인과 결과를 이해하는 데 도움이 되는 정보 네트워크를 구축하세요.

Practice: 학습의 의미는 습득한 지식을 실제 상황에 적용하는 것입니다. 문제 해결 중 지식의 적용 가능성과 정확성을 확인합니다. 검증 과정에서 새로운 인식 과정이 시작되었습니다.

학습 과정의 개략도

이 5단계 중 기억은 컴퓨터가 가장 잘하는 부분입니다. 자연스럽고 인문적인 데이터 인식은 많은 인력이 필요한 과정입니다. 데이터 수집을 자동화할 수 있습니다. 세 번째 단계의 비교 및 ​​유도와 네 번째 단계의 요약은 알고리즘 구현의 일부입니다. 머신러닝 프로그램과 일반 프로그램의 가장 큰 차이점은 실용적인 부분입니다. 일반 소프트웨어 프로그램이 결과를 출력한 후 전체 프로세스가 완료됩니다. 그러나 기계 학습 프로그램은 각 결과에 점수를 매길 수 있으며, 알고리즘은 점수에 따라 작업 결과를 조정할 수 있습니다.

기계가 학습하려면 실행 결과의 피드백이 필요하기 때문에 기계 학습 알고리즘의 개발 프로세스는 알고리즘 작성과 학습의 두 단계로 구성됩니다. 기계 학습 단계는 학습 단계라고도 하며, 알려진 데이터가 학습 및 검증에 사용됩니다. 각 훈련 세션의 결과가 평가되고 알고리즘이 조정됩니다. 이 학습 과정은 지도 학습(Supervised Learning)과 비지도 학습(Unsupervised Learning)의 두 가지 유형으로 나뉩니다.

지도 학습은 명확한 기대를 가지고 해결해야 하는 문제에 적합하며, 기계가 미래에 발생할 유사한 문제를 예측할 수 있기를 바랍니다. 지도 학습을 위한 훈련 데이터는 프로그램 입력의 특징 정보와 프로그램 출력의 결과 정보를 포함하는 쌍으로 나타나야 합니다. 지도 학습 훈련 중에 훈련 세트는 무작위로 두 부분으로 나뉩니다. 한 부분은 프로그램을 훈련하는 데 사용되고 다른 부분은 알고리즘의 처리 결과가 기대치를 충족하는지 확인하는 데 사용됩니다.

비지도 학습은 데이터 간의 관계와 패턴을 탐색하고 특정 문제의 결과를 얻는 데 사용됩니다. 비지도 학습의 훈련 데이터에는 프로그램에서 입력한 특징 정보만 있고, 훈련 중 학습에는 전체 데이터가 사용됩니다. 비지도 학습으로 얻은 훈련 결과는 훈련 세트로 검증할 수 없으며 알고리즘을 조정하기 전에 별도로 평가해야 합니다.

기계 학습 과정은 인간 학습 과정을 모방합니다. 머신러닝을 이해하는 과정에서 우리는 단지 IT 지식을 학습하는 것일 뿐이며, 우리 자신의 학습 프로세스를 최적화하는 방법에 대해서도 생각해 볼 수 있습니다.