머신 러닝(machine learning)에 대해서

 

머신러닝(ML)은 데이터로부터 학습해 보이지 않는 데이터로 일반화하고 명시적인 지시 없이 업무를 수행할 수 있는 통계 알고리즘 개발과 연구에 관한 인공지능 연구 분야입니다. 최근 인공신경망은 지금까지의 많은 성능 접근법을 뛰어넘을 수 있습니다.

ML은 자연어 처리, 컴퓨터 비전, 음성 인식, 이메일 필터링, 농업, 의료 등 많은 분야에서 응용을 찾고 있습니다. 비즈니스 문제에 적용하면 예측 분석이라는 이름으로 알려져 있습니다. 모든 기계 학습이 통계에 기반을 두고 있는 것은 아니지만, 계산 통계는 이 분야 방법의 중요한 소스입니다.

ML의 수학적 기초는 수학적 최적화(수학적 프로그래밍) 방법에 의해 제공됩니다. 데이터 마이닝은 감독되지 않은 학습을 통한 탐색적 데이터 분석(EDA)에 초점을 맞춘 관련된 (병렬) 연구 분야입니다.

 

이론적인 관점에서 아마도 대략적으로 올바른(PAC) 학습은 기계 학습을 기술하기 위한 프레임워크를 제공합니다.

 

역사

머신러닝이라는 용어는 IBM 직원이자 컴퓨터 게임과 인공지능 분야의 선구자인 아서 사무엘에 의해 1959년에 만들어졌습니다. 동의어인 독학 컴퓨터도 이 시기에 사용되었습니다.

가장 초기의 기계학습 모델은 1950년대 아서 사무엘이 각 면의 체커의 승산을 계산하는 프로그램을 발명했을 때 도입되었지만, 기계학습의 역사는 수십 년에 걸친 인간의 욕구와 인간의 인지 과정을 연구하려는 노력으로 거슬러 올라갑니다. 1949년 캐나다의 심리학자 도널드 헵은 신경세포 간의 특정한 상호작용에 의해 형성되는 이론적인 신경구조를 소개하는 책 '행동의 조직'을 출간했습니다. Hebb의 뉴런 상호작용 모델은 AI와 기계 학습 알고리즘이 노드 아래에서 어떻게 작동하는지 또는 컴퓨터가 데이터를 통신하기 위해 사용하는 인공 뉴런의 기초를 확립했습니다. 인간의 인지 시스템을 연구해 온 다른 연구자도 현대 기계 학습 기술에 공헌했습니다. 논리학자 월터 피트와 워렌 맥컬록을 비롯해 인간의 사고 과정을 반영하는 알고리즘을 고안하기 위해 신경망의 초기 수학 모델을 제안했습니다.

1960년대 초까지 사이버트론이라 불리는 펀치 테이프 메모리를 갖춘 실험적인 '학습 머신'이 레이시온사에 의해 개발되어 기본적인 강화 학습을 사용하여 소나 신호, 심전도 및 음성 패턴을 분석하고 있었습니다. 패턴을 인식하기 위해 인간 오퍼레이터/교사에 의해 반복적으로 훈련되었고, 잘못된 결정을 재평가시키기 위한 "goof" 버튼이 장착되었습니다. 1960년대 기계학습 연구에 관한 대표적인 책은 닐슨의 학습기계에 관한 책으로 주로 패턴 분류를 위한 기계학습을 다루고 있었습니다. 패턴 인식에 대한 관심은 1973년에 듀다와 하트에 의해 기술된 것처럼 1970년대까지 계속되었습니다. 1981년에 인공신경망이 컴퓨터 단말기에서 40자(26자, 10자리, 4개의 특수기호)를 인식하는 것을 학습하기 위한 교수 전략의 사용에 관한 보고가 이루어졌습니다.

 

현대 기계 학습에는 두 가지 목적이 있습니다. 하나는 개발된 모델을 기반으로 데이터를 분류하는 것이고, 다른 하나의 목적은 이러한 모델을 기반으로 미래의 결과를 예측하는 것입니다. 데이터 분류에 고유한 가상 알고리즘은 암성 몰을 분류하도록 훈련하기 위해 감시된 학습과 결합한 몰의 컴퓨터 비전을 사용할 수 있습니다. 주식 거래를 위한 기계 학습 알고리즘은 트레이더에게 미래의 잠재적인 예측을 통지할 수 있습니다.

 

인공지능과의 관계

과학적인 대처로서 기계 학습은 인공 지능(AI)의 탐구로부터 발전했습니다. 학문 분야로서의 AI 초기에는 일부 연구자들은 데이터에서 기계를 학습시키는 데 관심이 있었습니다. 그들은 다양한 상징적인 방법과 당시 '뉴럴 네트워크'라고 불리던 것을 사용하여 문제에 접근하려고 했습니다.이들 대부분은 나중에 일반화된 통계 선형 모델의 재발명으로 판명된 퍼셉트론 및 기타 모델이었습니다. 확률론적 추론도 특히 자동화된 의료 진단에 채택되었습니다.

하지만 논리적이고 지식 기반 접근 방식이 점점 강조되면서 AI와 머신러닝 사이에 균열이 생겼습니다. 확률론적 시스템은 데이터의 취득과 표현의 이론적 및 실제적인 문제에 시달리고 있었습니다. 1980년까지 전문가 시스템이 AI를 지배하게 되면서 통계는 좋지 않았습니다. 기호/지식 기반 학습에 대한 연구는 AI 내에서 지속되어 귀납 논리 프로그래밍(ILP)으로 이어졌지만, 보다 통계적인 연구 라인은 현재 패턴 인식과 정보 검색에 있어 AI의 적절한 분야 밖에 있었습니다. 신경망 연구는 AI와 컴퓨터 과학에 의해 거의 동시에 포기되었습니다. 이 노선은 Hopfield, Rumelhart, Hinton을 포함한 다른 분야의 연구자에 의해 「접속주의」로서 AI/CS 분야 이외에서도 계속되었습니다. 그들의 주요 성공은 1980년대 중반에 역전파의 재발명에 의해 이루어졌습니다. 

기계 학습(ML)은 독자적인 분야로 재편성되어 1990년대에 번영하기 시작했습니다. 이 분야는, 인공지능의 달성에서, 현실적인 성질의 해결 가능한 문제에의 대처로 목표를 변경했습니다. AI로부터 물려받은 상징적 접근에서 벗어나 통계학, 퍼지 논리학, 확률론에서 차용한 방법과 모델로 초점을 옮겼습니다.