챕터 1
머신러닝 개요
더 많은 데이터, 더 많은 질문, 더 좋은 해답
머신러닝 알고리즘을 통해 데이터에서 자연적 패턴을 찾아 데이터에 대한 이해를 넓히고 더 나은 결정과 예측을 할 수 있습니다. 이러한 알고리즘은 의료 진단, 주식 트레이딩, 에너지 부하 예측 등의 분야에서 중요한 결정을 내리는 데 매일 사용되고 있습니다. 미디어 사이트들은 머신러닝을 사용해 수백만 개의 옵션을 면밀히 조사하여 사용자에게 노래나 영화를 추천합니다. 소매업자는 머신러닝을 사용하여 고객의 구매 행동을 파악합니다.
자동차 및 제조 부문의 예측 정비
계산 금융 부문의 신용 평가 및 알고리즘 트레이딩
영상 처리 및 컴퓨터 비전 부문의 얼굴 인식 및 객체 검출
계산 생물학 부문의 종양 검출, 신약 발견 및 DNA 염기서열 분석
에너지 생산 부문의 가격 및 부하 예측
자연어 처리
어떤 알고리즘을 사용할지 어떻게 결정할 수 있을까요?
수십 개의 지도 머신러닝 알고리즘과 비지도 머신러닝 알고리즘이 있고 각각의 알고리즘은 서로 다른 학습 접근법을 사용하기 때문에 적합한 알고리즘을 선택하는 것이 막막하게 느껴질 수 있습니다. 하나의 최선의 방법 또는 모든 문제에 맞는 방법이란 없습니다. 올바른 알고리즘을 찾는 데는 어느 정도 시행착오가 필요합니다. 경험이 많은 데이터 과학자라고 해도 시도해보기 전에는 어느 알고리즘이 맞다고 이야기할 수 없습니다. 하지만 알고리즘 선택은 사용하는 데이터의 크기 및 유형, 데이터에서 얻고자 하는 이해, 이러한 이해를 사용하는 방식에 따라서도 달라집니다.
머신러닝은 언제 사용해야 합니까?
대량의 데이터와 많은 변수가 있지만 기존의 공식이나 수식이 없는 복잡한 작업 또는 문제가 있을 때 머신러닝 사용을 고려해 볼 수 있습니다. 예를 들어, 아래와 같은 상황에서는 머신러닝이 좋은 선택이 될 수 있습니다.
손으로 쓴 규칙 및 수식이 너무 복잡한 경우 - 예: 얼굴 인식 및 음성 인식
데이터의 특성이 지속적으로 변하며, 프로그램도 이에 따라 조정되어야 하는 경우 - 예: 자동 트레이딩, 에너지 수요 예측, 쇼핑 트렌드 예측
작업의 규칙이 지속적으로 변화하는 경우 - 예: 거래 기록에서 부정행위 탐지
