폴 다우니 | 플리커
머신 러닝은 점점 더 빈번 해지고있는 문구이지만, 많은 사람들이 아직도 그것이 무엇인지 정확히 알지 못합니다. 물론 그 이유가 있습니다. 아직 초기 단계에 있으며 많은 사람들이 아직 일반 인구에 영향을 미치지 않는 것으로 생각합니다. 실제로, 그것은 일부 사람들이 생각하는 것처럼 사실이 아닐 수도 있습니다.
그렇다면 머신 러닝이란 무엇입니까? 오늘날 어떤 용도로 사용되고 있습니까? 머신 러닝에 대해 알아야 할 모든 것에 대한 가이드입니다.
머신 러닝이란 무엇입니까?
간단히 말해서 기계 학습은 컴퓨터가 별도의 프로그래밍없이 학습 할 수있는 인공 지능의 한 형태입니다. 다시 말해, 소프트웨어는 프로그래머 나 엔지니어가 아무 것도 '학습'할 필요없이 스스로 새로운 것을 배울 수 있습니다. 기계 학습은 데이터를 가져 와서 패턴을 감지하고 솔루션을 찾은 다음 해당 솔루션을 다른 문제에 적용 할 수 있습니다.
이미지 : K? rlis Dambr? ns | 플리커
개념으로서의 기계 학습은 전혀 새로운 것이 아니라는 점에 주목하는 것이 중요합니다. 개념이 다른 형태의 기술과 합쳐진 개념을 고려할 때 개념의 정확한 기원을 추적하기는 어렵습니다. 머신 러닝 날짜는 컴퓨터에 지능이 있는지 확인하는 데 사용 된 튜링 테스트 생성까지 거슬러 올라갑니다. 그러나 처음 배우는 컴퓨터 프로그램은 1952 년 Arthur Samuel이 개발 한 체커 게임이었습니다. 이 게임은 더 많이 플레이할수록 좋아졌습니다.
그러나 최근의 기술은 기계 학습을 획기적으로 향상시킵니다. 예를 들어, 머신 러닝에는 많은 양의 처리 능력이 필요하므로 최근의 역사에서 기본적인 머신 러닝 만 개발하기 시작했습니다.
프로그래머가 머신 러닝을 구현하는 몇 가지 주요 방법이 있습니다. 첫 번째는 '감독 학습'입니다. 기본적으로 의미하는 것은 문제에 대한 해결책이 알려진 곳에서 기계에 문제가 발생한다는 것입니다. 학습 알고리즘은 원하는 결과와 함께 이러한 문제를 수신하여 문제의 패턴을 식별하고 그에 따라 행동합니다. 지도 학습은 종종 신용 카드 거래가 사기 일 수있는 경우와 같은 미래의 사건을 예측하는 데 사용됩니다.
기계 학습의 두 번째 구현을 '비지도 학습'이라고합니다. 이 경우 문제의 결과는 소프트웨어에 제공되지 않고 문제가 발생하여 데이터의 패턴을 감지해야합니다. 여기서 목표는 주어진 데이터에서 구조를 찾는 것입니다.
셋째는 '반 감독 학습'입니다. 이 머신 러닝 방법은 종종지도 학습과 같은 용도로 사용되지만 솔루션이있는 데이터와없는 데이터가 필요합니다. 자금이 제한되어 있고 회사가 학습 프로세스에 대한 전체 데이터 세트를 제공 할 수없는 경우 반 감독 학습이 종종 구현됩니다.
마지막으로 게임 및 로봇과 같은 것들에 특별히 사용되는 '강화 학습'입니다. 강화 학습은 기본적으로 시행 착오를 통해 학습됩니다. 기계는 사물을 시도하고 성공 또는 실패에 따라 학습합니다. 여기서 목표는 기계가 가능한 최상의 결과를 파악하는 것입니다.
물론, 이러한 모든 머신 러닝 방법에는 머신에 수십만 개의 문제와 방대한 양의 데이터를 공급하는 것이 포함됩니다. 실제로 데이터가 많을수록 좋습니다.
오늘날 머신 러닝은 어디에 사용됩니까?
돈의 사진 | 플리커
실제로 오늘날 머신 러닝이 사용되는 곳이 많이 있습니다. 이것들 중 많은 것들이 무대 뒤에서 있지만, 그것들 중 많은 것이 또한 매일 사용하는 무언가라는 것을 알고 놀랄 것입니다.
아마도 가장 많이 사용하는 것은 개인 비서 일 것입니다. 그렇습니다. Siri와 Google Now와 같은 사람들은 주로 음성 패턴을 더 잘 이해하기 위해 기계 학습을 사용합니다. Siri를 사용하는 수백만 명의 사람들이있는이 시스템은 언어, 억양 등을 처리하는 방법을 진지하게 발전시킬 수 있습니다.
물론 Siri는 머신 러닝의 유일한 소비자 애플리케이션이 아닙니다. 다른 용도로는 사기 감지와 같은 뱅킹이 있습니다. 예를 들어, 머신 러닝 알고리즘은 지출 패턴을 추적하여 과거의 사기 행위에 따라 사기가 될 가능성이 높은 패턴을 결정할 수 있습니다.
실제로 이메일조차도 기계 학습을 사용하고있을 수 있습니다. 예를 들어 스팸 전자 메일은 문제이며 시간이 지남에 따라 진화했습니다. 전자 메일 시스템은 기계 학습을 사용하여 스팸 전자 메일 패턴과 스팸 전자 메일 변경 방법을 추적 한 다음 이러한 변경 사항에 따라이를 스팸 폴더에 넣습니다.
결론
머신 러닝은 기술을 사용하는 방법과 기술이 우리를 도울 수있는 방법의 큰 부분으로 설정되었습니다. Siri에서 US Bank에 이르기까지 머신 러닝은 점차 보급되고 있으며 이는 계속 될 것입니다.
