기계 학습 이해
기계 학습에는 많은 양의 데이터를 알고리즘에 공급한 다음, 이 데이터를 처리하여 패턴과 관계를 찾는 작업이 포함됩니다.
예를 들어, 과거의 진공 청소 습관과 집의 레이아웃에 대한 데이터를 AI 모델에 제공하는 경우, 그 결과로 생성되는 모델을 사용하여 로봇 진공 청소기가 사용자와 비슷한 패턴으로 카펫을 청소하도록 프로그래밍할 수 있습니다. 이제 이러한 로봇의 대부분이 판매되어 모든 진공 청소 데이터를 개발자에게 다시 전송한다고 상상해 보세요. 기계 학습을 사용하여 패턴을 감지하면 훨씬 더 효율적인 이동 패턴을 검색하고 동일한 디자인으로 모든 로봇 진공 청소기의 경로를 최적화할 수 있습니다.
첫 번째 비디오에서는 기계 학습이 무엇인지 더 잘 이해하게 될 것입니다.
기계 학습은 알고리즘을 사용하여 예측 모델을 만드는 AI 기술입니다. 이러한 모델은 알려진 데이터에 대해 검증되고 특정 메트릭으로 측정되며 필요에 따라 조정됩니다. 이러한 학습 및 유효성 검사 프로세스를 학습이라고 합니다. 기계 학습 모델은 재학습을 통해 시간이 지남에 따라 개선됩니다. 또한 감독 학습, 감독되지 않은 학습 및 강화 학습과 같은 모델을 학습하는 방법에 대한 주요 방법론도 있습니다.
다음 비디오에서는 이러한 방법론의 차이점을 알아보고 이를 계층으로 결합하는 딥 러닝이라는 방식을 소개합니다.