내 언어로 정리하는 머신러닝1

이번 학기 딥러닝과 머신러닝을 동시에 수강중인데,
머신러닝은 영어수업, 딥러닝은 한국어 수업이다.. 
그래서인지 딥러닝 수업은 엄청 재밌게 듣고 있고 과제하는것도 재밌는데 머신러닝은 ......... 

 

딥러닝과 겹치는 개념이 정말 많아서 다행히도 여러가지 개념이 익숙하긴 하지만, 
수업이 영어다보니 이해하는데 시간이 오래걸려서 공부하는 데에 더 시간이 오래걸리는 듯 하다. 

그래서 내가 선택한건 내 언어로! 물론 한국어로! 머신러닝 정리해보기 !! 

수업시간에 배우는 deep한 내용을 제외하고 나의 지적 자산을 쌓는 느낌으로 차곡차곡 쌓아보려 한다. 

 

 

우선 나에게 가장 익숙한 생코 선생님께서 머신러닝 강의도 만드셨길래 재미로 들어보려고 한다.

그리고 내 학교 수업 자료를 살펴본 다음에 부족한 개념은 다른 유튜브 자료나 블로그들을 좀 찾아볼 생각이다.

그래도 이해가 안되는 개념과 개념 간의 관계들은 챗지피티 선생님께 도움을 요청해볼 것이다. 

 

🎱 ACTION PLAN 
1) 생활코딩 머신러닝 강의 듣기 -> 블로그 원페이저로 만들기 (바로 이 게시글) 

2) 학교 수업 자료 쭉 읽기 (기말고사 예상문제 위주로)

3) 구글링, chatGPT 도움 받기 

4) 블로그에 정리하기! 

 

1. 오리엔테이션

• 만약 해결하고자 하는 문제가 크고 개인적인 것이라면, 공부는 문제를 해결해주는 구원자가 될 수 있다.
• 반면, 사소한 남의 문제에 집중하게 되면 공부는 오히려 문제를 키우는 독재자가 될 수 있다.

 

2. 머신러닝이란

사람들은 선택지의 복잡성 속에서 어려움을 겪지만, 머신 러닝은 숫자와 통계를 활용해 이를 해결하는 강력한 도구이다. 인류는 좋은 결정을 하기 위해 몸부림쳤으며, 그 흔적을 찾을 수 있다. 컴퓨터의 등장으로 단순 계산에서 해방되어 결정 능력이 비약적으로 향상되었다. 머신 러닝은 기계에게 스스로 결정할 수 있는 능력을 부여하기 위한 기술이다. 머신 러닝은 인간의 판단 능력을 확장하여 더욱 빠르고 정확한 결정을 가능하게 하는 도구이다. 머신 러닝이 발전하더라도 두뇌가 필요 없는 상황이 결정적으로 발생하지는 않는다.

 

 

 

 

 

3. 꿈 

이 수업의 목적은 개인의 문제를 머신 러닝으로 해결하는 것이다. 해결하고자 하는 문제가 없다면, 현재의 노력은 목적 없는 수단에 불과하다. 이 강의에서는 '손톱을 깨무는 습관'이라는 문제를 빌려준다. 습관은 의지를 이기고, 의지는 환경을 이기며, 환경은 습관을 이긴다. 의지를 바탕으로 환경을 조정함으로써 습관 변경의 가능성을 높일 수 있다. 머신러닝을 활용하여 손톱을 깨무는 행동을 알려줄 수 있는 환경을 만드는 것이 가능할 것으로 보인다. 

 

 

 

 

4. 궁리하는 습관

일 = 꿈 + 능력 
물론 우린 아직 습관의 고치는 앱을 만드는 능력이 없다.
하지만 이럴수록 능력이 있다고 간주하고 꿈을 먼저 꾸는 것이 중요하다. 우리의 꿈이 능력에 주눅들지 않도록 하기 위해서 능력을 키워야한다.  꿈만 꾸는 사람은 종종 몽상가로 치부되지만, 현재는 꿈을 현실로 만드는 기술이 발전하고 있다.

앞서 꾼 꿈인 손톱을 깨무는 행동을 알려줄 수 있는 환경을 만들기 위해 머신 러닝을 이용해 손톱을 깨물고 있는 사진과 깨물지 않고 있는 사진을 학습시켜야 한다. 학습이 완료된 컴퓨터는 새로운 사진을 분석하여, 보여준 적이 없는 사진에서도 손톱을 깨물고 있는지 여부를 판단할 수 있다.

 이 공부의 목적은 머신 러닝을 도구로 활용할 수 있는 방법을 고민하는 것이다! 과거에는 궁리하는 것이 실현하기 어려워 가치가 낮았던 시기가 있었다. 그러나 현재 우리는 궁리가 단순한 몽상이 아니라 혁명으로 이어질 수 있는 시대에 살고  있기에, 혁신의 가능성이 있는 시대에 궁리하지 않는 것은 큰 손해이다! 

 

 

 

 

5. Teachable machine

Teachable Machine을 통해 누구나 쉽게 머신러닝을 활용하는 방법에 대해 소개한다. 내가 딥러닝 수업에서 직접 Roboflow를 만들었던 것과 비슷하다. 생코 교수님께서는 이 영상을 통해 신기해하는 것의 중요성을 강조하시는데, 난 이미 신기한 단계는 지나가서 그냥 재밌게 들었다.ㅎㅎ  손톱 뜯는 장면과 가만히 있는 장면 두가지 클래스를 학습시켜 모델을 다운로드 받는다. 우리가 학습시킨 '판단력'이 담긴 자료라고 표현하며, 아마 뒤에 모델에 대해 설명하실 듯 하다. 

 

 

 

 

6. Model

머신러닝이란 판단력 (=모델) 을 기계에게 부여하는 기술이라고 할 수 있다. 모델을 만드는 과정을 학습이라고 한다. 모델을 잘 만들게 되면 좋은 추측을 할 수 있다. 추측이 정확해야 더 좋은 결정을 할 수 있다. 

 

 

 

 

 

 

 

7. 머신러닝머신

앞서 teachable machine 에서 만든 모델을 ml-app.yah.ac 링크에 방문해 업로드하면 블럭코딩을 해서 어플리케이션을 만들 수 있다. 앱인벤터와 비슷하다! 클래스 갯수대로 블럭이 만들어지는데, 이때 블럭 안에 확률이 함께 표시되는데, 이는 웹에서 카메라 권한을 켜면 내 모션을 인식하는 것이다. 이 앱을 통해 손톱 깨물고 있을 확률이 80퍼센트 이상일 때 '그 손 당장 내려놔!' 라고 외치는 앱을 만들 수 있다. 이를 통해 우리는 손톱을 깨물어 있는지를 판단해주는 모델을 응용해서 습관을 교정하는 어플리케이션을 만들었다. 

 

 

 

 

8. 애플리케이션과 프로그램 

애플리케이션 : 응용 / 어떤 기능을 부품으로 응용해서 만든 완제품

오늘날 이런 부품들이 어마어마하게 많다. 부품을 잘 활용하면 그 부품의 원리를 몰라도 이용할 수 있다. 

프로그램: 시간의 흐름에 따라 순서대로 동작, 기계가 해야할 일을 기계가 알아들을 수 있는 방식으로 적는 것, 이것이 프로그래밍! 또 한번 자축을 한다..  새삼 느끼는건데 생코 교수님 오랜만에 보니 왜 내가 코딩에 재미를 붙이고 컴공을 선택할 수 있었는지 알겠다.  심지어는 딥러닝 머신러닝 수업 거의 다 들은 전공자도 이 학문을 공부하는 시각 자체를 바꿔준다. 

 

 

 

 

9. 모르면 마법, 알면 기술 

머신러닝과 IoT 기술의 융합을 통해 우리의 생활이 변화하고 있다. 제한된 기능에서 벗어나, 더 많은 가능성을 가진 IoT 기기들이 이제 스스로 판단하고 행동할 수 있게 되었다. 데이터를 활용한 예측 모델 구축은 과거에는 과학자만의 영역이었으나, 이제는 일반인도 접근 가능한 기술로 자리잡았다. 이러한 변화는 단순히 자동화를 넘어서, 우리의 상상력을 동원하여 창의적인 문제 해결을 가능하게 한다.

 

 

10. 교양의 끝

11. 직업의 시작 

12. 표

데이터의 모임. 하나의 관측치를 행으로, 그 특성을 열로 나눔 

 

 

 

 

 

 

 

13. 독립변수와 종속변수 

표에서 열은 변수라고 한다. 

레몬판매에서 온도는 독립변수, 판매량은 종속변수이다. 이 온도와 판매량의 관계를 인과관계라고도 할 수 있는데, 인과관계는 상관관계 안에 포함되는 개념이다. 

 

 

 

 

 

 

14. 심리전

15. 머신러닝의 분류

 

supervised learning(지도학습) : 데이터와 정답을 알려주고 모델을 만듦 

unsuoervised learing(비지도학습) : 데이터에 대한 통찰력을 부여함. 정답을 알려주지 않고 관찰을 통해 의미나 관계를 밝혀냄 

reinforcement learing(강화학습) : 어떻게 하는 것이 더 좋은 결과를 낼 수 있는지 스스로 노력하는 수련과 비슷 

 

 

---

16. 지도학습 

독립변수와 종속변수의 관계를 컴퓨터에 학습시키면 컴퓨터는 그 관계를 설명할 수 있는 공식(모델)을 만들어낸다. 

모델은 데이터가 많을수록 정확하다. 이렇게 학습을 시키면 결과를 모르는 원인을 모델에 입력했을 때 모델이 결과를 계산해서 알려준다. 

 

 

 

 

 

 

17. 회귀

지도학습은 크게 분류(classification)와 회귀(regression)로 나뉜다. 

예측하고 싶은 종속변수가 숫자일 때 보통 회귀를 사용한다. 바로 위의 레몬에이드 예제도 회귀를 이용한 것이다.

왼쪽은 회귀의 사례들이다. 

 

 

 

 

 

18. 분류 

일반적으로 손톱 예제, 바이러스를 검사해서 양성과 음성으로 나누는것, 장난감을 장난감 박스에 넣는 것. 이것은 지도학습이자 분류이다. 

과거에 만든 데이터를 통해서 배우고, 이 데이터가 독립변수와 종속변수로 이루어져있기 때문이다. 손톱 예제에서 사진들은 독립변수이고, '손톱', '정상' 같은 라벨들은 종속변수이다. 결과가 이름 혹은 문자이면 지도학습의 분류이다. 

 

정리하자면, 가지고 있는 데이터에 독립변수(원인)와 종속변수(결과)가 있고, 종속변수가 숫자면 회귀, 이름이면 분류를 이용하면 된다. 

 

---

 

비지도 학습에는 군집화, 변환, 연관이 있다. 

 

19. 군집화 (clustering)

군집화는 비슷한 것들을 찾아서 그룹(cluster, 군집)을 만드는 것으로, 이는 지도학습의 분류와 헷깔릴 수 있다. 어떤 대상들을 구분해서 그룹을 만드는 것이 군집화라면, 분류는 어떤 대상이 어떤 그룹인지 알아내는 것이다. 

 

 

 

 

 

20. 연관규칙학습 (Association rule learning)

연관 규칙 학습은 장바구니 학습으로도 알려진 비지도 학습에 속하는 도구이다. 쇼핑 추천, 영화 추천, 검색어 추천, 동영상 추천 등은 과거에 연관 규칙 학습을 통해 구현되었다. 라면을 구입한 사람은 계란을 구입할 확률이 높다는 사실이 관찰되었을 때, 이는 라면과 계란이 서로 연관성이 높다는 것을 의미한다. 연관성을 파악할 경우, 고객이 미처 구입하지 않았지만 구입할 가능성이 높은 상품을 추천할 수 있다. 연관 규칙은 서로 관련이 있는 특성을 찾아주는 머신러닝 기법으로, 관측치를 그룹핑하고, 군집 특성을 그룹핑해주는 과정이 필요하다.

 

 

 

 

21. 비지도 학습 정리 

지도 학습은 데이터의 성격을 파악하는 탐험적 과정이며, 독립변수와 종속변수의 구별이 필요하지 않다.

비지도 학습은 과거의 원인과 결과를 바탕으로 결과를 모르는 원인의 결과를 추측하는 것이 목적이며, 반드시 원인인 독립변수와 결과인 종속변수가 필요하다.

비지도 학습 역시 데이터의 성격을 파악하는 것을 궁극적인 목표로 삼고 있다. 변환은 까치밥으로 남겨두심.. 

 

---

 

22. 강화학습(reinforcement learning) 

강화학습은 경험을 통해 실력을 키우는 방법으로, 행동의 결과에 따라 보상을 받거나 벌을 받는 과정을 반복한다. 게임 실력을 키우는 과정을 비유로 통해 강화학습의 개념을 이해할 수 있다.

• 게임은 게이머에게 현재 상태를 표시하며, 캐릭터의 위치, 장애물 여부, 현재 점수 등의 정보를 제공한다. ➡️  환경(environment)
• 게이머(agent)는 이러한 상태(state)를 관찰하여, 정해진 목표에 따라 행동하며 판단(policy)력을 발휘해야 한다.
• 관찰 결과에 따라 더 많은 상(reward)을 받고 더 적은 벌을 받을 수 있는 행동을 판단하게 되고, 이는 게이머의 판단력 강화(reinforcement) 로 이어진다.
• 반복적인 이러한 과정은 게임에서 실력 향상을 가져오며, 이는 여러 상황에서도 적용될 수 있다.

---

23. 머신러닝 지도 

 

 

24. 수업을 마치며 

이제 우린 머신러닝 엔지니어가 되었다! 머신 러닝 엔지니어가 되었다는 것은 철학적인 의미에서 중요한 변화를 의미한다. 

숙련된 머신 러닝 엔지니어와의 차이는 크지만, 철학적으로는 차이가 없다. 머신 러닝의 부품을 결합함으로써 유용한 완제품을 만들 수 있는 기회가 주어진다. 이제 우리는 머신 러닝을 활용하여 생산자로서의 역할을 수행할 준비가 되었다!

 

 

 

25. 개인적 소감

듣다보니 생각보다 더더 베이직한 내용이라 중간에 때려칠까 생각도 잠시 했지만, 결론적으로 듣기를 참 잘한 강의같다. 

총 재생목록의 러닝타임이 1시간 대로, 편하게 들어도 좋을 것 같다. 

대학교 생활을 마무리하는 과정에서, 점점 이 배움들을 대하는 자세에서 즐거움보다는 앞으로 더 채워야할 부분만 바라보게 되었던.. 내 변질된 시각을 객관적으로 바라본 느낌이다. 생코교수님은 중간중간 축하를 많이 해주시는데, 이게 내 장기 기억에 도움을 많이 줄 것 같다고 느꼈다. 나도 스스로 텀을 두고 되돌아보며, 배웠던 걸 시각적으로 정리하고, 소화시키고 넘어가야겠다고 다짐하게 되었다. 

 

배움과 기쁨의 연결고리를 잊지 않고 살아가고 싶다.