You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
157 lines
10 KiB
157 lines
10 KiB
# 머신러닝 소개
|
|
|
|
## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "초보자를 위한 머신러닝 소개 - ML for beginners")
|
|
|
|
> 🎥 위 이미지를 클릭하면 이 수업을 다루는 짧은 영상을 볼 수 있습니다.
|
|
|
|
초보자를 위한 고전적 머신러닝 강의에 오신 것을 환영합니다! 이 주제가 처음이든 경험 많은 ML 실무자든 이 분야를 복습하고 싶든, 저희와 함께 하게 되어 기쁩니다! 여러분의 ML 학습 출발점을 친근하게 만들고 싶으며, 여러분의 [피드백](https://github.com/microsoft/ML-For-Beginners/discussions)을 평가하고 답변하며 반영하고자 합니다.
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "ML 소개")
|
|
|
|
> 🎥 위 이미지를 클릭하면 MIT의 John Guttag가 소개하는 머신러닝 영상입니다.
|
|
|
|
---
|
|
## 머신러닝 시작하기
|
|
|
|
이 커리큘럼을 시작하기 전에, 노트북을 로컬에서 실행할 수 있도록 컴퓨터를 준비해야 합니다.
|
|
|
|
- **이 영상들로 기기 설정하기**. 다음 링크에서 [Python 설치 방법](https://youtu.be/CXZYvNRIAKM)과 개발을 위한 [텍스트 편집기 설정 방법](https://youtu.be/EU8eayHWoZg)을 학습하세요.
|
|
- **Python 배우기**. 이 코스에서 사용하는 데이터 과학자에게 유용한 프로그래밍 언어인 [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott)의 기본 이해도 권장합니다.
|
|
- **Node.js와 JavaScript 배우기**. 웹 앱 개발 시 JavaScript를 몇 번 사용하므로, [node](https://nodejs.org)와 [npm](https://www.npmjs.com/), 그리고 Python과 JavaScript 개발용 [Visual Studio Code](https://code.visualstudio.com/)가 필요합니다.
|
|
- **GitHub 계정 만들기**. 이미 [GitHub](https://github.com)에 계정이 있을 수도 있지만, 없다면 생성하고 이 커리큘럼을 포크하여 사용하세요. (별점도 주시면 감사해요 😊)
|
|
- **Scikit-learn 익히기**. 이 수업에서 참조하는 ML 라이브러리 모음인 [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)을 익숙하게 사용해 보세요.
|
|
|
|
---
|
|
## 머신러닝이란?
|
|
|
|
'머신러닝'이라는 용어는 오늘날 가장 인기 있고 빈번히 사용되는 단어 중 하나입니다. 기술에 어느 정도 익숙하다면 어떤 분야에서든 적어도 한 번 이 용어를 들어봤을 가능성이 큽니다. 하지만 머신러닝의 매커니즘은 대부분의 사람에게 미스터리로 남아 있습니다. 초보자에게는 때로 이 주제가 벅찰 수 있습니다. 그러므로 머신러닝이 실제로 무엇인지 이해하고, 실용적인 예제를 통해 단계별로 배우는 것이 중요합니다.
|
|
|
|
---
|
|
## 과대광고 곡선
|
|
|
|
|
|
|
|
> Google Trends가 보여주는 ‘머신러닝’ 용어의 최근 과대광고 곡선
|
|
|
|
---
|
|
## 신비로운 우주
|
|
|
|
우리는 흥미로운 미스터리로 가득한 우주에 살고 있습니다. 스티븐 호킹, 알베르트 아인슈타인 같은 위대한 과학자들이 주변 세계의 미스터리를 밝히기 위해 평생을 바쳤습니다. 이것이 바로 학습이라는 인간의 본성입니다: 인간 아이는 성장하며 매년 새 것을 배우고 자신을 둘러싼 세계의 구조를 밝혀냅니다.
|
|
|
|
---
|
|
## 아이의 두뇌
|
|
|
|
아이의 두뇌와 감각은 주변 환경의 사실을 인지하고 점차 인생의 숨겨진 패턴을 배우며 배운 패턴을 식별할 논리적 규칙을 만듭니다. 인간 두뇌의 학습 과정 덕분에 인간은 이 세상에서 가장 고도로 발달한 생명체가 되었습니다. 숨겨진 패턴을 발견하고 혁신하며 계속 학습하는 능력은 평생 동안 자신을 점점 더 발전시키게 합니다. 이러한 학습 능력과 진화하는 역량은 [뇌 가소성](https://www.simplypsychology.org/brain-plasticity.html)이라는 개념과 관련 있습니다. 표면상으로 인간 두뇌의 학습 과정과 머신러닝 개념 간에 동기 부여 차원의 유사성을 그려볼 수 있습니다.
|
|
|
|
---
|
|
## 인간 두뇌
|
|
|
|
[인간 두뇌](https://www.livescience.com/29365-human-brain.html)는 실제 세계의 사물을 인지하고, 인지한 정보를 처리하며, 합리적 결정을 내리고, 상황에 따라 특정 행동을 수행합니다. 이것이 바로 우리가 지능적으로 행동한다 부르는 것입니다. 이런 지능적 행동 과정을 기계에 프로그래밍 하면 인공지능(AI)이라 합니다.
|
|
|
|
---
|
|
## 용어 설명
|
|
|
|
용어가 혼동될 수 있지만, 머신러닝(ML)은 인공지능의 중요한 하위 분야입니다. **ML은 인지한 데이터에서 의미 있는 정보를 찾아내고 숨겨진 패턴을 발견하여 합리적 의사결정 과정을 뒷받침하는 데 특화된 알고리즘을 사용하는 것입니다**.
|
|
|
|
---
|
|
## AI, ML, 딥러닝
|
|
|
|
|
|
|
|
> AI, ML, 딥러닝, 데이터 과학 간 관계를 보여주는 다이어그램. Jen Looper가 만든 인포그래픽으로 [이 그래픽](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)을 기반으로 제작
|
|
|
|
---
|
|
## 다룰 개념
|
|
|
|
이 커리큘럼에서는 초보자가 반드시 알아야 할 머신러닝 핵심 개념만 다룹니다. 주로 많은 학생이 기본 배우기에 적합한 뛰어난 라이브러리인 Scikit-learn을 사용한 '고전 머신러닝'을 다룹니다. 인공지능이나 딥러닝의 폭넓은 개념을 이해하려면 머신러닝의 탄탄한 기초 지식이 필수이므로, 여기에 제공합니다.
|
|
|
|
---
|
|
## 이 강의에서 배우는 내용:
|
|
|
|
- 머신러닝 핵심 개념
|
|
- ML의 역사
|
|
- ML과 공정성
|
|
- 회귀 ML 기법
|
|
- 분류 ML 기법
|
|
- 군집 ML 기법
|
|
- 자연어 처리 ML 기법
|
|
- 시계열 예측 ML 기법
|
|
- 강화 학습
|
|
- ML의 실세계 응용
|
|
|
|
---
|
|
## 다루지 않을 내용
|
|
|
|
- 딥러닝
|
|
- 신경망
|
|
- AI
|
|
|
|
더 나은 학습 경험을 위해 신경망, '딥러닝'(신경망을 여러 겹 쌓는 모델 구축), AI의 복잡성은 이 커리큘럼에서 다루지 않습니다. 이 분야에서 데이터 과학에 초점을 맞춘 향후 데이터 과학 커리큘럼도 제공할 예정입니다.
|
|
|
|
---
|
|
## 왜 머신러닝을 공부해야 하는가?
|
|
|
|
시스템 관점에서 머신러닝은 데이터에서 숨겨진 패턴을 학습하여 지능적 의사결정을 돕는 자동화 시스템을 만드는 것이라 정의합니다.
|
|
|
|
이 동기는 인간 두뇌가 외부 세계에서 인지한 데이터를 기반으로 특정 것들을 학습하는 방식을 느슨하게 영감받았습니다.
|
|
|
|
✅ 왜 비즈니스가 하드코딩된 규칙 기반 엔진 대신 머신러닝 전략을 사용하려 할지 잠시 생각해 보세요.
|
|
|
|
---
|
|
## 데이터 품질이 중요한 이유
|
|
|
|
고품질 데이터는 모델 성능을 향상시킵니다. 불량하거나 노이즈가 많은 데이터는 첨단 머신러닝 알고리즘을 사용해도 부정확한 예측을 초래할 수 있습니다.
|
|
|
|
---
|
|
## 머신러닝의 응용
|
|
|
|
머신러닝 응용은 이제 거의 모든 곳에 있으며, 스마트폰, 연결된 기기, 기타 시스템에서 생성되는 데이터만큼이나 편재합니다. 최신 머신러닝 알고리즘의 방대한 가능성을 감안해, 연구자들은 다차원적이고 다학문적 실제 문제들을 긍정적 결과와 함께 해결할 수 있는 능력을 탐구하고 있습니다.
|
|
|
|
---
|
|
## 실제 ML 사례
|
|
|
|
**머신러닝은 다양한 방식으로 활용할 수 있습니다**:
|
|
|
|
- 환자의 병력이나 검사 결과를 바탕으로 질병 가능성을 예측
|
|
- 날씨 데이터를 활용해 기상 이벤트 예측
|
|
- 텍스트의 감성 분석
|
|
- 가짜 뉴스 탐지 및 선전 확산 방지
|
|
|
|
금융, 경제, 지구과학, 우주 탐사, 생물의공학, 인지과학, 인문학까지도 머신러닝을 도입해 방대한 데이터 처리 문제를 해결하고 있습니다.
|
|
|
|
---
|
|
## 결론
|
|
|
|
머신러닝은 실제 세계 또는 생성된 데이터에서 의미 있는 통찰을 찾아 패턴 발견 과정을 자동화합니다. 이는 비즈니스, 건강, 금융 분야 등에서 매우 가치 있음을 입증했습니다.
|
|
|
|
머신러닝 기초 이해는 앞으로 모든 분야 사람에게 필수 사항이 될 것입니다, 그만큼 광범위하게 채택되고 있습니다.
|
|
|
|
---
|
|
# 🚀 도전 과제
|
|
|
|
종이나 [Excalidraw](https://excalidraw.com/) 같은 온라인 앱을 이용해 AI, ML, 딥러닝, 데이터 과학의 차이점을 본인의 이해대로 그려보세요. 각 기술이 잘 해결하는 문제에 대한 아이디어도 추가하세요.
|
|
|
|
# [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# 복습 및 자기 주도 학습
|
|
|
|
클라우드에서 ML 알고리즘을 다루는 방법을 더 배우려면 이 [학습 경로](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott)를 따라가세요.
|
|
|
|
ML 기초를 학습하려면 [학습 경로](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott)를 이용하세요.
|
|
|
|
---
|
|
# 과제
|
|
|
|
[실습 시작하기](assignment.md)
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**면책 조항**:
|
|
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역은 오류나 부정확한 부분이 있을 수 있음을 유의하시기 바랍니다. 원본 문서의 원어본이 권위 있는 자료로 간주되어야 합니다. 중요한 정보의 경우, 전문가의 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |