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.
159 lines
10 KiB
159 lines
10 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
|
|
"translation_date": "2025-09-05T10:49:01+00:00",
|
|
"source_file": "1-Introduction/1-intro-to-ML/README.md",
|
|
"language_code": "ko"
|
|
}
|
|
-->
|
|
# 머신 러닝 소개
|
|
|
|
## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "초보자를 위한 머신 러닝 소개")
|
|
|
|
> 🎥 위 이미지를 클릭하면 이 강의를 다루는 짧은 영상을 볼 수 있습니다.
|
|
|
|
초보자를 위한 고전적인 머신 러닝 과정에 오신 것을 환영합니다! 이 주제에 완전히 처음이든, 아니면 특정 영역을 복습하려는 경험 많은 ML 실무자든, 여러분을 환영합니다! 우리는 여러분의 ML 학습을 시작할 수 있는 친근한 출발점을 제공하고자 하며, 여러분의 [피드백](https://github.com/microsoft/ML-For-Beginners/discussions)을 평가하고, 응답하며, 반영할 준비가 되어 있습니다.
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "ML 소개")
|
|
|
|
> 🎥 위 이미지를 클릭하면 MIT의 John Guttag가 머신 러닝을 소개하는 영상을 볼 수 있습니다.
|
|
|
|
---
|
|
## 머신 러닝 시작하기
|
|
|
|
이 커리큘럼을 시작하기 전에, 여러분의 컴퓨터를 설정하고 로컬에서 노트북을 실행할 준비를 해야 합니다.
|
|
|
|
- **이 비디오를 사용하여 컴퓨터를 설정하세요**. [Python 설치 방법](https://youtu.be/CXZYvNRIAKM)과 [텍스트 편집기 설정 방법](https://youtu.be/EU8eayHWoZg)을 배우기 위해 아래 링크를 사용하세요.
|
|
- **Python 배우기**. 데이터 과학자에게 유용한 프로그래밍 언어인 [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott)에 대한 기본적인 이해가 필요합니다. 이 과정에서 Python을 사용합니다.
|
|
- **Node.js와 JavaScript 배우기**. 이 과정에서 웹 앱을 구축할 때 몇 번 JavaScript를 사용하므로 [node](https://nodejs.org)와 [npm](https://www.npmjs.com/)을 설치하고, Python과 JavaScript 개발을 위해 [Visual Studio Code](https://code.visualstudio.com/)를 사용할 수 있어야 합니다.
|
|
- **GitHub 계정 만들기**. 여러분이 [GitHub](https://github.com)에서 우리를 찾았다면 이미 계정이 있을 수도 있지만, 그렇지 않다면 계정을 만들고 이 커리큘럼을 포크하여 사용하세요. (별을 주는 것도 환영합니다 😊)
|
|
- **Scikit-learn 탐색하기**. [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)에 익숙해지세요. 이 과정에서 참조하는 ML 라이브러리입니다.
|
|
|
|
---
|
|
## 머신 러닝이란?
|
|
|
|
'머신 러닝'이라는 용어는 오늘날 가장 인기 있고 자주 사용되는 용어 중 하나입니다. 기술에 대해 어느 정도 친숙하다면, 여러분이 어떤 분야에서 일하든 이 용어를 적어도 한 번은 들어봤을 가능성이 높습니다. 그러나 머신 러닝의 작동 방식은 대부분의 사람들에게는 미스터리입니다. 머신 러닝 초보자에게는 이 주제가 때로는 압도적으로 느껴질 수 있습니다. 따라서 머신 러닝이 실제로 무엇인지 이해하고, 실용적인 예제를 통해 단계적으로 배우는 것이 중요합니다.
|
|
|
|
---
|
|
## 유행 곡선
|
|
|
|
|
|
|
|
> Google Trends에서 '머신 러닝' 용어의 최근 유행 곡선을 보여줍니다.
|
|
|
|
---
|
|
## 신비로운 우주
|
|
|
|
우리는 매혹적인 신비로 가득 찬 우주에 살고 있습니다. Stephen Hawking, Albert Einstein 등 위대한 과학자들은 우리 주변 세계의 신비를 밝히는 의미 있는 정보를 찾기 위해 평생을 바쳤습니다. 이것이 바로 인간의 학습 조건입니다. 인간의 아이는 새로운 것을 배우고 성장하면서 자신의 세계 구조를 해마다 밝혀냅니다.
|
|
|
|
---
|
|
## 아이의 뇌
|
|
|
|
아이의 뇌와 감각은 주변 환경의 사실을 인식하고, 점차 삶의 숨겨진 패턴을 배우며, 아이가 배운 패턴을 식별하기 위한 논리적 규칙을 만들도록 돕습니다. 인간 뇌의 학습 과정은 인간을 이 세상에서 가장 정교한 생명체로 만듭니다. 숨겨진 패턴을 발견하고 그 패턴을 혁신함으로써 우리는 평생 동안 더 나아질 수 있습니다. 이러한 학습 능력과 진화 가능성은 [뇌 가소성](https://www.simplypsychology.org/brain-plasticity.html)이라는 개념과 관련이 있습니다. 표면적으로, 인간 뇌의 학습 과정과 머신 러닝 개념 사이에 몇 가지 동기적 유사점을 그릴 수 있습니다.
|
|
|
|
---
|
|
## 인간의 뇌
|
|
|
|
[인간의 뇌](https://www.livescience.com/29365-human-brain.html)는 현실 세계에서 정보를 인식하고, 인식한 정보를 처리하며, 합리적인 결정을 내리고, 상황에 따라 특정 행동을 수행합니다. 이것이 우리가 지능적으로 행동한다고 부르는 것입니다. 지능적 행동 과정을 기계에 프로그램하면 이를 인공지능(AI)이라고 합니다.
|
|
|
|
---
|
|
## 몇 가지 용어
|
|
|
|
용어가 혼동될 수 있지만, 머신 러닝(ML)은 인공지능의 중요한 하위 집합입니다. **ML은 특수 알고리즘을 사용하여 인식된 데이터에서 의미 있는 정보를 발견하고 숨겨진 패턴을 찾아 합리적인 의사 결정 과정을 입증하는 데 중점을 둡니다**.
|
|
|
|
---
|
|
## AI, ML, 딥 러닝
|
|
|
|
|
|
|
|
> AI, ML, 딥 러닝, 데이터 과학 간의 관계를 보여주는 다이어그램. [Jen Looper](https://twitter.com/jenlooper)가 [이 그래픽](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)에서 영감을 받아 제작한 인포그래픽
|
|
|
|
---
|
|
## 다룰 개념
|
|
|
|
이 커리큘럼에서는 초보자가 반드시 알아야 할 머신 러닝의 핵심 개념만 다룰 것입니다. 우리는 주로 학생들이 기본을 배우는 데 사용하는 훌륭한 라이브러리인 Scikit-learn을 사용하여 '고전적인 머신 러닝'을 다룹니다. 인공지능이나 딥 러닝의 더 넓은 개념을 이해하려면 머신 러닝에 대한 강력한 기초 지식이 필수적이며, 이를 여기서 제공하고자 합니다.
|
|
|
|
---
|
|
## 이 과정에서 배우게 될 내용:
|
|
|
|
- 머신 러닝의 핵심 개념
|
|
- ML의 역사
|
|
- ML과 공정성
|
|
- 회귀 ML 기법
|
|
- 분류 ML 기법
|
|
- 군집화 ML 기법
|
|
- 자연어 처리 ML 기법
|
|
- 시계열 예측 ML 기법
|
|
- 강화 학습
|
|
- ML의 실제 응용 사례
|
|
|
|
---
|
|
## 다루지 않을 내용
|
|
|
|
- 딥 러닝
|
|
- 신경망
|
|
- AI
|
|
|
|
더 나은 학습 경험을 위해, 신경망을 사용하는 다층 모델링인 '딥 러닝'과 AI의 복잡성을 피할 것입니다. 이러한 주제는 다른 커리큘럼에서 다룰 예정입니다. 또한 데이터 과학에 초점을 맞춘 커리큘럼도 곧 제공할 예정입니다.
|
|
|
|
---
|
|
## 왜 머신 러닝을 공부해야 할까?
|
|
|
|
시스템 관점에서 머신 러닝은 데이터를 통해 숨겨진 패턴을 학습하여 지능적인 결정을 내리는 데 도움을 주는 자동화 시스템을 만드는 것으로 정의됩니다.
|
|
|
|
이 동기는 인간의 뇌가 외부 세계에서 인식한 데이터를 기반으로 특정한 것을 학습하는 방식에서 느슨하게 영감을 받았습니다.
|
|
|
|
✅ 비즈니스가 하드코딩된 규칙 기반 엔진 대신 머신 러닝 전략을 사용하려는 이유를 잠시 생각해 보세요.
|
|
|
|
---
|
|
## 머신 러닝의 응용
|
|
|
|
머신 러닝의 응용은 이제 거의 모든 곳에 있으며, 스마트폰, 연결된 장치, 기타 시스템에서 생성되는 데이터만큼이나 널리 퍼져 있습니다. 최첨단 머신 러닝 알고리즘의 엄청난 잠재력을 고려할 때, 연구자들은 다차원적이고 다학문적인 실제 문제를 해결하기 위해 그 능력을 탐구하고 있으며, 긍정적인 결과를 얻고 있습니다.
|
|
|
|
---
|
|
## 적용된 ML의 예
|
|
|
|
**머신 러닝은 다양한 방식으로 사용할 수 있습니다**:
|
|
|
|
- 환자의 병력이나 보고서를 바탕으로 질병 가능성을 예측합니다.
|
|
- 날씨 데이터를 활용하여 기상 현상을 예측합니다.
|
|
- 텍스트의 감정을 이해합니다.
|
|
- 가짜 뉴스를 감지하여 선전의 확산을 막습니다.
|
|
|
|
금융, 경제학, 지구과학, 우주 탐사, 생물의학 공학, 인지 과학, 심지어 인문학 분야에서도 머신 러닝을 채택하여 해당 분야의 어려운 데이터 처리 문제를 해결하고 있습니다.
|
|
|
|
---
|
|
## 결론
|
|
|
|
머신 러닝은 실제 데이터 또는 생성된 데이터에서 의미 있는 통찰력을 발견하여 패턴 발견 과정을 자동화합니다. 비즈니스, 건강, 금융 응용 분야 등에서 매우 가치가 있음을 입증했습니다.
|
|
|
|
머지않아 머신 러닝의 기본을 이해하는 것이 모든 분야의 사람들에게 필수적인 요소가 될 것입니다. 이는 머신 러닝의 광범위한 채택 때문입니다.
|
|
|
|
---
|
|
# 🚀 도전 과제
|
|
|
|
[Excalidraw](https://excalidraw.com/)와 같은 온라인 앱이나 종이를 사용하여 AI, ML, 딥 러닝, 데이터 과학의 차이에 대한 여러분의 이해를 스케치하세요. 각 기술이 해결하기에 적합한 문제에 대한 아이디어를 추가하세요.
|
|
|
|
# [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# 복습 및 자기 학습
|
|
|
|
클라우드에서 ML 알고리즘을 사용하는 방법에 대해 더 알아보려면 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.
|
|
|
|
ML의 기본에 대한 [학습 경로](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott)를 확인하세요.
|
|
|
|
---
|
|
# 과제
|
|
|
|
[시작하기](assignment.md)
|
|
|
|
---
|
|
|
|
**면책 조항**:
|
|
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서를 해당 언어로 작성된 상태에서 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다. |