AI를 위한 필수 수학

97

Chapter 3 -

데이터에 함수를 최적화시키는 방법

능 연구원의 전체 시간 중 약

5

%만이 머신러닝 모델을 학습하는 데 사용된다는 점이다. 대부분

의 시간은 데이터를 수집하고 정제하고 구성하며 데이터에 적합한 파이프라인을 생성하는 작

업에 사용된다. 따라서 머신러닝 모델의 학습은 전체 과정 중 한 단계에 불과하며 모델 학습을

위한 데이터가 준비되었다면 가장 쉬운 단계라고 할 수 있다. 이제 머신러닝 모델이 어떻게 작

동하는지 알아보자. 우리가 필요로 하는 대부분의 수학은 모델에 있다. 인공지능 연구자들은

항상 머신러닝 모델을 개선하고 이를 전체 파이프라인에 자동으로 적용하기 위해 노력하고 있

다. 따라서 결국에는 원시 데이터(스토리지, 하드웨어, 쿼리

query

프로토콜 등)부터 배포, 모니

터링에 이르는 전체 파이프라인에 대해 학습하는 것이 중요하다. 머신러닝 모델의 학습은 더

크고 흥미로운 이야기의 일부분에 불과하다.

회귀는 앞으로 살펴볼 대부분의 인공지능 모델과 애플리케이션에서 매우 중요한 개념이기 때

문에 회귀부터 시작해야 한다. 선형 회귀의 경우 분석적 방법으로 오차를 최소화하는 가중치를

찾는다. 또한 학습 데이터셋과 정답 레이블에 대해 최적의 가중치를 찾기 위한 명백한 공식이

있다. 선형 회귀 모델이 매우 단순하기 때문에 명백한 분석적 방법으로 문제를 해결할 수 있는

것이다. 대부분의 다른 모델에는 이런 명백한 해결 방법이 없으며 수치적 방법을 사용하여 최

솟값을 찾아야 한다. 수치적 해결 방법으로는 경사 하강법이 ...