AI를 위한 필수 수학

135

Chapter 3 -

데이터에 함수를 최적화시키는 방법

층이다. 마지막 층의 바로 앞 층은 몇 가지 고차원 피처를 마지막 층으로 전달한다. 신경망이

데이터를 여러 클래스로 분류하기를 원한다면 마지막 층 소프트맥스 층으로, 두 개의 클래스로

분류하기를 원한다면 마지막 층을 로지스틱 회귀 층으로 만들 수 있다. 또한 신경망이 수치 값

으로 예측하기를 원한다면 마지막 층을 회귀 층으로 만들 수 있다. 자세한 예시는 <

Chapter

5

합성곱 신경망과 컴퓨터 비전>에서 살펴본다.

3.7

유명한 머신러닝 방법과 앙상블 방법

회귀 및 로지스틱 회귀가 무엇인지 배운 후에는 머신러닝 커뮤니티에서 (회귀 및 분류 문제를

풀기 위한) 가장 인기 있는 방법들과 핵심 개념을 알아보는 것이 중요하다. 서포트 벡터 머신,

의사 결정 트리, 랜덤 포레스트는 분류와 회귀 문제를 모두 풀 수 있어 매우 인기 있는 모델이

다. 그렇다면 다음과 같은 질문들이 자연스럽게 따라온다. 특정 머신러닝 방법을 언제 사용해

야 할까? 어떤 방법을 사용하고 어떻게 예측과 결과의 근거로 사용할까? 이런 유형의 질문에는

머신러닝 모델에 관한 수학적 분석이 도움이 된다.

어떤 유형의 데이터셋이 어떤 머신러닝 방법과 잘 맞을지 등 각 방법에 관한 수학적 분석은 최

근 인공지능, 머신러닝, 데이터 과학 분야의 연구 인력과 자원이 증가한 후에야 비로소 주목받

기 시작했다. 현재의 관행은 같은 데이터셋에 대해 각 방법을 모두 시도해보고 가장 좋은 결과

를 취하는 방식을 사용하는 것이다. ...