Scikit-Learn과 PyTorch를 활용한 실전 머신러닝

1장. 머신 러닝 환경

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

얼마 전까지만 해도 휴대폰을 들고 집으로 가는 길을 알려달라고 요청하면 휴대폰은 이를 무시했을 것이고 사람들은 당신의 제정신에 의문을 제기했을 것입니다. 하지만 머신러닝은 더 이상 공상 과학 소설이 아닙니다. 매일 수십억 명의 사람들이 머신러닝을 사용하고 있습니다. 사실 머신러닝은 광학 문자 인식(OCR) 과 같은 일부 특수 애플리케이션에서 수십 년 동안 사용되어 왔습니다. 실제로 주류가 되어 수억 명의 삶을 개선한 최초의 ML 애플리케이션은 1990년대에 은밀하게 전 세계를 장악한 스팸 필터입니다. 이 필터는 정확히 자기 인식 로봇은 아니지만, 기술적으로는 머신 러닝이라고 할 수 있습니다. 실제로 이 필터는 매우 잘 학습하여 더 이상 이메일을 스팸으로 분류할 필요가 거의 없게 되었습니다. 그 후 빅 데이터, 하드웨어 개선, 몇 가지 알고리즘 혁신 덕분에 수백 개의 머신 러닝 애플리케이션이 등장했고 이제는 음성 안내, 자동 번역, 이미지 검색, 제품 추천 등 여러분이 일상적으로 사용하는 수백 개의 제품과 기능을 조용히 지원하고 있습니다. 그리고 마침내 ChatGPT, Gemini(이전의 Bard), Claude, Perplexity 및 기타 여러 챗봇이 등장했습니다: AI는 더 이상 백그라운드에서 서비스를 지원하는 것이 아니라 서비스 그 자체입니다.

머신러닝의 시작과 끝은 어디일까요? 기계가 무언가를 학습한다는 것은 정확히 무엇을 의미할까요? 모든 Wikipedia 문서의 사본을 다운로드하면 컴퓨터가 정말 무언가를 학습한 걸까요? 갑자기 더 똑똑해지나요? 이 장에서는 먼저 머신 러닝이 무엇이며 왜 머신 러닝을 사용해야 하는지를 명확히 설명하겠습니다.

그런 다음 머신 러닝 대륙을 탐험하기 전에 지도를 살펴보고 주요 지역과 가장 주목할 만한 랜드마크인 지도 학습과 비지도 학습 및 그 변형, 온라인 학습과 배치 학습, 인스턴스 기반 학습과 모델 기반 학습에 대해 알아볼 것입니다. 그런 다음 일반적인 ML 프로젝트의 워크플로우를 살펴보고, 직면할 수 있는 주요 과제에 대해 논의하며, 머신러닝 시스템을 평가하고 미세 조정하는 방법을 다룹니다.

이 장에서는 모든 데이터 과학자가 기본적으로 알아야 할 많은 기본 개념(및 전문 용어)을 소개합니다. 이 장은 개괄적인 개요(코드가 많지 않은 유일한 장입니다)로, 다소 단순하지만 책의 나머지 부분을 계속 진행하기 전에 모든 것을 명확하게 이해하도록 하는 것이 목표입니다. 그러니 커피 한 잔 들고 시작해 보겠습니다!

팁

머신 러닝 기본 사항에 이미 익숙하다면 2장으로 바로 건너뛰셔도 좋습니다. 잘 모르겠다면 각 장의 마지막에 나열된 모든 질문에 답해보고 넘어가세요.

머신러닝이란 무엇인가요?

머신러닝( 학습 )은 컴퓨터가 데이터로부터 학습할 수 있도록 프로그래밍하는 과학(및 예술)입니다.

다음은 조금 더 일반적인 정의입니다:

[기계 학습은 명시적으로 ...