6.3 인공지능

Q1) 머신 러닝과 딥러닝의 차이점은 무엇인가요?

A1) 머신 러닝이란 데이터의 특징을 바탕으로 모델을 학습시키는 방식입니다. 여기서 학습은 데이터에서 추출한 특징을 바탕으로 일반화해 결과를 도출하는 것을 의미합니다. 딥러닝은 인공 신경망을 기반으로 하는 머신 러닝의 한 분야입니다. 히든 레이어로 구성된 신경망을 이용해 데이터를 학습하고 결과를 도출하며, 이미지 인식, 음성 인식 등 다양한 분야에서 활영되고 있습니다.

 

Q2) 머신 러닝의 학습 방식인 지도 학습, 비지도 학습, 강화 학습에 대해 설명해 주세요.

A2) 첫 번째, 지도 학습은 정답이 있는 데이터, 즉 입력 값에 대한 결과 값을 같이 학습시키는 방식입니다. 분류와 회귀가 지도 학습에 해당합니다. 두 번째, 비지도 학습은 데이터에 정답을 주지 않고 비슷한 특징을 갖는 데이터를 모으면서 학습하는 방식입니다. 클러스터링이 대표적인 예입니다. 마지막으로, 강화 학습은 주어진 상황에서 선택의 결과에 따른 보상으 ㄹ바탕으로 학습하는 방식입니다. 자율 주행, 알파고 등이 강화 학습을 사용한 대표적인 사례입니다.

 

Q3) 머신 러닝에서 모델을 학습시킬 때 학습 데이터에 대한 정확도가 1이 되면 학습이 잘 되었다고 할 수 있나요?

A3) 정확도가 1인 경우 모델이 학습 데이터에 대해 과적합일 수 있으므로 학습이 잘 되었다고 볼 수 없습니다. 학습 데이터가 과적합되면 다른 데이터에 대해 원하는 결과를 얻지 못할 확률이 높습니다. 따라서 테스트용 데이터 세트를 이용한 모델 학습이 잘 되었는지 반드시 확인해야 합니다. 추가로, 과적합되는 것을 예방하기 위해 더 많은 데이터를 수집하거나 모델이 일정 성능에 도달할 때 학습을 조기 종료, 모델을 단순화하는 등의 방법이 있습니다.