손글씨로 작성한 숫자들은 왜 우리가 머신러닝을 이용해야 하는지 논의할 때 자주 사용되는 전형적인 예시이고, 우리도 예외는 아닙니다.
Below you can see examples of handwritten images from the very commonly used MNIST dataset.
아래에 MNIST 데이터 세트를 이용한 자주 사용되는 손글씨 사진을 예로 볼 수 있습니다.
The correct label (what digit the writer was supposed to write) is shown above each image. Note that some of the "correct” class labels are questionable: see for example the second image from left: is that really a 7, or actually a 4?
정확한 라벨(어떤 숫자가 작성자가 원래 작성하려 했던 숫자인지)은 각 사진 위에 나타납니다. 몇 개의 “알맞은” 라벨들은 의문을 품게 합니다: 왼쪽에서부터 두 번째 이미지를 한번 보세요: 이것은 정말로 7일까요? 아니면 4일까요?
Every machine learning student knows about the MNIST dataset. Fewer know what the acronym stands for. In fact, we had to look it up to be able to tell you that the M stands for Modified, and NIST stands for National Institute of Standards and Technology. Now you probably know something that an average machine learning expert doesn’t!
In the most common machine learning problems, exactly one class value is correct at a time. This is also true in the MNIST case, although as we said, the correct answer may often be hard to tell. In this kind of problem, it is not possible that an instance belongs to multiple classes (or none at all) at the same time. What we would like to achieve is an AI method that can be given an image like the ones above, and automatically spits out the correct label (a number between 0 and 9).
모든 머신러닝 학생들은 MNIST 데이터 세트에 대해 알고 있습니다. 이 약어의 의미를 아는 사람은 적습니다. 사실, 우리는 당신에게 M이 Modified를 나타내고, NIST가 National Institute of Standards and Technology를 나타낸다는 것을 알려주기 위해서 찾아보아야만 했습니다. 이제 당신은 아마도 평균적인 머신러닝 전문가들이 알지 못하는 무언가를 알게 되었습니다!
가장 일반적인 머신러닝 문제에서 한 번에 정확히 하나의 클래스 값이 정확합니다. 이것은 MNIST 경우에도 적용되지만, 비록 이렇게 말했어도 정확한 정답을 때로는 찾기 어려울 때도 있습니다. 이러한 문제들에서는 인스턴스가 동시에 여러 클래스에 속하는 것은(혹은 전혀 속하지 않거나) 가능하지 않습니다. 우리가 달성하려고 하는 것은 위와 같은 이미지가 주어졌을 때 (답은 하나로 정해져 있지만 헷갈리는) 자동으로 알맞은 라벨을 되돌려주는(0과 9 사이의 숫자 사이에서) AI 방법론입니다.
An automatic digit recognizer could in principle be built manually by writing down rules such as:
and so on...
This was how AI methods were mostly developed in the 1980s (so called “expert systems”). However, even for such a simple task as digit recognition, the task of writing such rules is very laborious. In fact, the above example rules wouldn’t be specific enough to be implemented by programming – we’d have to define precisely what we mean by “mostly”, “loop”, “line”, “middle”, and so on.
And even if we did all this work, the result would likely be a bad AI method because as you can see, the handwritten digits are often a bit so-and-so, and every rule would need a dozen exceptions.
원칙적으로 자동 숫자 인식기는 아래와 같은 규칙들을 적어가면서 수동으로 작성할 수 있습니다.
기타 등등
이것이 1980년대에 AI 방법론이 주로 개발된 방식이었습니다. (“전문가 시스템”이라고 불렸습니다) 그러나, 숫자 인식 같은 간단한 작업도, 이러한 규칙을 작성하는 것은 매우 고됩니다. 사실, 위와 같은 예시 규칙들은 프로그래밍으로 구현하기에는 충분히 구체적이지 않습니다. - 우리는 정확하게 우리가 의미하는 “대부분”, ”반복”, ”선”, ”중간”과 같은 단어들을 정의해야 합니다.
그리고 우리가 모두 이런 일을 한다고 하더라도, 결과는 아마도 좋지 않은 AI 방법론으로 보일 것입니다. 왜냐하면 당신이 보다시피, 손글씨 숫자는 제각기 다르며 모든 규칙은 수십 개의 예외처리가 필요합니다.
The roots of machine learning are in statistics, which can also be thought of as the art of extracting knowledge from data. Especially methods such as linear regression and Bayesian statistics, which are both already more than two centuries old (!), are even today at the heart of machine learning. For more examples and a brief history, see the timeline of machine learning (Wikipedia).
The area of machine learning is often divided in subareas according to the kinds of problems being attacked. A rough categorization is as follows:
머신러닝의 기원은 통계학인데 이는 데이터로부터 지식을 추출하는 예술로 여겨지기도 합니다. 특히 2세기도 더 된 선형회귀와 베이지안 통계이론과 같은 방법론(두 방법론 모두 다 200년도 더 되었습니다(!))들은 여전히 머신러닝의 주축이기도 합니다. 더 많은 예시와 간략한 역사를 알고 싶다면, 머신러닝 연대기를 찾아보세요. (위키피디아)
머신러닝의 영역은 때로는 공격받는 문제의 종류에 따라 세부영역으로 나누어집니다. 대략적인 분류는 다음과 같습니다.
Supervised learning: We are given an input, for example a photograph with a traffic sign, and the task is to predict the correct output or label, for example which traffic sign is in the picture (speed limit, stop sign, etc.). In the simplest cases, the answers are in the form of yes/no (we call these binary classification problems).
지도형 기계학습 : 교통 표지판이 포함된 이미지와 같은 입력값이 주어지면 이미지 속의 교통 표지판을 해석하는 과제(속도제한 표시, 멈춤 표시 등)를 해결하는 경우입니다. 가장 단순한 경우는 예/아니요 형식의 답을 도출합니다. (우리는 이것을 binary classification problems (이**항 분류 문제) 라고 부릅니다)**
Unsupervised learning: There are no labels or correct outputs. The task is to discover the structure of the data: for example, grouping similar items to form “clusters”, or reducing the data to a small number of important “dimensions”. Data visualization can also be considered unsupervised learning.
비지도형 기계학습 : 라벨이나 정확한 출력값을 밝혀내는 것이 아닌 데이터의 구조를 발견하는 것입니다. 예를 들어 유사한 항목을 그룹화하여 "클러스터"를 형성하거나 데이터를 소수의 중요한 "치수"로 줄입니다. 데이터 시각화도 비지도형 기계학습으로 간주됩니다.
Reinforcement learning: Commonly used in situations where an AI agent like a self-driving car must operate in an environment and where feedback about good or bad choices is available with some delay. Also used in games where the outcome may be decided only at the end of the game.
강화 학습 : 반드시 약간의 지연이 있더라도 좋은 선택 혹은 나쁜 선택인지에 대한 피드백이 가능한 환경 안에서만 작동해야 하는 AI 에이전트(자율 주행 자동차와 같은)가 작동해야 하는 상황에서 자주 쓰이는 머신러닝입니다. 또한 게임의 끝에서만 결과를 결정할 수 있는 게임 안에서도 사용됩니다.
Note