머신러닝 1-1 ~ 1-3

 

• AI: 인간의 지능을 요구하는 업무를 수행하기 위한 시스템
• Machine Learning: 관측된 패턴을 기반으로 의사 결정을 하기 위한 알고리즘
• Deep Learning: 인공신경망을 이용한 머신러닝
• Data science: AI를 포괄하여 통계학과 컴퓨터공학을 바탕으로 발전한 융합학문
• Data Analysis: 데이터 집계, 통계 분석, 머신러닝을 포함한 행위

 📌 머신러닝(Machine Learning, ML)은 기술 통계 등을 통하여 집계된 정보로 의사결정을 했던 과거와 달리 데이터 수집과 처리 기술의 발전으로 대용량 데이터의 패턴을 인식하고 이를 바탕으로 예측, 분류하는 방법론을 말합니다.

 

 

머신러닝: 전체 데이터에서 패턴을 파악하기 위한 방법

 

머신러닝 종류

 

• Supervised Leaning(지도 학습)
• Unsupervised Learning(비지도 학습)
• Reinforcement Learning(강화 학습)

 

머신러닝 적용 분야

• 금융: 신용평가, 사기탐지, 주식 예측
• 헬스케어: 질병 예측, 환자 데이터 분석
• 이커머스: 고객 구매 패턴 분석, 추천 시스템, 가격 최적화, 장바구니 분석
• 자연어처리: 번역, 챗봇, 텍스트분석
• 이미지 & 영상처리: 얼굴인식, 이미지 생성
  • 콜로라도 주립 박람회 대회 수상작: 스페이스 오페라극장

 

⁉️ 질문

• Q1) 데이터 분석은 반드시 머신러닝을 해야하나요?
  • 데이터 분석은 데이터를 가지고 가치를 창출하는 포괄적인 행동입니다. 멋진 알고리즘과 복잡한 통계 지식이 없더라도 아니더라도 데이터 분석은 가능합니다.
• Q2) 그럼 머신러닝을 왜 배워야 하나요?
  • 데이터 분석이라는 분야는 굉장히 다양합니다. 금융, 의료, 이커머스, 제조 등 어느 분야의 데이터 분석 직군으로 일하더라도 머신러닝을 활용한 업무와 밀접한 연관이 있기 때문에 전체 큰 그림을 볼 줄 알아야 합니다.
• Q3) 이 과목을 수강 하면 머신러닝 실무자가 될 수 있나요?
  • 머신러닝을 포함한 데이터 사이언스의 학문은 특히나 깊이가 깊기 때문에, 통계학과 컴퓨터공학의 깊은 이해 없이 Data Scientist 가 될 순 없습니다. 머신러닝 실무자가 되기 위해서는 기반을 탄탄히 하는게 중요합니다.