머신러닝 (ML)

머신러닝(ML)은 다음과 같은 역동적인 하위 분야입니다. 인공 지능(AI)의 역동적인 하위 분야로 데이터로부터 학습하여 시간이 지남에 따라 성능을 향상시킬 수 있는 시스템을 개발하는 데 중점을 둡니다. 명시적으로 프로그래밍하지 않고도 시간이 지남에 따라 성능을 향상시킬 수 있는 시스템을 개발하는 데 중점을 둡니다. 선구자가 만든 용어 1959년 아서 사무엘이 창안한 이 분야는 컴퓨터가 다음과 같은 기능을 수행할 수 있도록 지원합니다. 패턴을 파악하고, 의사 결정을 내리고, 과거 정보를 바탕으로 결과를 예측할 수 있습니다. 정적인 명령어 집합을 따르는 대신 정적인 명령어 집합을 따르는 대신, ML 알고리즘은 다음을 기반으로 수학적 모델을 구축합니다. 예측이나 결정을 내리기 위한 학습 데이터 작업을 수행하도록 명시적으로 프로그래밍하지 않아도 됩니다.

핵심 학습 패러다임

머신러닝 알고리즘은 일반적으로 데이터로부터 학습하는 방식에 따라 분류됩니다. 이러한 패러다임을 이해하는 것은 주어진 문제에 적합한 접근 방식을 선택하는 데 필수적입니다:

• 지도 학습: 알고리즘은 알고리즘은 레이블이 지정된 데이터 세트에 대해 학습되므로 입력이 올바른 출력과 함께 제공됩니다. 모델은 입력과 출력을 입력을 출력에 매핑하는 방법을 학습하며, 일반적으로 다음과 같은 작업에 사용됩니다. 이미지 분류 및 스팸 필터링과 같은 작업에 일반적으로 사용됩니다. 다음과 같은 리소스 IBM의 지도 학습 가이드는 이러한 워크플로우에 대한 자세한 이러한 워크플로우에 대한 인사이트를 제공합니다.
• 비지도 학습: 에서 이 접근 방식에서는 알고리즘이 레이블이 지정되지 않은 데이터를 처리하여 숨겨진 구조나 패턴을 발견합니다. 고객 그룹화 등 숨겨진 구조나 패턴을 발견합니다. 다음과 같은 기술은 클러스터링과 같은 기술이 이 패러다임의 기본입니다.
• 강화 학습: 에이전트는 환경에서 작업을 수행하고 보상 또는 페널티의 형태로 피드백을 받음으로써 보상 또는 페널티의 형태로 피드백을 받음으로써 학습합니다. 이 방법은 다음과 같은 복잡한 작업을 위해 에이전트를 훈련하는 데 매우 중요합니다. 로봇 공학 및 전략적 게임 플레이.
• 준지도 학습: 이 하이브리드 접근 방식은 소량의 레이블이 지정된 데이터와 대량의 레이블이 지정되지 않은 데이터를 결합하여 사용합니다. 라벨링 비용이 많이 들 때 학습 정확도를 향상시킵니다.

ML과 관련 개념의 차별화

종종 같은 의미로 사용되지만, 데이터 과학 생태계에서 ML을 관련 용어와 구별하는 것이 중요합니다:

• 딥 러닝(DL): A 다층 신경망(NN)을 사용하여 복잡한 패턴을 모델링하는 신경망(NN)을 사용하여 데이터의 복잡한 패턴을 모델링하는 모델링합니다. 딥러닝은 다음과 같은 분야에서 최신 혁신을 주도합니다. 컴퓨터 비전(CV) 및 자연어 처리의 최신 혁신을 주도합니다.
• 데이터 마이닝: 이 분야는 다음 사항에 중점을 둡니다. 대규모 데이터 세트 내에서 이전에 알려지지 않은 패턴이나 관계를 발견하는 데 중점을 둡니다. 머신러닝은 예측과 의사 결정에 중점을 두지만 의사 결정에 중점을 두는 반면, 데이터 마이닝은 실행 가능한 인사이트를 추출하는 데 중점을 두며, 종종 다음과 같이 설명합니다. SAS 분석.
• 인공 지능(AI): 스마트 머신을 만드는 것을 목표로 하는 가장 중요한 분야입니다. ML은 AI를 달성하기 위한 통계적 방법을 제공하는 실용적인 하위 집합입니다.

실제 애플리케이션

머신러닝은 다양한 산업 분야에서 많은 혁신 기술을 뒷받침하는 엔진입니다.

1. 의료 분야의 AI: 머신러닝 모델 은 의료 이미지 분석을 수행하여 진단을 혁신하고 있습니다. 의료 이미지 분석. 알고리즘은 다음을 수행할 수 있습니다. MRI 스캔에서 종양과 같은 이상 징후를 높은 정밀도로 detect 영상의학과 전문의가 질병을 조기에 발견할 수 있도록 지원합니다. Nature Medicine과 같은 저널에 게재된 연구들은 종종 이러한 발전을 이러한 발전을 강조합니다.
2. 자동차 분야의 AI: 자율 주행 차량은 ML에 크게 의존합니다. 주변 환경을 인식합니다. 방대한 양의 주행 영상으로 학습된 시스템은 보행자나 다른 사람을 식별하기 위해 물체 감지를 통해 보행자, 다른 차량, 교통 표지판 등을 식별하여 자동차, 교통 표지판 등을 실시간으로 식별하여 안전한 주행을 보장합니다. 다음과 같은 기업 Waymo와 같은 회사는 이러한 고급 인식 스택을 활용합니다.

머신 러닝 구현하기

ML 솔루션 개발에는 데이터 수집, 모델 학습, 추론을 위한 배포가 포함됩니다. 최신 프레임워크는 PyTorch 와 TensorFlow 와 같은 프레임워크는 이러한 시스템을 구축하는 데 필수적인 도구를 제공합니다.

아래는 간단한 사용 예시입니다. ultralytics 라이브러리를 사용하여 사전 학습된 ML 모델로 추론을 수행합니다. 이는 최신 ML 도구가 컴퓨터 비전 작업에 얼마나 쉽게 적용될 수 있는지 보여줍니다.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model suitable for object detection
model = YOLO("yolo11n.pt")

# Run inference on a remote image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results with bounding boxes
results[0].show()

성공적인 구현을 위해서는 다음 사항에도 세심한 주의가 필요합니다. 모델 배포 전략 및 모니터링을 통해 과적합과 같은 문제를 방지하여 모델이 학습 데이터를 너무 잘 학습하여 훈련 데이터를 너무 잘 학습하여 새로운 입력에 일반화하지 못하는 문제를 방지해야 합니다. 다음과 같은 도구 Scikit-learn과 같은 도구는 전통적인 ML 작업에 여전히 필수적인 반면에 Ultralytics YOLO11 아키텍처는 비전 기반 학습 작업을 위한 최첨단 최첨단 아키텍처입니다.