머신 러닝에 대해 알아야 할 10가지

저는 종종 비전문가들에게 기계학습을 설명하는 사람이기 때문에 다음과 같은 10가지 내용을 정리했습니다.

• #### 기계학습은 데이터로부터 학습하는 것을 의미하며, 인공지능은 유행하는 단어입니다.

머신러닝은 화려하게 홍보되는 것과는 다릅니다. 적절한 학습 알고리즘에 적절한 훈련 데이터를 제공함으로써 수많은 문제를 해결할 수 있습니다. 그것을 AI라고 부르십시오. 그것이 당신의 AI 시스템을 판매하는 데 도움이 될 수 있습니다.

• #### 2. 기계학습은 주로 데이터와 알고리즘을 다루지만, 가장 중요한 것은 데이터입니다.

머신러닝 알고리즘의 발전, 특히 딥러닝의 발전에는 많은 흥미로운 부분이 있습니다. 하지만 데이터는 머신러닝을 가능하게 하는 중요한 요소입니다. 머신러닝은 복잡한 알고리즘이 없어도, 좋은 데이터가 없어도 가능합니다.

• #### 3 데이터의 양이 크지 않는 한, 간단한 모델을 사용해야 합니다.

기계학습은 데이터의 패턴에 따라 모델을 훈련시키고, 파라미터로 정의된 가능한 모델의 공간을 탐색한다. 파라미터 공간이 너무 커지면, 훈련 데이터에 과도하게 적합하게 되고, 자신을 일반화할 수 없는 모델을 훈련시킨다. 이것을 자세히 설명하려면, 더 많은 수학 계산이 필요하며, 이것을 기준으로 삼아, 모델을 가능한 한 단순하게 만들어야 한다.

• #### 기계학습의 질은 훈련에 사용되는 데이터의 질과 밀접한 관련이 있습니다.

“쓰레기 한 덩어리를 컴퓨터에 입력하면 쓰레기 한 덩어리를 컴퓨터에 출력한다”는 말이 있습니다. 이 말이 기계 학습이 등장하기 이전부터 존재해 왔지만, 이것이 바로 기계 학습의 핵심적인 한계입니다. 기계 학습은 훈련 데이터에 존재하는 패턴만을 발견할 수 있습니다. 예를 들어 (… 분류) 와 같은 기계 학습 작업을 감시하기 위해, 당신은 견고한, 올바르게 표시된, 풍부한 훈련 데이터 세트가 필요합니다.

• #### 5. 머신러닝은 훈련 데이터의 대표성이 있어야만 작동합니다.

은 투자 설명서에 경고된 것처럼 과거의 성과는 미래의 결과를 보장하지 않는다. 기계학습도 비슷한 경고를 해야 한다. 그것은 훈련 데이터와 동일한 분포의 데이터에서만 작동할 수 있다. 따라서, 훈련 데이터와 생산 데이터 사이의 오차에 주의를 기울이고, 낡아지지 않도록 주기적으로 모델을 반복 훈련해야 한다.

• #### 6. 기계학습의 대부분은 데이터 변환입니다.

기계학습 기술에 대한 홍보와 함께, 당신은 기계학습이 주로 알고리즘을 선택하고 조정하는 것이라고 생각할 수 있습니다. 그러나 현실은 단순하지 않습니다. 대부분의 시간과 에너지는 데이터 청소와 특징 공학에 소비됩니다. 즉, 원시 특성을 데이터에 더 잘 표시되는 신호로 변환합니다.

• #### 7.. 딥러닝은 혁명적인 발전이지만 신약은 아닙니다.

기계학습이 많은 분야에 적용되고 발전하기 때문에, 딥러닝도 널리 알려졌다. 또한, 딥러닝은 이미지와 비디오 데이터에 대해, 특히, 특성 공학으로 수행되는 일부 작업을 자동화하도록 유도했다. 그러나 딥러닝은 신약이 아닙니다.

• #### 8 기계 학습 시스템은 조작자의 실수로 인해 영향을 받을 수 있습니다.

NRA에게 사과하자면, 머신러닝 알고리즘은 사람을 죽이지 않고 사람을 죽인다. 머신러닝 시스템이 고장났을 때, 머신러닝 알고리즘이 문제로 인해 발생하는 경우는 드물다. 더 많은 경우 인위적인 오류가 훈련 데이터에 도입되어 오차 또는 다른 시스템 오류가 발생한다. 우리는 항상 회의적인 태도를 가져야하며 소프트웨어 공학에 적합한 방법을 사용하여 머신러닝을 다루어야한다.

• #### 9, 기계학습은 의도치 않게 자기실현 예언을 만들 수 있습니다.

기계 학습의 많은 응용에서, 오늘 당신이 내리는 결정은 내일 수집되는 훈련 데이터에 영향을 미칩니다. 기계 학습 시스템이 모형에 편차를 통합하면, 그것은 편차가 강화된 새로운 훈련 데이터를 계속 생성 할 수 있습니다. 또한, 일부 편차는 사람들의 삶을 파괴 할 수 있습니다.

• #### 10. 인공지능은 스스로 깨어나지 않고 반란을 일으켜 인류를 파괴하지 않는다.

상당히 많은 사람들이 인공지능에 대한 개념을 SF 영화에서 얻은 것 같습니다. 우리는 SF에서 영감을 얻어야하지만, 소설을 현실로 착각하는 것은 너무 어리석지 않습니다. 의식적인 악인 인간에서 무의식적인 편향된 기계 학습 모델에 이르기까지, 걱정해야 할 너무 많은 현실과 위험이 있습니다.

기계학습은 제가 언급한 10가지의 설명보다 훨씬 더 많은 것을 포함하고 있습니다.

이 글은 세계 인공지능 빅데이터 지점에서 가져온 것입니다.