기계 학습 이해

기계 학습은 수학적 알고리즘을 사용하여 데이터의 패턴을 인식한 다음 해당 패턴을 사용하여 예측을 수행하는 방법입니다.

간단한 예: 판매 예측

기계 학습을 더 잘 이해하기 위해 다음 분기의 제품 판매를 예측하는 간단한 예를 살펴보겠습니다. 이 제품의 판매가 제품을 광고하는 데 사용된 비용에 영향을 받는다는 것을 알 수 있습니다. 이전 분기의 데이터를 보면 다음을 알 수 있습니다.

• TV에서 제품을 광고하는 데 사용된 비용(수천 달러)

• 판매 금액(수백만 달러).

데이터를 표시해 보면 텔레비전에서 제품을 광고하는 데 더 많은 비용을 사용할수록 더 많이 팔린다는 것을 분명히 알 수 있습니다.

다음 비즈니스 분기의 판매 매출을 예측하기 위해 기록 데이터에 함수를 맞출 수 있습니다.

다음 사업 분기 동안 TV 광고에 지출하기로 예산을 책정한 금액을 기준으로 이 금액에 해당하는 값에서 함수를 평가할 수 있습니다. 다음 분기에 텔레비전 광고에 $225,000를 지출할 계획이라고 가정해 보겠습니다. 함수를 225로 평가하면 17.7이 되고 다음 분기에 1,770만 달러의 판매를 예측할 수 있습니다.

예측의 정확도를 더욱 향상시키기 위해 그림에 표시된 대로 기록 데이터에 더 잘 맞는 함수를 찾고 이 함수를 기반으로 예측을 수행할 수 있습니다.

이 예에서는 텔레비전 광고에 지출된 금액만 살펴보았습니다. 향후 판매에 영향을 미치는 다른 요인도 고려할 수 있습니다. 예를 들어, 텔레비전 광고 지출만의 함수로 판매가 발생하지 않고 텔레비전 광고 지출, 라디오 광고 지출 및 신문 광고 지출의 세 가지 변수의 함수로 판매가 발생할 수 있습니다. 원하는 만큼 많은 변수를 사용할 수 있지만 일반적인 아이디어는 동일합니다.

기계 학습 개념

데이터 관점에서 기계 학습 문제는 기록 데이터로 테이블을 컴파일하여 축소할 수 있습니다. 테이블에 예측하고자 하는 항목(이전 예에서는 판매)을 나타내는 하나의 열이 있습니다. 기계 학습 언어에서는 이 열을 대상이라고 합니다. 다른 열은 기능이라고 하며 대상 열의 값을 예측하는 데 사용됩니다. 기능은 대상 결과에 잠재적으로 기여할 수 있는 변수입니다. 기계 학습의 기본 아이디어는 다음과 같습니다.

데이터 집합이 주어지면 대상 열의 값이 함수 열의 값으로 주어질지 예측할 수 있도록 해당 데이터에 맞는 함수를 찾습니다.

다양한 종류의 기계 학습 문제를 해결하기 위해 여러 가지 정교한 기계 학습 알고리즘이 개발되었습니다. 기계 학습 알고리즘에 데이터를 공급하고 패턴을 학습하게 할 때 우리는 기계 학습 알고리즘을 교육하고 있다고 말합니다.

기계 학습 문제는 예측하려는 대상이 숫자 값인지 범주 값인지에 따라 회귀 문제 또는 분류 문제로 나뉩니다. 분류 문제 및 회귀 문제의 예를 참조하십시오.

자동화된 기계 학습

자동화된 기계 학습을 사용하면 기록 데이터를 교육하는 동안 가장 적합한 함수를 자동으로 찾습니다. 데이터 집합을 쉽게 업로드하고 대상을 선택한 다음 버튼을 눌러 교육을 시작할 수 있습니다.

그러나 좋은 입력이 있는 경우에만 좋은 예측 결과를 가져올 수 있습니다. 기계 학습 실험에는 잘 정의된 기계 학습 질문과 해당 질문에 답하도록 설계된 데이터 집합이 필요합니다. 첫 번째 실험을 시작하려면 다음 단계를 따르십시오.

1. 기계 학습 질문 정의

   구조화된 프레임워크를 사용하여 비즈니스 사용 사례를 특정 질문으로 전환하십시오.

   기계 학습 질문 정의

2. 교육 데이터 집합 준비

   사용 사례와 관련된 양질의 데이터를 수집합니다.

   교육을 위해 데이터 집합 준비하기

3. 자동화된 기계 학습 실험 만들기

   준비가 완료되면 실험을 시작할 수 있습니다.

   실험 작업