[POD] 기계학습을 위한 입력과 출력의 이해

오늘날 우리 사회는 대량의 데이터에 접근할 수 있습니다. 따라서 데이터 과학자들이 빅 데이터를 성공적으로 분석하기 위해서는 아주 많은 특성(변수)들을 식별해야 합니다. 이러한 거대한 특성들은 매우 큰 차원으로 이루어져 있는데, 데이터 과학자들이 이 특성들을 식별하기 전까지 원시 데이터(Raw data) 그 자체는 의미를 가지지 않습니다. 결국, 데이터 과학자들은 높은 차원(고차원)의 데이터를 낮은 차원(저차원)으로 변환하여 더 효과적인 기계학습 모델을 개발하고 데이터 처리를 간소화해야 합니다.

여러분이 기계학습(머신러닝) 알고리즘을 사용해 저차원 데이터로 정확도 높은 모델을 빠르게 훈련하는 것은, 전통적인 통계 모델을 사용하는 것보다 훨씬 적은 노력과 시간이 듭니다. 실제 세계에서는 정보나 물건을 적절히 분류하기 위해 라벨을 붙이는 일이 자주 필요합니다. 금융 분야에서는 기계학습의 이점을 활용해 시장에서 전략적 우위를 차지하고 경쟁력을 유지하려 합니다. 이러한 가능성은 고성능 컴퓨터에서 실행 가능한 복잡한 모델을 점점 더 저렴한 비용으로 사용할 수 있게 되면서 생겨났습니다. 다시 말하자면, 이러한 기계학습의 이점은 거의 무한한 데이터 저장 용량 덕분에 가능해지며, 여러분들은 이제 기계학습을 이용하여 누구나 쉽게 분석할 수 있다는 것을 의미합니다. 현실(real world)에서는 일부 기계학습의 사용 사례가 이미 보고되었지만, 여전히 산업현장에서는 여러 가지 현장에서 맞이할 수 있는 도전을 극복해야만 실현할 수 있습니다.

이 책을 통해서 우리는 비선형 구성 요소의 네트워크를 사용해 다양한 입력-출력 함수를 어떻게 구현하고, 이 네트워크를 지도 학습 기법으로 어떻게 훈련시킬 수 있는지를 살펴보겠습니다.