지도 학습

지도 학습의 작동 방식

이 프로세스는 각 데이터 포인트가 입력 특징과 그에 맞는 올바른 출력 레이블로 구성된 세심하게 준비된 데이터 세트에서 시작됩니다. 여기에는 종종 데이터 수집과 주석 달기에 상당한 노력이 수반됩니다. 예를 들어, 이미지 분류 작업에서 입력은 이미지( OpenCV와 같은 라이브러리의 기술을 사용해 사전 처리된 이미지일 수 있음)이고 레이블은 이미지가 속한 카테고리(예: '고양이', '개')가 될 수 있습니다. 알고리즘은 학습 데이터에 대해 반복적으로 예측을 수행하고, 예측과 실제 레이블 간의 차이를 최소화하기 위해 확률적 경사 하강(SGD) 또는 Adam과 같은 최적화 알고리즘을 사용하여 내부 파라미터(또는 모델 가중치)를 조정합니다. 이 차이는 손실 함수로 측정됩니다. 이 훈련은 모델이 별도의 검증 데이터에서 만족스러운 수준의 정확도 또는 기타 관련 성능 지표를 달성하여 새로운 데이터에 잘 일반화되고 과적합을 방지할 때까지 종종 여러 시대에 걸쳐 계속됩니다.

관련성 및 응용 분야

지도 학습은 매우 다재다능하며, 과거 데이터를 통해 미래의 사건을 예측하거나 새로운 정보를 분류할 수 있는 다양한 애플리케이션에 활용되고 있습니다. 레이블이 지정된 예시로부터 직접 학습할 수 있기 때문에 높은 정밀도가 요구되는 작업에 적합합니다. 많은 컴퓨터 비전(CV) 작업은 다음과 같은 최신 모델에서 수행되는 작업을 포함하여 지도 학습에 크게 의존합니다. Ultralytics YOLO.

다음은 두 가지 구체적인 예입니다:

• 의료 이미지 분석: 지도 학습 모델은 의료 영상에서 종양을 감지하기 위해 영상의학과 전문의가 라벨을 붙인 의료 스캔(예: MRI 또는 CT 스캔)을 학습할 수 있습니다. 이는 의료 전문가의 진단을 지원하며, 의료 분야의 많은 AI 솔루션에서 핵심적인 부분을 차지합니다. 방사선학과와 같은 출처의 관련 연구를 참조하세요 : 인공 지능.
• 감성 분석: 알고리즘은 감정 카테고리(예: 긍정, 부정, 중립)로 레이블이 지정된 텍스트 데이터를 학습하여 고객 리뷰나 소셜 미디어 게시물과 같은 새 텍스트에 표현된 감정을 자동으로 결정합니다. 이는 시장 조사 및 브랜드 모니터링에 유용합니다. 감성 분석에 대해 자세히 알아보세요.

그 밖에도 이미지와 비디오의 물체 감지 ( 자율주행 차량 및 보안 시스템에서 사용), 스팸 이메일 필터링, 주택 가격 예측( 회귀 작업), 얼굴 인식 등 다양한 분야에서 활용되고 있습니다. 또한 더 스마트한 소매 재고 관리를 위한 AI와 농업 솔루션의 AI에도 적용되고 있습니다.

주요 개념

지도 학습을 효과적으로 이해하고 적용하기 위해서는 몇 가지 개념이 핵심입니다:

• 레이블이 지정된 데이터: 지도 학습의 기초로, 올바른 출력 레이블과 짝을 이루는 입력 데이터로 구성됩니다. 라벨링된 데이터의 품질과 양은 모델 성능에 큰 영향을 미칩니다. 데이터 라벨링 도구와 플랫폼이 자주 사용됩니다.
• 피처 엔지니어링: 모델 성능을 개선하기 위해 입력 피처를 선택, 변환 또는 생성하는 프로세스입니다. 자동 피처 추출로 인해 딥러닝에서는 덜 중요하지만, 기존 ML에서는 여전히 중요합니다. 피처 엔지니어링 용어집을 참조하세요.
• 분류 대 회귀: 지도 학습 작업에는 크게 두 가지 유형이 있습니다. 분류는 불연속적인 범주(예: 스팸/스팸 아님, 분류용YOLO )를 예측하는 반면, 회귀는 연속적인 값(예: 가격, 온도)을 예측합니다.
• 일반적인 알고리즘: 선형 회귀, 로지스틱 회귀, SVM(서포트 벡터 머신), 의사 결정 트리, 랜덤 포레스트, 다양한 유형의 신경망(NN), 특히 비전 작업을 위한 컨볼루션 신경망(CNN) 등 많은 알고리즘이 지도 학습에 속합니다.
• 프레임워크 및 도구: 다음과 같은 라이브러리 PyTorch 및 TensorFlow 과 같은 라이브러리는 지도 모델 구축 및 학습을 위한 도구를 제공합니다. Ultralytics HUB와 같은 플랫폼은 데이터 세트 관리부터 모델 배포에 이르기까지 전체 ML 수명 주기를 위한 통합 환경을 제공합니다.

다른 학습 패러다임과의 비교

지도 학습은 다른 주요 머신 러닝 패러다임과 구별됩니다:

• 비지도 학습: 이 접근 방식은 레이블이 없는 데이터를 사용하여 알고리즘이 유사한 데이터 포인트를 그룹화(클러스터링)하거나 데이터 차원을 줄이는 등 스스로 패턴이나 구조를 찾으려고 시도하는 방식입니다. 알려진 답변에서 직접 입력-출력 매핑을 학습하지 않습니다. 비지도 학습 개요를 읽어보세요.
• 강화 학습: 이 패러다임에서 에이전트는 환경과 상호 작용하고 행동에 따라 보상 또는 불이익을 받음으로써 일련의 결정을 내리는 방법을 학습합니다. 레이블이 지정된 예시가 아닌 시행착오를 통해 최적의 행동을 학습합니다. 강화 학습 개요를 살펴보세요.

요약하자면, 지도 학습은 레이블이 지정된 데이터를 활용하여 예측 작업을 위한 모델을 훈련하는 강력하고 널리 사용되는 기술입니다. 이는 Ultralytics 개발하고 지원하는 것을 포함하여 많은 성공적인 AI 애플리케이션의 근간을 형성하며, 데이터 과학 또는 AI 분야에서 일하는 모든 사람에게 중요한 기술입니다.