머신러닝(Machine Learning) 개요 및 활용 동향
□ 개요
◦ 이세돌 9단과 인공지능(AI, Artificial Intelligence) 알파고(AlphaGo)의 대국 (′16년 3월 9~15일 총 5국)의 영향으로 4차 산업 혁명 단계1) 진입을 인식함과 더불어 금융권에서도 인공지능 기술이 주목받게 됨에 따라,
◦ 본 보고서에서는 빅데이터(Big Data)의 분석 기술 및 인공지능의 한 분야로 ‘학습(Learning)’에 관한 부분을 구체화한 기술인 머신러닝의 개념과 기술적 특징을 소개하고 금융권 머신러닝 활용사례에 대해 조사·분석함
□ 머신러닝(Machine Learning, 기계학습)
◦ (개념) 인간이 갖고 있는 고유의 지능적 기능인 학습능력2)을 기계를 통해 구현하는 방법으로, 환경과의 상호작용에 기반 한 데이터로부터 스스로 성능을 향상시키는(기계가 학습할 수 있는) 알고리즘 및 기술을 개발하는 분야
[ 머신러닝의 개념]
◦ (분류 및 특징) 학습 방법에 따라
①지도 학습(Supervised Learning)
≫ 학습 시 출력 결과 값을 미리 알려주는 ‘교사(supervised)’가 존재하는 형태
≫ 주로 인식, 분류, 진단, 예측 등의 문제 해결에 적합
≫ 비지도 학습에 비해 성능이 좋으나 좋은 결과를 위해 시간, 비용 증가
≫ 예) 회귀분석(Regression Analysis, 데이터의 함수 관계 예측), 의사결정나무(Decision Tree, 데이터 속성에 따라 나무 형태의 의사결정 학습 모델을 만들고, 반복을 통해 최종 결정을 도출) 등
②비지도학습(Unsupervised Learning)
≫ 학습 시 출력 값에 대한 정보 없이(교사 없이) 학습이 이루어지는 형태
≫ 군집화, 밀도 추정, 차원축소, 특징 추출 등이 필요한 문제에 적합
≫ 지도 학습에 비해 성능은 좋지 않으나, 학습 데이터 구축 용이, 비용 절감
≫ 예) 군집화(Clustering, 비슷한 관측치끼리 군집), 차원축소(Dimensionality Reduction,데이터간의 연관 규칙을 찾음) 등
③강화 학습(Reinforcement Learning)으로 구분
≫ 상태(State)에서 어떤 행동(Action)을 취하는 것이 최적인지를 학습
≫ 행동을 취할 때마다 외부 환경에서 보상(Reward)이 주어지며, 보상을 최대화 하는 방향으로 학습이 진행
≫ 예) 컴퓨터 체스, 복잡한 로봇의 제어 등
- (강화학습) 최근 인공지능 분야에서 강화학습에 대한 관심이 커졌으며, 강화학습의 접근방법으로는
①가치함수를 직접 활용하는 방법(valuefunction-based methods),
②상태 의존적이며 제어 전략에 대한 탐색을 활용하는 방법(policy search methods),
③가치함수와 제어전략 탐색을 위하여 분리된 모듈을 사용하되 학습과정에서 이들을 종합적으로 활용하는 액터-크리틱 방법(actor-critic methods)의 세 가지 방향으로 발전함
<환경과 상호작용을 통한 강화학습>
자료 : MIT Press,
Reinforcement Learning : An Introduction
□ 딥러닝(Deep
Learning)
◦ (개요) 인공신경망(ANN, Artificial
Neural Networks)4)에 기반하고
①입력층(Input layer),
②출력층(Output layer), 복수개의
③은닉층(Hidden layer)의 계층 구조(Layer
Structure)를
가지는 심층 신경망(DNN, Deep Neural
Networks)을 학습의 주요 방식으로 사용하는 머신러닝의 한 분야
댓글 없음:
댓글 쓰기