파이썬활용머신러닝과딥러닝기초다지기 02. 머신러닝 알고리즘, 03. 머신러닝의 예

 

 

 

ch02. 머신러닝 알고리즘

 

 

1. 머신러닝

 

 

 

 

2. 머신러닝 알고리즘 분류

 

 

• 지도학습=레이블 유 (X와 Y가 모두 존재) :f(x)=Y 
• 비지도학습=레이블 무(X만 존재) :F(x)=X  ex) x=비디오으로 X=고유한 특징을 찾아낼 수 있다 F함수= 비디오항목의 분류기-> 지도학습에 비해 학습하기 어려우며 머신러닝이 해결해야할 숙제같은 알고리즘!
• 준지도=지도학습과 비지도 학습의 중간형태
• 강화학습 ex)바둑 :최종출력이 어떤 영향을 주는 불명확하며 게임이 끝날 때 알 수 있음 -> 현실세계문제 대부분

 

 

 

 

강화학습 ex) 알파고 바둑게임

 

 

 

 

 

 

ch03. 머신러닝의 예

 

ex) 넷플릭스 컨텐츠 추천, 아마존 상품추천서비스, 구글 뉴스, 정보검색

컴퓨터시각화:이미지데이터로 숫자판별 ex)물체인식, 음성인식, 유전자분석,

바이오 마이크로틱: 홍채인식, 협압측정

 

머신러닝의 부작용 ex) 스카이넷 (Skynet)

 

 

 

ex)넷플릭스의 머신러닝

머신러닝이 넷플릭스와 같은 비디오 스트리밍 앱의 스트리밍 품질을 향상시키는 데 어떻게 도움이 되는지 좀 더 깊이 생각해 봅시다.

자동 미리 보기 생성
썸네일은 어떤 쇼나 영화를 보기 전에 관객들이 먼저 볼 수 있는 영화나 쇼의 포스터와 같다. 썸네일은 쇼, 다큐멘터리, 필름의 수천 개의 비디오 프레임을 사용하여 만들어진다. 넷플릭스는 많은 이미지를 선택한 다음 각각의 이미지를 순위를 매겨 우도에 따라 어떤 이미지가 가장 높은 순위를 차지하는지 파악한다. 계산은 여러분과 비슷한 것을 클릭한 다른 클릭에 달려 있다.

영화 편집
영화를 완성한 후, 사후 제작 작업이다. 품질관리 점검의 이전 데이터를 활용하면 과거에 발생한 고장에 대해 알 수 있다. 과거에는 자막과 소리, 동작이 전혀 동기화되지 않는 경우도 있었다. ML을 사용함으로써 편집자는 언제 수작업의 요건이 될 것인지 알 수 있고, 이로울 것이다. 그렇지 않으면 이 수동 과정은 매우 시간이 많이 걸리고 어려운 과정이다.

영화 제작 위치 결정
과거 자료를 이용해 특정 영화의 촬영장소가 어디가 가장 좋을지 예측한다. 배우와 제작진의 스케줄, 주야간 촬영과 같은 제작 현장 요건, 그리고 그 장소와 관련된 기상 위험을 바탕으로 촬영이 언제 어디서 이루어져야 하는지에 대해 이야기한다. 이 작업은 ML보다 데이터 과학 최적화와 더 관련이 있다.

콘텐츠 권장 사항의 개인화
넷플릭스는 당신이 과거에 봤던 것과 같은 콘텐츠를 제공한다. 그것은 당신의 관심사에 따라 콘텐츠를 개인화하는 데 당신의 시청 이력을 이용한다. 넷플릭스는 다른 사용자의 시청 이력을 이용해 자신의 취향에 따라 본 것과 같은 자료를 추천한다. 이 기능은 넷플릭스의 가장 흥미로운 기능이다. 그것은 관객들이 그들이 선택한 내용을 보고 한 달 더 구독을 계속함으로써 관객들과 계속 연결되도록 한다.

스트리밍 품질
넷플릭스는 이전 데이터를 사용하여 피크 시간대에 더 빠른 로드를 위해 지역 캐시 서버를 만들 수 있다. 머신러닝(machine learning)과 인공지능(AI)이 딥러닝(deep learning)과 신경망(neural network)으로 머신러닝은 네트워크 상태에 따라 달라지는 속도 기반 알고리즘인 버퍼 기반 알고리즘과 같은 일부 알고리즘을 선택하는 작업을 한다.

 

실제 현장 데이터와 학습데이터와의 괴리가 좁히는 것이 핵심이다

 

 

 

+