사전 학습 모델은 풀고자 하는 문제와 비슷하면서 많은 데이터로 이미 학습이 되어 있는 모델입니다. 일반적으로 많은 데이터를 구하기도 어렵지만, 많은 데이터로 모델을 학습시키는 것은 오랜 시간과 연산량이 필요합니다. VGG, 인셉션(Inception), MobileNet 같은 사전 학습 모델을 사용하면 효율적인 학습이 가능합니다. 따라서 분석하려는 주제에 맞는 사전 학습 모델을 선택하고 활용해야 합니다. 사전 학습 모델을 활용하는 방법으로 특성 추출과 미세 조정 기법이 있는데, ‘5장 합성곱 신경망 I’에서 자세히 다룹니다.
강화 학습은 머신 러닝과 동일하기 때문에 설명을 생략합니다.
딥러닝에서 지도 학습, 비지도 학습, 강화 학습을 정리하면 다음 표와 같습니다. 단순한 알고리즘만 고려했을 때의 구분이며, 서로 혼합하여 사용하거나 분석 환경에 제약을 둘 경우 구분이 달라질 수 있음에 주의해야 합니다.
▼ 표 1-3 지도 학습, 비지도 학습, 강화 학습
|
구분 |
유형 |
알고리즘 |
|
지도 학습(supervised learning) |
이미지 분류 |
• CNN • AlexNet • ResNet |
|
시계열 데이터 분석 |
• RNN • LSTM |
|
|
비지도 학습 (unsupervised learning) |
군집 (clustering) |
• 가우시안 혼합 모델(Gaussian Mixture Model, GMM) • 자기 조직화 지도(Self-Organizing Map, SOM) |
|
차원 축소 |
• 오토인코더(AutoEncoder) • 주성분 분석(PCA) |
|
|
전이 학습(transfer learning) |
전이 학습 |
• 버트(BERT) • MobileNetV2 |
|
강화 학습(reinforcement learning) |
- |
마르코프 결정 과정(MDP) |
머신 러닝과 딥러닝의 개념 및 대략적인 내용을 살펴보았으니 3장에서 머신 러닝을 좀 더 자세히 알아보겠습니다.