정개발의 "no more agile"

13. 수학을 포기한 직업 프로그래머가 머신러닝 학습을 시작하기 위한 학습법 소개 (2)

4. Linear Regression with Multiple Variables(다변량 선형 회귀)

2장에서는 선형 회귀를 살펴보았으므로, 이번에는 다변량 선형 회귀에 대한 강의입니다. 다변량을 취급하는데 있어서 규모를 맞추거나 매개 변수의 조정에 대한 논의가 있습니다.

또한 이 장에서 프로그램을 직접 짜는 테스트가 추가됩니다. MATLAB/Octave에 익숙하지 않으면 좀 푸는 것이 괴롭습니다. 하지만, MATLAB/Octave에 대해서는 다음 장에서 설명을 시작하므로 먼저 5장을 듣고 나서 돌아오는 것이 좋습니다.

덧붙여서, 프로그램은 MATLAB/Octave에서 직접 업로드 할 수 있습니다. 업로드 하면 WEB에서 성적을 볼 수 있습니다. 업로드는 몇 번이고 가능하므로 부담 갖지 말고 들어보시기 바랍니다.

5. Octave Tutorial(Octave의 설명)

Octave라고 써 있습니다만, MATLAB도 마찬가지입니다. 행렬 처리에 익숙하지 않은 사람은 이 장의 “Vectorization”동영상의 내용을 마스터 하면 for문이 불필요한 계산을 구축 할 수 있게 됩니다. 개인적으로 이 장의 강좌를 들으면서 좋았다고 생각한 순간이었습니다.

역자주: 이 강의에서는 MATLAB/Octabe를 위주로 설명하고 있지만, 기업환경에서 머신러닝을 이끌고 있는 대중적인 언어는 파이선/R입니다. 파이선이나 R에 대한 튜토리얼은 아래 링크에서 확인해 보세요.
Kaggle R Tutorial on Machine Learning (R언어로 진행되며 무료입니다)
Intro to Machine Learning (파이선으로 진행되며 무료입니다)

6. Logistic Regression(로지스틱 회귀)

동영상 내에서도 선생님이 혼자서 마구 달라는 느낌입니다만, 이름은 ‘회귀(Regression)’ 인데 ‘분류(Classification)’에 에 사용되는 로지스틱 회귀를 배우는 장입니다. 선형 회귀와 비슷한데, 다른 곳을 확인하는 것으로 머신러닝에 대한 깊이가 드러나게 됩니다.

또한 여기서도 프로그램의 게시물 테스트가 있는데, 곤란하게도 다음 장에 배울 지식이 없으면 풀리지 않는 문제(Regularization:정규화)가 들어 있습니다. 제 경우 결국 풀지 못하고 다음 장에 갔다가 다시 돌아와서 풀어야만 했습니다. 설명하지 않아도 풀 수 있을 거라고 생각했는지, 암튼 여러가지로 깊이가 있는 챕터입니다.

7. Regularization(정규화)

점점 머신러닝다워진다고나 할까, “XX를 향상시키기 위해 이를 수식에 추가”라는 요소 중 하나인 정규화에 대해 배울 수 있는 장입니다. 장으로는 짧지만, 이 장을 대충 넘기게 되면 나중에 다시 보지 않으면 안 되는 것이 많아지므로 제대로 이해하는 것이 중요합니다.

8. Neural Networks : Representation(신경망:표현)

이번 장은 전반부 최대의 고비인 신경망에 대한 내용입니다. 비교적 복잡하기 때문에 2개의 장으로 나눠져 있습니다. 이 장에서는 먼저 입출력에서 출력까지 어떻게 계산하고 진행해야 하는지를 설명하고 있습니다.

9. Neural Networks: Learning(신경망:학습)

여기가 신경망을 머신러닝에 적용시키는 데 중요한 Backpropagation(오차역전파방법)에 대해서 설명하는 장입니다. 저는 지금까지 다른 책이라든지 웹에 적힌 내용을 봐도, 도통 뉴럴네트워크가 어떻게 학습을 해 나가는지 이해할 수 없었습니다만, 동영상 및 구현을 보고 마침내 어떤 계산에서 학습하고 있는지를 알겠다는 생각이 들었습니다.

10. Advice for Applying Machine Learning(머신러닝을 적용하기 위한 조언)

머신러닝 이론을 안다고 해도 실제 적용하기 위해서 무엇을 조심하지 않으면 안 되는가에 대해서 다루는, 대단히 중요한 장입니다.

언더핏, 오버핏, 학습곡선이 어떻게 되는가 등 머신러닝을 실무에 적용하려 할 때 지침이 되는 장입니다.

11. Machine Learning System Design(머신러닝 시스템 디자인)

이전 장처럼 이번 장도 머신러닝을 실무에 도입하려고 할 때 발생하는 문제점을 알아보고 해결책을 제시하는 장 입니다.

구체적으로는, 99% 일어나지 않지만 1%일어날 가능성이 있는 현상에 대해서, 머신러닝의 지표는 어떻게 설정해야 하는 것인가에 대해서 이야기하고 있습니다.

12. Support Vector Machines(서포트 벡터 머신(SVM))

분류 알고리즘의 하나인 SVM에 대한 장입니다. SVM은 인기있는 알고리즘이므로 잘 배워둬야 한다고 선생님은 말씀하시고 있었습니다.

또한 마지막 동영상은 SVM을 포함해 여러 알고리즘들이 어떤 때 사용되는지 이야기하고 있으므로 잘 기억해 둬야 하는 포인트 입니다.

13. Unsupervised Learning(무감독 학습)

이번 장부터 15장까지가 무감독 학습의 장입니다. 이 장에서는 K-Means 알고리즘이라 불리우는 인기 있는 다운클러스터링 알고리즘에 대해 배웁니다.

14. Dimensionality Reduction(차원감소)

이 장에서는 차원감소에 대해서 배웁니다. 차원감소라는 개념에서 실제로 배우는 알고리즘은, PCA(주성분 분석)라 불리우는 알고리즘입니다.

저는 100차원이든 1000차원이든, 2차원 또는 3차원까지 줄여버리면 그래프 그리기가 가능하다는 것으로 듣고 학습 동기가 생겼습니다.

또한 차원을 감소시켜 극단적으로 적은 수가 된다면 어떻게 될까 생각했습니다만, 그에 대해서는 제대로 대답이 준비되어 있어, 원래의 상태 대비 압축 정도에 따라 어느 정도 정보량이 손실되는지를 파악하는 것이 중요하다고 생각했습니다.

15. Anomaly Detection(이상 검출)

이상을 검출하는 알고리즘을 학습하는 장 입니다.

여기서 처음으로 정규분포(상당히 복잡한 수식)가 나오는 것입니다만, 그 이전에 여러 수식에 익숙해진 터라, 그렇게까지 흉악해 보이지는 않았습니다.

흥미로웠던 것은 감독 학습과 비정상 검출을 비교하여, 데이터 상태에 따라 어느 쪽을 사용해야 할 지와 같은 주제가 앞으로 도움이 될 것이라 합니다.

16. Recommender Systems(추천시스템)

사용자가 평가한 영화의 평점을 어떻게 처리할 것인가라는 굉장히 실용적인 주제에 대한 해설을 하는 장입니다.

처음에는 제한적인 작은 데이터부터 시작하여, 마지막에는 비어 있는 부분이 있다 하여도 모든 파라메터를 단번에 계산해 버릴 듯한 이야기의 흐름이 무척 좋았습니다.

17. Large Scale Machine Learning(대규모 머신러닝)

대규모 데이터에 대해서 매번 전부 다 처리를 하게 되면 속도가 느려지는 것에 대해서 어떻게 할 지를 생각해 보는 장입니다.

여기에서 처음 Map-Reduce 개념이 등장 합니다만, ‘분할해서 처리하니 빠르군요’ 정도의 뻔한 수준의 이야기이므로, 좀 더 자세하게 알아보고 싶으신 분들은 다른 문헌을 찾아보시는것을 추천합니다.

18. Application Example : Photo OCR(응용 예: 사진에서의 텍스트 추출)

마지막 장은 응용에 대한 예로서, 파이프라인을 이용한 머신러닝 로직의 조합으로, 사진에서 텍스트를 추출하는 작업을 수행합니다.

실제 프로그램을 짤 것이라고 생각했는데, 이 장에서는 프로그램을 제출하지 않았습니다.

모든 테스트를 통과하면 무엇이 일어나는가?

기간제 코스의 경우 유료로 수료증 같은 것을 발행해 주는듯 합니다만, 완전 오픈코스인 이 과정은 결과가 코스 상단에 표시됩니다.

역자주: 코세라는 코스 자체는 무료로 제공하고 있으며, 수료증을 유료로 제공하는 것을 비즈니스 모델로 하고 있습니다.

실제 전 과정을 패스하자 아래와 같이 표시되어 “Course Passed”부분에 뭔가 링크가 있을까 기대해 봤지만… 아니었습니다.

머신러닝 수강이 끝났다! 이제 뭘 하지?

프로그래머라면 이제 손을 움직여 다양한 것을 구현해 나갑시다. 샘플 코드의 의미도 알게 되었고 어디를 수정하면 어떻게 될까 어쨌든 머리속에 그려볼 수 있게 된 듯 합니다.

스터디 그룹 같은 걸 열어서 아직 머신러닝에 경험이 없는 사람을 끌어들여 동료로 늘려 나가는 것도 좋은 방법입니다.

참여자가 늘지 않으면 이 분야는 발전이 없기 때문에 꼭 주변에 퍼트리고 다닙시다.

역자 추가: 머신 러닝 관련 읽을거리들

쉽게 풀어쓴 딥 러닝의 모든 것
PredictionIO: 오픈소스 머신러닝서버
Getting Started with Microsoft Azure Machine Learning: 간편한 인터페이스임에도 강력한 기능을 제공하는 AzureML에 대한 온라인 강좌입니다.
DL4J: Word2Vec를 비롯 각종 머신러닝 알고리즘을 자바에서 쓸 수 있게 해 주는 오픈소스 프로젝트입니다.

칼럼 출처
http://www.moreagile.net/2015/05/how-to-start-machine-learning-study.html

♣에디터 : 이번 편을 마지막으로, <정개발의 "no more agile"> 칼럼이 마무리 되었습니다. ^^

흔쾌히 OKKY에 연재를 허락해 주시고, 댓글과 질문에 답해주신 정개발님께 감사드립니다!

정개발님의 블로그에는 더 많은 정보, 유익한 글들이 많으니 꼭 한 번 방문해 보시길 바랍니다.

(MORE AGILE - 보다 나은 개발자의 삶을 위하여 | http://www.moreagile.net/)

감사합니다. :D

정개발의 "no more agile" - 13. 수학을 포기한 직업 프로그래머가 머신러닝 학습을 시작하기 위한 학습법 소개 (2)