전기차와 머신러닝 사이의 관계

Photo by Waldemar Brandt on Unsplash

전기차와 머신러닝 머신러닝

 

머신러닝(Machine Learning 로봇 학습)은 사람의 학습 능력을 기계 를통해 구현하는 방법으로 색다른 데이터로부터 학습하여 자동으로 성능을 향상하는 기술 및 알고리즘을 개발하는 분야이며 즉 컴퓨터 자기가 막대한 데이터를 분석해서 미래를 예측하는 기술이며 컴퓨터는 데이터를 분석하고 자기가 학습하는 기간을 이어지고 나면 패턴을 알아볼 수 있는 능력을 맺게 되며 이러다 보면 입력하지 않은 정보에 대한 결정 및 판단할 수 있게 되는 것이며 이것이 바로 기계학습이라고 하며 기계학습은 다시 말하자면 막대한 양의 데이터 가운데 비슷한 것끼리 묶어내고 서로 관계있는 것들의 상하구조를 인식하여 이것을 바탕으로 앞으로의 행동을 예측하는 기술이며 머신러닝은 학습 방법에 따라 지도 학습(Supervised Learning) 비지도 학습(Unsupervised Learning) 강화 학습(Reinforcement Learning)으로 크게 두 가지 나눌 수 있다.

 

 

지도학습이란 객체별로 속성에 대한 입력 벡터와 분류 결과(Label)가 주어진 학습 데이터를 통해 하나의 함수를 유추하여 새로운 객체에 대한 목표치를 예측하는 방식이며 기계를 학습시키는 과정에서 연구자 등 일종의 교사(Supervised)가 입력값과 출력 값 모두를 알려주는 방식이며 목표치의 형태에 따라 분류(Classification)와 회귀(Regression) 결정 트리(Decision Tre e) 등의 방식이 활용되며 따라서 인식 분류 진단이나 예측 등에 적합하고 방대한 데이터를 세부 분야별로 분류한 좋은 데이터셋 (Dataset)이 있다면 매우 정확한 결과를 신속하게 도출할 수 있으며 지도 학습은 인간이 정한 학습 데이터를 통해 학습이 이루어진다는 점에서 성능과 효과가 더 높지만 그만큼 시간과 비용이 소요된다는 단점을 가지며 비지도 학습이란 지도 학습과 달리 출력 값이 주어지지 않고 즉 입력값만을 도입하여 그 데이터를 설명하는 특성을 도출 하기 위한 방법이 가장 크다고 할 수 있으며 이러한 점에서 비지도 학습은 군집(Clustering) 29 밀도 추정(Density Estimation) 차원 축소 (Dimensionality Reduction) 30 등에 활용되며 데이터들로부터 특징을 찾아내는 기능에 가장 적합하다고 할 수 있으며 머신러닝의 핵심은 분류이고 회귀 등 다양한 방법이 있다.

 

다양한 머신러닝 기법

 

기본으로 데이터를 잘 분류할 수 있다면 사물과 현상의 특징을 도출하고 같이 학습하며 신 결론을 낼 수 있으며 그 방법에는 매우 가까운 데이 터의 분류 기준을 비행하는 최근접 이웃방식(Nearest neighbor) 데이터의 특징이 어떤 분류에 관련해 딸리는지의 확률을 곱해 거대한 데이터들을 분류하는 나이브 베이 즈법(Naive Bayes) 어느 관념이 특정 집합에 관련해 딸리는지 아닌지를 기준으로 분류해나가는 신경망 (Neural Network) 결정 트리(Decision Tree) 등이 있으며 이러한 과정에 신경망 기반의 머신러닝은 또 다른 방식과는 구별되는 관념을 기반으로 생기며 즉 인공신경망은 사람의 뇌를 수용하는 신경세포인 시냅스와 뉴런 정보를 통신하는 방법을 모방하며 인공신경망에 관련 연구는 앞서 AI의 발전 과정을 분석해보며 1943년 월터 피츠(Wlater Pitts)와 워렌 맥클 록(Warren McCulloch)에 대해 최초로 수행되었음을 인식하였으며 뉴런이 시냅스를 통해 전기 자극을 통신하는 과정에는 임계값(threshold)이라는 관념이 있으며 즉 수학적으로 표시하자면 전기 자극이 이런 임계값을 넘지 못하면 0 임계값을 넘어 신호가 확인되면 1로 확장하는 것이며 이어서 인공신경망에서 중요한 점은 가중치(weight)의 부여이며 그 표준이며 이를 어떻게 시설하느냐 즉 특징을 어떻게 적용해 나가느냐에 따라 AI가 수행하는 판단 및 예측의 정확도가 결정된다.

 

 

다양한 데이터들을 잘 분석할 수 있는 선을 긋고 비선형 변함을 통해 그 공간을 날조하는 것이 인공신경망의 기존 관념이라면 그 정확도는 분류의 표준이 되는 선을 잘 알맞게 조절 하여 최적화(optimization)함으로써 성공할 수 있었으며 로봇은 이를 명확히 정할 수 없었고 가장 확실한 방식은 사람이 특징을 도출하여 로봇에 표준으로써 입력 표준선을 조절하는 방법이었고 이러한 방법은 딥러닝의 발전을 통해 돌파되고 있으며 딥러닝은 현대 AI 기술의 발전을 이끌고 있으며 딥러닝은 머신러닝의 한 가지로서 인공신경망(ANN Artificial Neural Networks)에 기반하며 딥러닝은 비선형 변환 기법의 조합을 통해 우수한 수준의 추상화 표현을 수행하여 다양한 데이터를 분류하고 특징을 도출해내며 보통 구조는 신경망이 투입 벡터를 받고 이를 입력층 (input layer)에 전달하며 감추어진 방대한 은닉층(hidden layer)에서 학습을 수행하여 출력층(output layer)을 통해 결정을 도출하는 것이며 기본 인공신경망의 우수한 한계는 상기 언급하였듯이 매우 적절한 특징 표준을 정하는 최적화였다.

 

 

※참조 문헌 : 중국 무인차 산업의 문제점과 활성화 방안에 관한 연구(스친 2019)