1.2 머신 러닝의 세 가지 종류 | 목차 | 1.4 머신 러닝의 시스템 구축 로드맵

지금까지 지도 학습, 비지도 학습, 강화 학습 세 개의 머신 러닝 종류를 살펴보았습니다.(주석 7) 이제 책에서 사용할 기본 용어를 알아보겠습니다. 그림 1–8의 표는 머신 러닝 분야의 고전적인 예제인 붓꽃(Iris) 데이터셋 일부를 보여 줍니다. 붓꽃 데이터셋은 Setosa, Versicolor, Virginica 세 종류 150개의 붓꽃 샘플을 담고 있습니다. 각 붓꽃 샘플은 데이터셋에서 하나의 행(row)으로 표현됩니다. 센티미터 단위의 측정값은 열(column)에 저장되어 있으며 데이터셋의 특성(feature)이라고도 합니다.

그림 1-8 붓꽃 데이터셋

간단하고 효율적으로 표기하고 코드를 구현할 수 있도록 기초적인 선형대수학(linear algebra)을 사용하겠습니다. 다음 장부터는 행렬(matrix)과 벡터(vector) 표기로 데이터를 표현합니다. 일반적인 관례에 따라서 샘플은 특성 행렬 X에 있는 행으로 나타내고, 특성은 열을 따라 저장합니다.(주석 8)

150개의 샘플과 네 개의 특성을 가진 붓꽃 데이터셋은 150×4 크기의 행렬 로 쓸 수 있습니다.

Note: 책의 나머지 부분에서 다른 설명이 없다면 위 첨자 i는 i번째 훈련 샘플을 나타냅니다. 아래 첨자 j는 훈련 데이터셋의 j번째 차원을 나타냅니다.

굵은 소문자는 벡터()를 나타내고, 굵은 대문자는 행렬 ()을 나타냅니다. 벡터나 행렬에 있는 하나의 원소를 나타낼 때는 이탤릭체를 사용합니다(각각 또는 ).(역주 9)

예를 들어 은 150번째 샘플의 1번째 차원인 꽃받침 길이를 나타냅니다. 특성 행렬의 각 행은 하나의 꽃 샘플을 나 타내고 4차원 행 벡터 로 쓸 수 있습니다.

각 특성 차원은 150차원의 열 벡터 입니다. 예를 들어 다음과 같습니다.

비슷하게 타깃 변수(여기서는 클래스 레이블)를 150차원의 열 벡터로 저장합니다.

7 역주 지도 학습과 비지도 학습이 섞여 있는 준지도 학습(semi-supervised learning)도 있습니다. 준지도 학습에서는 레이블된 데이터셋과 레이블이 없는 데이터셋을 모두 사용합니다. 자기 지도 학습(self-supervised learning)은 입력이 타깃이 되는 지도 학습의 특별한 경우입니다. 대표적인 자기 지도 학습의 예는 오토인코더(autoencoder)입니다. 자세한 오토인코더 내용은 <케라스 창시자에게 배우는 딥러닝>(길벗, 2018)의 8장을 참고하세요.

8 역주 사이킷런과 텐서플로는 이처럼 샘플이 입력 배열의 첫 번째 차원을 따라 놓여 있을 것으로 기대합니다.

9 역주 책에서 샘플 개수는 n, 특성 개수는 m으로 나타냅니다.

1.2 머신 러닝의 세 가지 종류 | 목차 | 1.4 머신 러닝의 시스템 구축 로드맵