머신러닝 작동방법

“강의에서 배운 내용을 정리해 공유합니다. 실전으로 활용하시기 바랍니다.”

---

데이터 수집

목표에 맞는 데이터를 다양한 환경과 사용자로부터 수집한다.

예: 음성인식의 경우 "Alexa" 등 다양한 발음 데이터를 녹음, 자율주행의 경우 차량 주변 이미지와 위치 정보 수집.

 

모델 훈련

수집한 데이터를 이용해 기계학습 모델을 훈련시킨다.

입력(A)과 출력(B) 간의 매핑을 학습한다.

초기 모델은 성능이 낮으므로 여러 번 반복적으로 개선한다.

 

모델 배치

훈련된 모델을 실제 환경(제품/서비스)에 적용한다.

실제 사용자 데이터로부터 추가 피드백을 받아 성능을 점검한다.

예상치 못한 환경(예: 다른 발음, 새로운 차량 등)에서의 문제를 발견하면, 해당 데이터를 추가 수집하여 모델을 재훈련·업데이트한다.

 

반복적 개선

위 3단계를 반복하여 모델의 성능을 지속적으로 향상시킨다.

실제 환경에서 얻은 데이터를 활용해 모델을 유지·보수한다.

 

다양한 AI 프로젝트에 적용 가능

이 워크플로우는 음성인식, 자율주행 등 거의 모든 기계학습 프로젝트에 동일하게 적용된다.

 

 

→ Digitalian: 결국 모든 핵심의 뿌리는 ‘질문’ 입니다. 무엇을 할 것인가? 어떤 목표를 이룰 것인가? 스스로 질문한 것에서 방향성이 결정됩니다. 방향성은 ‘인간’만이 잡을 수 있습니다.

 

---

※본 요약은 ‘공정 이용(fair use)’사용 목적으로, 모든 내용은 Stanford University 의 Coursera강의 ‘모두를 위한 AI’를 수강하며 작성한 요약이며, 직접적인 강의 내용 복사, 슬라이드 캡쳐등은 저작권에 의하여 엄격히 보호됩니다. - 앤드류 응(Andrew Ng)의 강의 by Coursera Plus - "Learning Notes and Summaries by digitalian”