[한국공공정책신문=김유리 기자]
◇ 교사가 없는 학습의 개념
교사가 없는 학습(Unsupervised Learning)이란 기계학습의 하나이다. 기계학습에서 반복 처리를 하여 목표가 되는 모델에 접근하는 것을 ‘학습’이라고 하는데, 이 모델 자체를 컴퓨터가 작성하는 것을 교사가 없는 학습이라고 한다. 교사가 없는 학습은 출력해야 할 것이 정해져 있지 않기 때문에 ‘교사가 있는 학습’이라는 말도 있지만, 그것과는 전혀 다른 단어가 된다. 교사가 없는 학습에서는 주로 데이터의 특징을 파악하기 위한 용도로 사용되는 경우가 많다. 예컨대, 최근에는 EC(전자상거래) 사이트 등에서 추천(recommendation) 등에 자주 이용되고 있다.
◇ 교사가 없는 학습 방법
첫째, 클러스터링이다. 수많은 데이터 중에서 특징이 가까운 데이터를 모은 것을 클러스터(cluster)라고 하고, 원래가 되는 데이터를 몇 개의 클러스터로 나누어 가는 수법이 클러스터링(clustering)으로, 주로 2차원 평면상에 플롯(plot) 된 데이터를 이용한다.
둘째, 클러스터링의 k-means법이다. 자주 사용하는 수법에는 k-means법이 있는데, 미리 k개의 클러스터로 나누는 것을 전제로, 미리 모든 데이터를 우선 랜덤하게 그룹 나누어 둔다. 이 시점에서의 클러스터의 중심을 구해 두고, 다른 그룹에서 이 중심에 가까운 것이 있는 경우는 그룹을 이동해 간다.
셋째, 클러스분류와 글러스터링 차이다. 교사가 있는 학습과는 달리, 교사가 없는 학습의 수법을 회귀나 분류에는 맞출 수 없다. 기계학습에서 회귀나 분류는 교사이자 학습에서 자주 사용하는 방법이다.
◇ 클러스터링의 주성분 분석
클러스터링과 함께 자주 이용되는 처리가 주성분 분석이라고 불리는 기법인데, 이는 다양한 데이터에서 어떤 일정한 법칙을 찾아내는 기법으로 무차원량에 있는 요소에서 비교적 목적의 지표에 대해 기여하는 비율이 높은 것에서 몇 가지를 추출해 사용하는 방법으로 이를 차원압축이라고 한다. 차원압축의 예로는 인간의 다양한 파라미터(키, 체중, 달리는 속도, 점프의 높이 등)에서 목적의 정보(키와 빠르기의 관계나, 체중과 점프 높이의 관계)로 잘라 나가는 것 등을 들 수 있다.
◇ 자기 조직화 맵(SOM)
SOM(Self Organizing Map)은 신경망의 일종으로 교사가 없는 학습의 출력을 이용한 클러스터링을 표현한 것으로 대뇌피질의 시각피질를 모델링한 것으로 다양한 입력을 계속하다 보면 점점 비슷한 입력에 모여가는 상태를 얻을 수 있다. 자기 조직화 맵에서는 입력 n에 대한 출력 m이 있고 각각의 입출력에 가중치를 둔 벡터(Vector)가 존재한다. 어떤 입력이 있으면 그 입력에 가장 가까운 출력의 벡터가 승자가 되고 그 근방의 벡터에 대한 가중치가 갱신된다.
◇ 벡터 양자화(VQ)
일반적으로 ‘벡터 양자화(Vector Quantization)’는 표본화한 아날로그 신호의 각 샘플을 가장 가까운 이산값(discrete value)의 디지털 부호로 바꾸어 놓는 것이다. 벡터 양자화(VO)는 이것을 응용하여 복수의 데이터를 벡터(Vector)로 취급하고 정리하여 아날로그 신호를 디지털 데이터로 변환한다고 하는 수법으로, 입력 벡터를 가장 가까운 대표적인 벡터로 근사하게 양자화하는 방법으로 화상 압축 등에도 이용되고 있다.
이규철 / 법학박사(상법)
∙ AI·GPT, SDGs&ESG 코치 및 강사
∙ 100세대학 크리에이터 및 칼럼니스트
∙ 생성AI와 챗GPT, SDGs·ESG경영전략,
글로벌 MBAtoCEO, 리더의 필승전략,
100세대학 행복디자인 매뉴얼 등 27권
∙ 일본(와세다대),중국(복단대·화동정법대)
){kind=small}
){kind=small}
){kind=small}
){kind=small}