패스트캠퍼스 환급챌린지 50일차 : 딥러닝·인공지능 Signature 초격차 패지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

 

강의 수강 시작

 

학습 인증샷

 

 강의 목록

 

강의 수강 완료

 

오늘은 메트릭 러닝에 대해 처음 접했다. 원래 다른 부분부터 들어야하지만, 생소하면서도 흥미로워서 먼저 들어보게 되었다. 메트릭 러닝에서 말하는 메트릭은 두 점 사이의 거리를 정의하는 함수로, 이 함수는 몇 가지 수학적인 성질을 가져야 한다. 대표적으로는 거리가 음수가 될 수 없는 비음수성, 세 점 사이 거리의 합 관계를 따르는 삼각 부등식, 그리고 대칭성이 있다. 즉, 한 점에서 다른 점까지의 거리는 반대 방향도 동일해야 한다.

예시로 가장 많이 쓰이는 방식은 유클리드 거리이다. 하지만 이 방식은 차원이 높은 데이터에서는 한계를 가진다. 모든 방향에서 동일하게 거리를 계산하기 때문에 데이터 간의 구조적 관계나 클래스 간 상관관계를 고려하지 못한다. 다시 말해, 어떤 방향으로든 거리 계산 기준이 같기 때문에 섬세한 판단이 어렵다.

이러한 문제를 보완하기 위해 마할라노비스 거리라는 개념이 사용된다. 이 방법은 공분산 행렬의 역행렬을 거리 계산에 가중치로 활용한다. 즉, 차원 간에 상관관계를 제거하고 거리 계산을 수행함으로써 더 의미 있는 결과를 얻을 수 있다. 이 거리 방식은 각 차원 간의 관계를 반영해 계산하기 때문에, 데이터의 구조를 더 잘 반영할 수 있다는 장점이 있다.

특히 마할라노비스 거리에서 사용하는 행렬이 단위행렬일 경우, 결국 계산 결과는 유클리드 거리와 같아진다. 이 사실은 유클리드 거리가 차원 간 상호작용이 전혀 없다는 전제를 내포하고 있다는 걸 의미한다. 반대로 마할라노비스는 그 가정을 없애고 각 차원 간의 연관성을 고려하기 때문에, 보다 정교한 거리 계산이 가능하다.

오늘 들은 내용은 처음엔 조금 많이 어려웠지만, 데이터 간 거리를 단순한 수치 이상의 의미로 해석할 수 있도록 해주는 개념이라는 점에서 신기하게 느껴졌다. 유클리드 거리라는 용어를 단어는 들어봤지만 이렇게 상세한 개념을 배웠던 적은 없어서 좋았다. 이러한 개념들이 다양한 인공지능 모델이나 데이터 분석 과정에서 활용될 수 있다는 것을 알게 되어 좋았고 앞으로 더 자세히 알아보고 사요해보고 싶은 내용들이라서 좋았다. 

 

https://bit.ly/4hTSJNB