패스트캠퍼스 환급챌린지 52일차 : 딥러닝·인공지능 Signature 초격차 패지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

 

강의 수강 시작

 

 

 

학습 인증샷

강의 학습목록

 

 

강의 수강 완료

 

 

오늘은 메트릭 러닝에서 사용하는 다양한 학습 방식에 대해 배웠다. 지도 학습, 비지도 학습, 그리고 준지도 학습까지 각각의 개념과 적용 분야를 비교하며 정리할 수 있어서 이해가 잘 되었다.

지도 메트릭 학습은 입력 데이터와 정답 레이블을 모두 활용하는 방식이다. 주어진 레이블에 따라 같은 클래스는 서로 가깝게, 다른 클래스는 멀리 떨어지게 만드는 거리 함수를 학습하는 것이 핵심이다. 이를 통해 분류나 회귀 문제에서 보다 정교한 구분이 가능해진다. 대표적인 예시로는 얼굴 인식이 있다. 얼굴 인식에서 지도 메트릭 학습은 같은 사람의 얼굴은 더 가깝게, 다른 사람의 얼굴은 더 멀리 떨어지도록 학습시켜 얼굴을 더 잘 구분할 수 있도록 도와준다. 이 밖에도 텍스트 분류, 이미지 분류, 추천 시스템 같은 분야에서도 널리 활용된다.

반면 비지도 메트릭 학습은 정답 레이블 없이 오직 데이터만을 기반으로 학습이 이루어진다. 이 경우에는 주로 데이터 간의 패턴이나 구조를 스스로 발견하게 된다. 대표적인 응용 분야는 클러스터링, 이상 탐지, 차원 축소, 데이터 시각화 등이다. 특히 이상 탐지에서는 정상적인 데이터와 그렇지 않은 데이터를 구분할 수 있는 거리 기준을 학습하여, 평소와 다른 패턴을 보이는 데이터를 더 쉽게 식별할 수 있게 한다. 이렇게 학습된 거리 함수는 복잡한 데이터 속에서도 이상한 패턴을 효과적으로 찾아낼 수 있다.

그리고 지도 학습과 비지도 학습의 중간쯤에 해당하는 방식이 약지도 학습이다. 이 방식은 완전한 레이블이 아니라, 부분적인 정보나 비교 정보만을 가지고 학습하는 방식이다. 예를 들어 두 데이터가 서로 유사한지 아닌지만 알려주는 쌍 정보를 활용해서 모델을 학습시킨다. 이처럼 완전한 정답은 없지만, 비교 기준이 주어지는 형태로 작동하기 때문에 레이블 수집이 어려운 상황에서도 효과적으로 사용할 수 있다. 객체의 위치를 추정하는 문제나 일부 준지도 학습, 능동 학습, 추천 시스템에서도 이 방식이 사용된다.

오늘은 세 가지 학습 방식의 차이점과 활용 분야를 비교하면서, 메트릭 러닝이 얼마나 다양한 상황에 적용될 수 있는지를 배웠다. 데이터에 얼마나 많은 정보를 알고 있느냐에 따라 학습 방식이 달라지고, 각 방식은 상황에 맞게 선택할 수 있다는 점이 인상 깊었다. 완전한 정답이 없는 상황에서도 의미 있는 학습이 가능하다는 점에서 메트릭 러닝이 활용할 수 있는 것이 정말 다양하다고 느꼈다.

 

https://bit.ly/4hTSJNB