Offcanvas

H2o

'머신러닝을 더 쉽게' 6가지 툴

‘머신러닝(ML)’이라는 말은 마법 같은 아우라로 가득 차 있다. 기계가 학습하도록 가르치기란 아직 일반인의 영역으로 보기 어렵다. 오늘날 이 용어는 데이터를 금으로 바꾸는 데이터 사이언티스트 같은 매우 전문적인 연금술사들의 영역이다.   단 이제 머신러닝 툴은 약간의 용기와 동기만 있다면 누구나 버튼을 눌러 기계가 중요한 것을 학습할 수 있도록 하는 수준으로 발전해가고 있다. 단번에 되는 정도는 아닐지언정 데이터를 모아 실행 가능한 통찰력으로 바꾸는 작업이 충분히 자동화되어가는 중이며, 동기를 가진 스마트한 사람들이라면 도전할만한 수준으로 진보했다.  이런 느린 르네상스는 비즈니스 세계의 많은 사람들이 이미 데이터를 꽤 능숙하게 다루게 되면서 이뤄졌다. 숫자로 가득 찬 스프레드시트는 모든 비즈니스의 의사 결정자들의 언어다. 머신러닝을 다루게 해주는 각종 새로운 툴은 기본적으로 테이블 데이터를 유용한 답변으로 바꾸는 여러 전략과 옵션의 조합이다. 이 툴의 강점은 데이터 수집, 가능한 경우 구조와 일관성 추가, 계산 시작 등의 번거로운 작업을 처리할 수 있는 능력이다. 데이터 수집 과정과 정보를 행과 열로 유지하는 단조로운 작업이 간소화된다. 이 툴은 아직 이 모든 학습을 스스로 수행할 만큼 충분히 스마트하지 못하다. 적절한 질문을 던지고 적절한 곳을 살펴야 한다. 하지만 이 툴을 통해 더욱 신속하게 답을 얻을 수 있기 때문에 더 넓은 영역을 담당하고 더 많은 곳을 조사할 수 있게 된다.  AutoML : 머신러닝의 민주화 최근 머신러닝 알고리즘 분야에는 추가적인 자동화 메타 계층이 수반된다는 의미의 새로운 유행어인 ‘AutoML’이 등장했다. 전통적인 알고리즘은 옵션과 파라미터가 많았다. 데이터 사이언티스트들은 종종 예측 가능성이 가장 높은 규칙을 찾을 때까지 이런 것들을 조정하느라 시간의 80-99%를 소요하곤 한다. AutoML은 여러 옵션을 시도하고 시험한 후 추가적인 작업를 거쳐 이 단계를 자동화한다. 머신러닝...

스플렁크 AutoML H2o 래피드마이너 BigML 데이터로봇 R 스튜디오 머신러닝 툴

2019.09.06

‘머신러닝(ML)’이라는 말은 마법 같은 아우라로 가득 차 있다. 기계가 학습하도록 가르치기란 아직 일반인의 영역으로 보기 어렵다. 오늘날 이 용어는 데이터를 금으로 바꾸는 데이터 사이언티스트 같은 매우 전문적인 연금술사들의 영역이다.   단 이제 머신러닝 툴은 약간의 용기와 동기만 있다면 누구나 버튼을 눌러 기계가 중요한 것을 학습할 수 있도록 하는 수준으로 발전해가고 있다. 단번에 되는 정도는 아닐지언정 데이터를 모아 실행 가능한 통찰력으로 바꾸는 작업이 충분히 자동화되어가는 중이며, 동기를 가진 스마트한 사람들이라면 도전할만한 수준으로 진보했다.  이런 느린 르네상스는 비즈니스 세계의 많은 사람들이 이미 데이터를 꽤 능숙하게 다루게 되면서 이뤄졌다. 숫자로 가득 찬 스프레드시트는 모든 비즈니스의 의사 결정자들의 언어다. 머신러닝을 다루게 해주는 각종 새로운 툴은 기본적으로 테이블 데이터를 유용한 답변으로 바꾸는 여러 전략과 옵션의 조합이다. 이 툴의 강점은 데이터 수집, 가능한 경우 구조와 일관성 추가, 계산 시작 등의 번거로운 작업을 처리할 수 있는 능력이다. 데이터 수집 과정과 정보를 행과 열로 유지하는 단조로운 작업이 간소화된다. 이 툴은 아직 이 모든 학습을 스스로 수행할 만큼 충분히 스마트하지 못하다. 적절한 질문을 던지고 적절한 곳을 살펴야 한다. 하지만 이 툴을 통해 더욱 신속하게 답을 얻을 수 있기 때문에 더 넓은 영역을 담당하고 더 많은 곳을 조사할 수 있게 된다.  AutoML : 머신러닝의 민주화 최근 머신러닝 알고리즘 분야에는 추가적인 자동화 메타 계층이 수반된다는 의미의 새로운 유행어인 ‘AutoML’이 등장했다. 전통적인 알고리즘은 옵션과 파라미터가 많았다. 데이터 사이언티스트들은 종종 예측 가능성이 가장 높은 규칙을 찾을 때까지 이런 것들을 조정하느라 시간의 80-99%를 소요하곤 한다. AutoML은 여러 옵션을 시도하고 시험한 후 추가적인 작업를 거쳐 이 단계를 자동화한다. 머신러닝...

2019.09.06

'머신러닝 활용을 더 쉽게' 오픈소스 툴 11선

스팸 필터링, 안면 인식, 추천 엔진 등, 방대한 분량의 데이터 셋을 상대로 예측 분석이나 패턴 인식을 하고자 한다면 머신러닝만한 방법이 없다. 무료 오픈소스 소프트웨어가 많아지면서 단일 기기 및 여러 대의 기기에, 널리 쓰이는 프로그래밍 언어로 확장하여 머신러닝을 활용하기가 훨씬 쉬워졌다. 오늘 소개할 11가지 오픈소스 툴은 파이썬, R, C++, 자바, 스칼라, 클로쥬어, 자바스크립트, 고 등의 라이브러리를 포함하고 있다.  ciokr@idg.co.kr

구글 사이킷-런 쇼군 어코드닷넷 아파치 머하웃 스파크 MLlib 클라우데라 오릭스 고런 웨카 Deeplearn.js ConvNetJS H2o 텐서플로 자바 자바스크립트 맵리듀스 하둡 데이터 마이닝 기계학습 파이썬 C++ 스칼라 R 클로쥬어

2017.10.11

스팸 필터링, 안면 인식, 추천 엔진 등, 방대한 분량의 데이터 셋을 상대로 예측 분석이나 패턴 인식을 하고자 한다면 머신러닝만한 방법이 없다. 무료 오픈소스 소프트웨어가 많아지면서 단일 기기 및 여러 대의 기기에, 널리 쓰이는 프로그래밍 언어로 확장하여 머신러닝을 활용하기가 훨씬 쉬워졌다. 오늘 소개할 11가지 오픈소스 툴은 파이썬, R, C++, 자바, 스칼라, 클로쥬어, 자바스크립트, 고 등의 라이브러리를 포함하고 있다.  ciokr@idg.co.kr

2017.10.11

'누구나 할 수 있는 머신러닝' 6가지 AML 프로젝트

머신러닝은 강력하지만 그만한 대가를 치러야 한다. 기술과 도구, 하드웨어, 데이터를 갖춘다 해도 머신러닝 모델을 만들고 세밀하게 조정하는 데는 복잡함이 따른다. 그러나 머신러닝의 핵심이 과거 사람이 직접 해야 했던 일을 자동화하는 데 있다면 머신러닝 자체의 단조로운 작업을 머신러닝을 사용해서 해결하는 것도 가능하지 않을까? 짧게 답한다면 조건부로 가능하다. “AML(Autimated Machine Learning, 자동화된 머신러닝)”로 통용되는 몇 가지 기술은 모델을 준비하고 정확성을 개선하기 위해 점진적으로 다듬는 데 필요한 작업을 줄여줄 수 있다. AML은 아직 초기 단계다. 현재는 여러 가지 개별적인 조각과 상호 단절된 기술들의 모음이지만 빠른 속도로 상용화되고 있으며, 머신러닝 전문가가 아닌 일반적인 비즈니스 사용자도 이용할 수 있을 만큼 발전했다. 그 길을 이끌고 있는 6가지 AML 툴을 소개한다. Auto-sklearn과 Auto-Weka 이미 보급된 AML의 두 가지 예는 일반적인 머신러닝 기능 패키지로 폭넓게 사용되는 Scikit-learn 프로젝트를 강화하는 형태의 툴이다. Scikit-learn에는 여러 가지 “추정자(estimator)” 기능, 즉 제공된 데이터로 학습하기 위한 방법론이 제공된다. 적절한 추정자를 선택하는 일은 지루한 과정이 될 수 있는데, Auto-sklearn 프로젝트는 이러한 지루함을 일부 없애는 것을 목표로 한다. Auto-sklearn은 자체 분석을 수행해 주어진 Scikit-learn 작업을 위한 최적의 알고리즘과 하이퍼 매개변수 집합을 결정하는 보편적 추정자 기능을 제공한다. Auto-sklearn에도 여전히 일부 수작업이 필요하다. 최종 사용자는 튜닝 프로세스에서 사용할 수 있는 메모리와 시간 제한을 설정해야 한다. 그러나 이 정도만 선택하고 나머지를 머신에 맡기는 편이 모델 선택과 하이퍼 매개변수를 붙잡고 씨름하는 ...

자동화 AML AutoML H2o 프로디지

2017.09.25

머신러닝은 강력하지만 그만한 대가를 치러야 한다. 기술과 도구, 하드웨어, 데이터를 갖춘다 해도 머신러닝 모델을 만들고 세밀하게 조정하는 데는 복잡함이 따른다. 그러나 머신러닝의 핵심이 과거 사람이 직접 해야 했던 일을 자동화하는 데 있다면 머신러닝 자체의 단조로운 작업을 머신러닝을 사용해서 해결하는 것도 가능하지 않을까? 짧게 답한다면 조건부로 가능하다. “AML(Autimated Machine Learning, 자동화된 머신러닝)”로 통용되는 몇 가지 기술은 모델을 준비하고 정확성을 개선하기 위해 점진적으로 다듬는 데 필요한 작업을 줄여줄 수 있다. AML은 아직 초기 단계다. 현재는 여러 가지 개별적인 조각과 상호 단절된 기술들의 모음이지만 빠른 속도로 상용화되고 있으며, 머신러닝 전문가가 아닌 일반적인 비즈니스 사용자도 이용할 수 있을 만큼 발전했다. 그 길을 이끌고 있는 6가지 AML 툴을 소개한다. Auto-sklearn과 Auto-Weka 이미 보급된 AML의 두 가지 예는 일반적인 머신러닝 기능 패키지로 폭넓게 사용되는 Scikit-learn 프로젝트를 강화하는 형태의 툴이다. Scikit-learn에는 여러 가지 “추정자(estimator)” 기능, 즉 제공된 데이터로 학습하기 위한 방법론이 제공된다. 적절한 추정자를 선택하는 일은 지루한 과정이 될 수 있는데, Auto-sklearn 프로젝트는 이러한 지루함을 일부 없애는 것을 목표로 한다. Auto-sklearn은 자체 분석을 수행해 주어진 Scikit-learn 작업을 위한 최적의 알고리즘과 하이퍼 매개변수 집합을 결정하는 보편적 추정자 기능을 제공한다. Auto-sklearn에도 여전히 일부 수작업이 필요하다. 최종 사용자는 튜닝 프로세스에서 사용할 수 있는 메모리와 시간 제한을 설정해야 한다. 그러나 이 정도만 선택하고 나머지를 머신에 맡기는 편이 모델 선택과 하이퍼 매개변수를 붙잡고 씨름하는 ...

2017.09.25

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 편집인 : 박재곤 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.

10.4.0.31