Page 11 -

도했는데, 초기 연구는 상징적 인공 지능(symbolic AI)이 주를 이뤘다. 상징적 인공 지능은 사람의
지식을 컴퓨터가 처리할 수 있는 선언적인 형태로 표현한다. 가장 진보된 연구는 전문가 시스템
(Expert System)으로, 사람의 의사 결정을 흉내내는 컴퓨터 시스템이었다. 1

그러나 상징적 인공 지능은 전문가의 도메인 지식에 크게 의존하며, 도메인 지식과 의사 결정 규
칙을 직접 하드 코딩해야 한다는 단점이 있다. 한계에 부딪힌 전문가들은 인공 지능에 회의감을 머신 러닝과 신경망 개론
가졌고, 인공 지능 연구는 긴 침체기를 겪었다.

상징적 인공 지능이 1950년대를 주름잡을 무렵, 인공 지능의 하위 분야였던 머신 러닝 연구는 비

교적 조용히 진행됐다. 머신 러닝은 컴퓨터가 과거 데이터를 학습해 미래 데이터를 예측하는 알고
리즘을 말한다.

초기 인공 지능 연구자들은 머신 러닝에 큰 관심이 없었다. 당시에는 컴퓨터 성능이 뛰어나지도
않았고 머신 러닝에 필요한 방대한 데이터를 저장할 수도 없었다. 하지만 머신 러닝의 침체기는
그리 길지 않았다. 2000년대 후반, 머신 러닝의 인기와 함께 인공 지능도 화려하게 부활했다. 이
는 대량의 빅데이터를 수집, 저장하고 머신 러닝 알고리즘을 빠르게 실행할 수 있는 프로세서를

갖춘 성숙한 컴퓨터 시스템이 등장한 덕분이다. 이로써 인공 지능 연구도 다시 봄을 맞았다.

1.1.1 머신 러닝 알고리즘

머신 러닝 알고리즘이 어떻게 동작하는지 알아보자. 머신 러닝 알고리즘은 다음 두 유형으로 나
눈다.

● 지도 학습(Supervised Learning): 레이블(label)이 주어진 훈련 데이터를 사용해 입력(input) 변
수를 목표(target) 변수로 변환하는 규칙을 학습하는 알고리즘이다. 예를 들어 온도, 시간대,
계절, 대기압 등 여러 입력 변수를 사용해 내일 비가 올지(목표 변수) 예측하는 기상 예보 알
고리즘을 만들 수 있다.

● 비지도 학습(Unsupervised Learning): 레이블이 없는 훈련 데이터를 사용해 데이터 간 규칙을
학습하는 알고리즘이다. 비지도 학습의 가장 대표적인 활용 사례는 군집 분석으로, 레이블

이 없는 데이터의 숨은 패턴과 군집을 발굴한다.

책에서는 지도 학습 알고리즘을 주로 다룬다. 지도 학습을 더 잘 이해할 수 있는 예제를 살펴보자.
머신 러닝에 열광하는 엔지니어이자 동물 애호가인 당신은 어느 날 지도 학습을 사용해 어떤 동물

이 사람에게 우호적인지(예: 귀여운 강아지) 또는 적대적인지(예: 사나운 곰) 알아내는 머신 러닝

23

신경망교과서_07.indd 23 2020-05-19 오전 9:04:29