기계 학습

3. 역사

"머신러닝"이라는 용어는 1959년 IBM 직원이자 컴퓨터 게임과 인공지능 분야의 선구자인 아서 사무엘에 의해 만들어졌다.^[5][6] 이 시기에는 "자기 학습 컴퓨터"라는 동의어도 사용되었다.^[7][8]

최초의 머신러닝 모델 중 하나는 1950년대에 아서 사무엘이 체커 게임에서 각 편의 승리 확률을 계산하는 프로그램을 개발하면서 등장했다.^[9] 하지만 머신러닝의 역사는 인간의 인지 과정을 이해하려는 오랜 노력과 맞닿아 있다. 1949년, 캐나다의 심리학자 도널드 헵은 그의 저서 ''행동의 조직''에서 뉴런 간의 특정 상호작용으로 형성되는 이론적 신경 구조인 헵의 학습 규칙을 제시했다.^[10] 헵의 이론은 인공 뉴런들이 정보를 전달하는 방식, 즉 현대 AI와 머신러닝 알고리즘의 기초를 마련하는 데 기여했다.^[9] 또한 논리학자 월터 피츠와 워렌 매컬럭 같은 인지 시스템 연구자들은 인간의 사고 과정을 모방하는 초기 신경망 수학 모델을 제안하며 현대 머신러닝 기술 발전에 영향을 주었다.^[9]

1960년대 초, 레이시온은 천공 테이프 메모리를 사용하는 실험적인 "학습 기계"인 사이버트론을 개발했다. 이 기계는 초보적인 강화 학습 원리를 이용하여 소나 신호, 심전도 및 음성 패턴을 분석했다. 사이버트론은 인간 조작자(교사)에 의해 반복적으로 "훈련"되어 패턴을 인식하도록 학습했으며, 잘못된 결정을 내렸을 때 이를 재평가하도록 하는 "실수" 버튼을 갖추고 있었다.^[11] 1960년대 머신러닝 연구의 대표적인 저작으로는 닐슨(Nilsson)의 『Learning Machines』가 있으며, 주로 패턴 분류를 위한 머신러닝을 다루었다.^[12] 패턴 인식에 대한 관심은 1970년대까지 이어졌으며, 이는 두다(Duda)와 하트(Hart)의 1973년 연구에서도 확인된다.^[13] 1981년에는 인공 신경망을 훈련시켜 컴퓨터 터미널에서 40개의 문자(알파벳 26자, 숫자 10개, 특수 기호 4개)를 인식하게 하는 전략에 대한 보고서가 제출되기도 했다.^[14]

4. 일반화

기계 학습에서 일반화(Generalization)는 훈련 이후 새롭게 들어온 데이터를 정확히 처리할 수 있는 능력을 의미한다.

기계 학습 알고리즘 및 그 성능에 대한 분석은 이론 컴퓨터 과학의 한 분야인 계산 학습 이론(Computational Learning Theory^eng)에서 다룬다. 훈련에 사용되는 데이터는 유한하며, 미래는 불확실하기 때문에 학습 이론은 일반적으로 알고리즘의 성능을 완벽하게 보장하기 어렵다. 대신 성능에 대한 확률적인 범위를 제공하는데, 예를 들어 바실리 호프딩(Wassily Hoeffding)의 호프딩 부등식(Hoeffding's inequality) 등이 통계적 학습 이론의 일부로 활용된다.^[162]

계산 학습 이론은 학습 과정의 시간 복잡도와 실현 가능성에 대해서도 연구한다. 이 분야에서는 다항 시간 안에 계산이 완료되는 것을 실현 가능한 것으로 간주한다.

다양한 학습 알고리즘의 일반화 특성을 규명하는 것은 현재 활발히 연구되고 있는 주제이며, 특히 심층 학습 알고리즘에 대한 연구가 활발하다.

기계 학습은 사용하는 용어는 다르지만 통계학 및 통계적 추론과 많은 유사점을 가지고 있다.

5. 다른 분야와의 관계

기계 학습은 특정 분야에 국한되지 않고 여러 학문 분야와 깊은 연관성을 맺으며 발전해왔다. 주요 관련 분야는 다음과 같다.

• 인공 지능: 기계 학습은 전통적으로 인공 지능 연구의 한 분야로 시작되었으며, 지능적인 시스템을 구현하기 위한 핵심 기술로 연구되고 있다.
• 데이터 마이닝: 유사한 기법을 많이 공유하지만, 기계 학습은 주로 훈련 데이터를 기반으로 한 예측에, 데이터 마이닝은 데이터 속에서 이전에 알려지지 않았던 새로운 패턴이나 지식을 발견하는 데 더 중점을 둔다는 점에서 목표의 차이가 있다. 두 분야는 서로의 기법을 활용하기도 한다.
• 통계학: 많은 기계 학습 모델과 기법이 통계학적 원리에 기반하고 있으며, 데이터를 분석하고 해석하는 데 통계학적 방법론을 활용한다. 다만 통계학은 주로 표본 데이터로부터 모집단에 대한 추론을 이끌어내는 데 초점을 맞추는 반면, 기계 학습은 일반화 가능한 예측 성능 자체에 더 집중하는 경향이 있다.
• 최적화: 많은 기계 학습 문제는 훈련 데이터에 대한 모델의 예측 오차를 나타내는 손실 함수를 정의하고, 이 함수의 값을 최소화하는 최적화 문제로 귀결된다. 경사 하강법과 같은 다양한 최적화 알고리즘이 모델 학습 과정에서 핵심적인 역할을 수행한다.^[22]
• 통계 물리학: 복잡하고 무질서한 시스템을 분석하는 통계 물리학의 방법론과 기법들이 심층 신경망과 같은 대규모 기계 학습 모델의 특성을 이해하거나 의료 진단과 같은 문제에 응용되기도 한다.

5. 1. 인공 지능

5. 2. 데이터 마이닝

• 기계 학습은 훈련 데이터를 통해 학습된 알려진 속성을 기반으로 예측하는 데 초점을 맞춘다.
• 데이터 마이닝은 데이터에서 이전에 알려지지 않았던 속성을 발견하는 데 집중한다. 이는 데이터베이스의 지식 발견 분석 절차에 해당한다.

5. 3. 통계학

5. 4. 최적화

5. 5. 통계 물리학

6. 이론

이론 컴퓨터 과학의 한 갈래인 계산 학습 이론은 기계 학습 알고리즘과 그 성능을 분석하는 분야이다.^[162] 학습자의 핵심 목표는 경험으로부터 일반화하는 것인데,^[30][31] 이는 학습 데이터 세트를 경험한 후 새롭고 보이지 않는 예제나 과제에 대해 정확하게 수행하는 학습 기계의 능력을 의미한다. 훈련 예제는 일반적으로 알려지지 않은 확률 분포에서 나오며, 학습자는 이 분포를 대표하는 일반적인 모델을 구축하여 새로운 경우에 대해 충분히 정확한 예측을 생성해야 한다.

훈련 데이터는 유한하고 미래는 불확실하기 때문에, 학습 이론은 일반적으로 알고리즘의 성능을 완벽하게 보장하지 못한다. 대신 성능에 대한 확률적 경계를 제공하는 경우가 많으며, 확률적 근사 정확 학습(PAC, Probably Approximately Correct learning) 모델이 대표적이다. 편향-분산 분해는 일반화 오류를 정량화하는 한 가지 방법이다. 일반화 성능을 최적화하려면 가설의 복잡성이 데이터 기저 함수의 복잡성과 일치해야 한다. 가설이 함수보다 덜 복잡하면 모델이 데이터에 과소 적합된 것이고, 반대로 가설이 너무 복잡하면 모델이 과적합되기 쉬워 일반화 성능이 저하된다.^[32]

성능 경계 외에도 학습 이론가들은 학습의 시간 복잡도와 실행 가능성을 연구한다. 계산 학습 이론에서 계산은 다항 시간 내에 수행될 수 있을 때 실행 가능한 것으로 간주한다. 특정 함수 클래스가 다항 시간에 학습될 수 있음을 보이는 긍정적 결과와, 특정 클래스는 다항 시간에 학습될 수 없음을 보이는 부정적 결과 연구가 진행된다. 다양한 학습 알고리즘, 특히 심층 학습 알고리즘의 일반화 특성을 규명하는 것은 활발히 연구되는 주제이다. 기계 학습은 다른 용어를 사용하지만 통계적 추론과도 많은 유사점을 가진다.

'''통계적 기계 학습'''(Statistical Machine Learning)은 기계 학습 중 데이터의 확률적인 생성 규칙을 학습하는 것을 의미한다.^[163] 통계학이 모집단과 표본, 그리고 그 안에 존재하는 확률분포에 주목하는 것처럼, 통계적 기계 학습에서는 데이터가 모집단에서 확률적으로 얻어진다고 가정한다. 데이터의 생성 과정을 확률 분포를 사용하여 모델링하고, 실제 데이터를 기반으로 모델 자체 또는 모델 선택 과정을 학습한다. 이러한 모델은 모집단으로부터 데이터를 생성한다고 해석할 수 있어 생성 모델(Generative Model) 또는 통계 모델이라고도 불린다.^[164] 표본을 기반으로 모집단의 파라미터를 추정하거나 선택하는 것은 통계학에서 오랫동안 연구되어 온 주제이며, 통계적 기계 학습은 이러한 통계학 이론을 적용하여 학습의 수렴이나 일반화 성능과 같은 문제들을 다룬다. 통계적 기계 학습의 예로는 뉴럴 네트워크 기반의 생성 모델, 예를 들어 자기 회귀형 생성 네트워크, 변분 오토인코더(VAE), 생성적 적대 신경망(GAN) 등이 있다.

많은 기계 학습 기법은 데이터에 대한 모델 출력의 오차를 정의하고, 이 오차를 최소화하도록 모델의 매개변수를 업데이트(학습)한다. 오차를 계산하는 함수인 손실 함수를 최소화하는 문제는 응용 수학의 수리적 최적화 분야에서 다루는 최적화 문제이다. 예를 들어 인공 신경망에서는 손실 함수에 대해 미분을 수행하는 경사 하강법(확률적 경사 하강법 등)을 사용하여 학습하는 경우가 많다. 사용되는 최적화 방법이 최적해로 수렴하는지 여부는 수리적 최적화 이론을 통해 연구되며, 최적화 방법에 따라 모델에 부과되는 제약 조건도 달라진다. 예를 들어 경사 하강법을 사용하려면 모델 내 모든 함수가 미분 가능해야 한다는 제약(역전파 가능성)이 따른다.

7. 접근 방법별 알고리즘

• 지도 학습 (Supervised learning^eng): 컴퓨터에 '교사' 역할을 하는 데이터, 즉 예시 입력과 그에 해당하는 정답(원하는 출력)을 함께 제공하여 학습시킨다. 목표는 입력과 출력 사이의 일반적인 규칙이나 함수를 학습하는 것이다.
• 비지도 학습 (Unsupervised learning^eng): 학습 알고리즘에 정답(레이블)이 주어지지 않는다. 알고리즘은 입력 데이터 자체에서 숨겨진 구조나 패턴을 스스로 찾아야 한다. 이는 데이터의 숨겨진 패턴을 발견하는 것 자체가 목표일 수도 있고(군집 분석), 데이터를 더 유용하게 표현하는 방법을 배우는 수단(특징 학습)일 수도 있다.
• 강화 학습 (Reinforcement learning^eng): 컴퓨터 프로그램(에이전트)이 특정 목표(예: 자동차 운전 또는 상대방과의 게임)를 달성하기 위해 동적인 환경과 상호작용하며 학습한다. 프로그램은 문제 공간을 탐색하면서 자신의 행동에 대한 보상과 같은 피드백을 받고, 이 보상을 최대화하는 방향으로 행동 방식을 학습한다.^[30]

7. 1. 지도 학습

7. 2. 비지도 학습

7. 3. 준지도 학습

7. 4. 강화 학습

7. 5. 차원 축소

7. 6. 기타 유형

• 지도 특징 학습: 레이블(정답)이 있는 데이터를 사용하여 특징을 학습한다. 예로는 인공 신경망, 다층 퍼셉트론, 지도 사전 학습 등이 있다.
• 비지도 특징 학습: 레이블이 없는 데이터를 사용하여 특징을 학습한다. 예로는 사전 학습, 독립 성분 분석, 오토인코더, 행렬 인수분해^[51] 및 다양한 형태의 군집화가 있다.^[52][53][54]

• 다양체 학습: 학습된 표현이 저차원 공간에 놓이도록 제약을 가한다.
• 희소 코딩: 학습된 표현이 희소(sparse)하도록, 즉 표현에 0이 많도록 제약을 가한다.
• 다중 선형 부분 공간 학습: 고차원 데이터를 벡터로 변환하지 않고 텐서 형태 그대로 사용하여 저차원 표현을 학습한다.^[55]
• 심층 학습: 여러 계층의 표현(특징)을 학습하며, 상위 계층의 추상적인 특징은 하위 계층의 특징을 기반으로 정의된다. 지능적인 기계는 관찰된 데이터를 설명하는 근본적인 변화 요인을 분리해내는 표현을 학습하는 기계라고도 주장된다.^[56]

• 비지도 이상 탐지: 레이블이 없는 데이터셋에서 대부분의 데이터가 정상이라고 가정하고, 이들과 가장 잘 맞지 않는 데이터를 이상치로 탐지한다.
• 지도 이상 탐지: "정상"과 "비정상"으로 레이블된 데이터셋을 사용하여 분류기를 훈련시킨다. 일반적인 분류 문제와 달리 데이터가 매우 불균형하다는 특징이 있다.
• 준지도 이상 탐지: 정상 데이터셋을 사용하여 정상적인 행동 모델을 구축한 후, 새로운 데이터가 이 모델에서 생성될 가능성이 얼마나 낮은지를 평가하여 이상 여부를 판단한다.

8. 주제별 알고리즘

기계 학습 알고리즘은 다양한 주제에 따라 분류될 수 있다.

• '''선수 지식'''
• * 베이즈 이론

• '''모형화'''
• * 인공 신경망
• * 결정 트리 학습
• * 유전 알고리즘
• * 유전자 프로그래밍
• * 가우스 과정 회귀
• * 선형 분별 분석
• * K-최근접 이웃 알고리즘
• * 퍼셉트론
• * 방사 기저 함수 네트워크
• * 서포트 벡터 머신

• '''모수 추정 알고리즘'''
• * 동적 프로그래밍
• * 기댓값 최대화 알고리즘

• '''생성 모형을 이용한 확률 분포 함수의 모형화'''
• * 베이즈 네트워크와 마르코프 임의장을 포함한 그래프 모형

• '''근사 추론 기법'''
• * 몬테 카를로 방법
• * 아다부스트

• '''지도 특징 학습''': 레이블(정답)이 있는 입력 데이터를 사용하여 특징을 학습한다. 예로는 인공 신경망, 다층 퍼셉트론, 지도 사전 학습 등이 있다.
• '''비지도 특징 학습''': 레이블이 없는 입력 데이터로 특징을 학습한다. 예로는 사전 학습, 독립 성분 분석, 오토인코더, 행렬 분해, 다양한 형태의 군집화 등이 있다.^{[51][52][53][54]}

• 다양체 학습 알고리즘은 학습된 표현이 저차원이라는 제약 조건 하에서 특징 학습을 수행한다.
• 희소 코딩 알고리즘은 학습된 표현이 희소(sparse), 즉 수학적 모델에서 0의 값이 많다는 제약 조건 하에서 특징 학습을 수행한다.
• 다중 선형 부분 공간 학습 알고리즘은 고차원 벡터로 변환하지 않고 다차원 데이터의 텐서 표현에서 직접 저차원 표현을 학습하는 것을 목표로 한다.^[55]
• 심층 학습 알고리즘은 여러 수준의 표현 또는 특징 계층 구조를 발견하며, 더 높은 수준의 추상적인 특징은 더 낮은 수준의 특징을 기반으로 정의되거나 생성된다. 지능적인 기계는 관찰된 데이터를 설명하는 근본적인 변화 요인을 분리하는 표현을 학습하는 기계라고 주장되기도 한다.^[56]

• '''분류''': 각 클래스마다 이미 구성된 사전이 있다고 가정할 때, 새로운 훈련 데이터는 해당 데이터를 가장 잘 희소하게 표현하는 사전의 클래스와 연관된다.
• '''이미지 잡음 제거''': 핵심 아이디어는 깨끗한 이미지 조각(patch)은 이미지 사전을 통해 희소하게 표현될 수 있지만, 잡음(noise)은 그렇지 않다는 것이다.^[58]

9. 모델

'''머신러닝 모델'''은 주어진 데이터셋으로 "훈련"된 후 새로운 데이터에 대한 예측 또는 분류에 사용될 수 있는 일종의 수학적 모델이다. 훈련 중에 학습 알고리즘은 모델의 내부 매개변수를 반복적으로 조정하여 예측 오류를 최소화한다.^[73] 넓은 의미에서 "모델"이라는 용어는 일반적인 모델의 종류와 관련 학습 알고리즘부터 모든 내부 매개변수가 조정된 완전히 훈련된 모델까지 여러 수준의 구체성을 나타낼 수 있다.^[74]

머신러닝 시스템에는 다양한 유형의 모델이 사용되고 연구되었으며, 작업에 가장 적합한 모델을 선택하는 것을 모델 선택이라고 한다. 주요 모델 유형은 다음과 같다.

• 인공 신경망: 생물학적 신경망에서 영감을 받아 만들어진 모델로, 여러 계층의 인공 뉴런으로 구성되어 복잡한 패턴을 학습할 수 있다. 심층 학습은 특히 여러 은닉층을 가진 신경망을 의미한다.
• 결정 트리 학습법: 데이터를 분류하거나 예측하기 위해 결정 트리 구조를 사용하는 모델이다. ID3나 랜덤 포레스트 등이 있다.
• 서포트 벡터 머신 (SVM): 주로 분류나 회귀에 사용되는 지도 학습 기법이다. 데이터를 구분하는 최적의 경계면을 찾는다.
• 회귀 분석: 변수 간의 관계를 모델링하여 연속적인 값을 예측하는 데 사용된다. 선형 회귀 분석, 로지스틱 회귀 분석 등이 있다.
• 베이즈 네트워크: 확률 변수 간의 조건부 독립 관계를 유향 비순환 그래프(DAG)로 표현하여 확률적 추론을 수행하는 확률론적 그래픽 모델이다.
• 가우스 과정 회귀: 확률 과정의 일종인 가우시안 과정을 이용한 회귀 모델로, 베이즈적 접근 방식을 따른다.
• 유전 알고리즘: 자연 선택과 유전 원리를 모방하여 최적의 해를 탐색하는 탐색 알고리즘이다. 유전자 프로그래밍은 이를 확장하여 프로그램을 진화시키는 기법이다.
• 연관 규칙 학습: 대규모 데이터베이스에서 변수 간의 흥미로운 관계(규칙)를 발견하는 기법이다.
• 클러스터링: 레이블이 없는 데이터를 유사성에 기반하여 여러 그룹(클러스터)으로 나누는 비지도 학습 기법이다.
• 표현 학습: 데이터의 유용한 특징이나 표현을 자동으로 학습하는 기법으로, 주성분 분석, 클러스터 분석, 다양체 학습, 희소 부호화 등이 포함된다.
• 기타 모델: 이 외에도 선형 분별 분석, K-최근접 이웃 알고리즘, 퍼셉트론, 방사 기저 함수 네트워크, 귀납 논리 프로그래밍 (ILP), 익스트림 러닝 머신 (ELM) 등 다양한 모델이 존재한다.

9. 1. 인공 신경망

9. 2. 결정 트리

• '''분류 트리''': 목표 변수가 이산적인 값(예: 예/아니오, A/B/C)을 가질 때 사용된다. 트리 구조에서 잎(leaf)은 클래스 레이블을 나타내고, 가지(branch)는 해당 클래스 레이블로 이어지는 특징들의 논리적 결합을 나타낸다.
• '''회귀 트리''': 목표 변수가 연속적인 값(일반적으로 실수)을 가질 때 사용된다.

9. 3. 서포트 벡터 머신

9. 4. 회귀 분석

9. 5. 베이즈 네트워크

9. 6. 가우시안 과정

9. 7. 유전 알고리즘

9. 8. 신념 함수

10. 모델 훈련

일반적으로 기계 학습 모델이 정확한 예측을 수행하기 위해서는 상당한 양의 신뢰할 수 있는 데이터가 필요하다. 기계 학습 모델을 훈련시킬 때, 개발자는 크고 대표성 있는 데이터 표본을 확보하는 것을 목표로 해야 한다. 훈련에 사용되는 데이터는 텍스트 말뭉치, 이미지 모음, 센서 데이터, 혹은 서비스 사용자로부터 수집된 데이터 등 매우 다양할 수 있다.

모델 훈련 과정에서는 과적합 문제에 유의해야 한다. 이는 모델이 훈련 데이터에만 지나치게 최적화되어 새로운 데이터에 대해서는 예측 성능이 떨어지는 현상을 말한다. 또한, 편향되거나 충분히 검토되지 않은 데이터로 훈련된 모델은 왜곡되거나 사회적으로 원치 않는 예측 결과를 내놓을 수 있다. 이러한 편향된 모델은 사회에 해로운 영향을 미치거나 기존의 부정적인 편견을 더욱 강화시킬 위험이 있다. 데이터가 훈련에 적합하게 준비되지 않았을 경우 알고리즘 편향이 발생할 수 있다. 이러한 문제들 때문에 기계 학습 윤리는 점차 중요한 연구 분야로 자리 잡고 있으며, 실제 기계 학습 엔지니어링 팀 내에서도 중요한 고려 사항이 되고 있다.
분산 학습은 분산 인공 지능의 한 형태로, 기계 학습 모델 훈련 과정을 여러 기기에 분산시키는 방식이다. 이 방식은 사용자 데이터를 중앙 서버로 전송할 필요가 없어 개인 정보를 효과적으로 보호할 수 있다는 장점이 있다. 또한, 여러 기기에서 동시에 훈련을 진행하므로 전체적인 훈련 효율성도 높일 수 있다. 예를 들어, 구글 키보드(Gboard)는 사용자의 검색 기록을 구글 서버로 보내지 않고, 각 사용자의 휴대전화 자체에서 분산 학습을 통해 검색어 예측 모델을 훈련시킨다.^[82]

11. 응용 분야

기계 학습은 다양한 분야에서 활용되고 있으며, 주요 응용 분야는 다음과 같다.

• 농업
• 해부학
• 적응형 웹사이트
• 감성 컴퓨팅
• 천문학
• 자동 의사 결정
• 은행 업무
• 행동주의 심리학
• 생물 정보학
• 뇌-컴퓨터 인터페이스
• 화학 정보학
• 시민 과학
• 기후 과학
• 컴퓨터 네트워크
• 컴퓨터 비전
• 신용카드 사기 적발
• 데이터 품질 관리
• DNA 서열 분류
• 경제학
• 금융 시장 분석^[83] 및 금융 공학
• 일반 게임 플레이 및 전략 게임 플레이
• 필기 인식 및 음성 인식
• 의료 및 의료 진단
• 정보 검색
• 보험
• 인터넷 사기 적발
• 지식 그래프 임베딩
• 언어학
• 머신러닝 제어
• 기계 지각
• 기계 번역
• 마케팅
• 자연어 처리 및 자연어 이해
• 온라인 광고
• 최적화
• 추천 시스템
• 로봇 보행
• 검색 엔진
• 감정 분석 (의견 마이닝)
• 시퀀스 마이닝
• 소프트웨어 공학
• 구조물 건강 모니터링
• 통사적 패턴 인식
• 통신
• 정리 증명
• 시계열 예측
• 단층 촬영 재구성^[84]
• 사용자 행동 분석
• 재판^[167][168]

12. 한계

기계 학습은 일부 분야에서 혁신적인 변화를 가져왔지만, 여러 이유로 기대되는 결과를 제공하지 못하는 경우가 많다.^{[103][104][105]} 주요 원인으로는 적절한 데이터 부족, 데이터 접근의 어려움, 데이터 편향, 개인 정보 보호 문제, 부적절한 작업 및 알고리즘 선택, 잘못된 도구와 인력 활용, 자원 부족, 평가의 어려움 등이 꼽힌다.^[106]

"블랙 박스 이론"은 기계 학습의 또 다른 중요한 과제를 제기한다. 이는 알고리즘의 작동 원리나 결과 도출 과정이 완전히 불투명하여, 알고리즘을 만든 개발자조차 기계가 데이터에서 어떤 패턴을 추출했는지 확인하기 어려운 상황을 의미한다.^[107] 미국 상원의 선출 위원회는 개인의 삶에 중대한 영향을 미칠 수 있는 이러한 "지능 시스템"이 스스로 내린 결정에 대해 "완전하고 만족스러운 설명"을 제공하지 못한다면 용납될 수 없다고 지적했다.^[107]

실제 사례로, 2018년 우버(Uber)의 자율 주행차가 보행자를 제대로 감지하지 못해 충돌 사고를 일으켜 보행자가 사망하는 비극적인 사건이 발생했다.^[108] 또한, IBM 왓슨 시스템을 의료 분야에 적용하려는 시도는 수년간 수십억 달러를 투자했음에도 불구하고 뚜렷한 성과를 내지 못했다.^[109][110] 마이크로소프트의 빙 챗(Bing Chat) 챗봇은 사용자에게 적대적이거나 공격적인 반응을 보이는 문제로 보고되기도 했다.^[111]

기계 학습은 체계적인 검토와 관련된 증거를 갱신하고, 증가하는 생물 의학 문헌으로 인한 검토자의 부담을 줄이는 전략으로 활용되기도 한다. 훈련 세트를 통해 성능이 개선되었지만, 연구 결과 자체에 필요한 민감도를 해치지 않으면서 작업 부담을 충분히 줄일 만큼 발전하지는 못했다.^[112]

학습 과정에서 기계가 "잘못된 교훈을 배우는" 경우도 발생할 수 있다. 예를 들어, 갈색 말과 검은 고양이 사진만으로 훈련된 이미지 분류기는 모든 갈색 물체를 말로 판단할 가능성이 있다. 현실 세계의 예로, 현재의 이미지 분류기는 인간과 달리 그림의 구성 요소 간 공간적 관계보다는, 인간이 인지하지 못하는 픽셀 간의 특정 관계를 학습하여 객체를 판단하는 경향이 있다. 이러한 픽셀 패턴은 실제 객체 이미지와 상관관계가 있지만, 합법적인 이미지에서 이 패턴을 약간만 수정하면 시스템이 잘못 분류하게 만드는 "적대적" 이미지가 생성될 수 있다.^[115][116]

적대적 취약성은 비선형 시스템이나 비패턴적인 작은 변화에서도 발생할 수 있다. 일부 시스템에서는 의도적으로 선택된 단 하나의 픽셀만 변경해도 전체 출력이 바뀔 수 있다.^[117] 이처럼 기계 학습 모델은 적대적 기계 학습을 통한 조작이나 회피 공격에 취약한 경우가 많다.^[118]

연구에 따르면, 제3자가 개발하거나 훈련하는 분류 모델(예: 스팸 메일 분류)에 백도어가 탐지되지 않게 심어질 수 있다. 이러한 백도어는 데이터나 소프트웨어의 투명성이 보장되거나, 화이트박스 접근이 가능한 경우를 포함하여 모든 입력에 대한 분류 결과를 변경할 수 있다.^{[119][120][121]}

13. 설명 가능성

설명 가능한 AI(XAI), 해석 가능한 AI, 또는 설명 가능한 기계 학습(XML)은 인간이 인공지능(AI)이 내린 결정이나 예측을 이해할 수 있도록 하는 인공지능(AI)을 말한다.^[113] 이는 기계 학습의 "블랙 박스" 개념과 대비된다. 블랙 박스 모델에서는 설계자조차 AI가 특정 결정을 내린 이유를 설명하기 어렵다.^[114] XAI는 AI 시스템 사용자의 이해를 돕고 오해를 줄여, 사용자가 작업을 더 효과적으로 수행하도록 지원하는 것을 목표로 한다. XAI는 설명받을 권리라는 사회적 권리를 실현하는 방법이 될 수도 있다.

14. 과적합

15. 윤리

인공지능 윤리의 한 측면으로, 생성형 AI 모델을 훈련하는 데 사용되는 데이터셋에 포함된 저작물에 대한 저작권 및 데이터 윤리 문제가 지적되고 있다. 기계 학습으로 훈련된 AI 서비스가 확산되면서, 훈련 데이터셋에 저작물이 사용되는 것에 대해 출판사와 창작자들을 중심으로 우려가 커지고 있으며, 일부 AI 서비스 제공업체를 상대로 소송이 제기되기도 했다.^[182]

데이터의 무단 이용에 대응하기 위한 기술 개발도 이루어지고 있다. 이미지의 경우, Nightshade와 같이 기계 학습 모델에는 악영향을 주지만 사람의 눈으로는 감지하기 어려운 노이즈를 이미지에 추가하는 기법 등이 연구되고 있다.^[183]

데이터셋 저작권 침해 문제와 관련하여 세계 최초의 판결로 주목받은 사건은 2024년 9월 선고된 “크네슈케 대 LAION 사건”이다. 이 판결은 독일 국내법뿐만 아니라 유럽 연합의 저작권법인 DSM 저작권 지침 및 AI를 직접 규제하는 AI 법의 해석까지 다루었다는 점에서 국제적인 관심을 끌었다. 해당 사건에서 법원은 데이터셋 제공업체인 LAION의 스크래핑 행위를 적법하다고 판단했으며, 원고인 사진작가의 청구는 기각되었다.^{[184][185][186]}

15. 1. 편향

15. 2. 재정적 인센티브

16. 하드웨어

2010년대 이후 기계 학습 알고리즘과 컴퓨터 하드웨어의 발전은 여러 층의 비선형 은닉 유닛(hidden unit)으로 구성된 심층 신경망을 보다 효율적으로 훈련하는 것을 가능하게 했다.^[141] 2019년에 이르러, 종종 AI 연산에 특화된 개선 사항이 적용된 그래픽 처리 장치(GPU)가 대규모 상용 클라우드 AI 훈련 환경에서 중앙 처리 장치(CPU)를 대체하며 주요 수단이 되었다.^[142] 이러한 기술 발전과 함께 요구되는 컴퓨팅 성능 또한 폭발적으로 증가했다. 오픈AI의 분석에 따르면, AlexNet(2012)부터 알파제로(2017)에 이르기까지 주요 딥러닝 프로젝트에 필요한 하드웨어 연산량은 30만 배 증가했으며, 이는 평균 3.4개월마다 두 배씩 증가하는 추세를 보였다.^[143][144]

16. 1. 뉴로모픽 컴퓨팅

16. 2. 임베디드 머신 러닝

17. 소프트웨어

다양한 기계 학습 알고리즘을 포함하는 소프트웨어 제품군에는 다음과 같은 것들이 있다.

• 아마존 머신 러닝(Amazon Machine Learning)
• Angoss KnowledgeSTUDIO
• Apache Mahout
• Apache Spark MLlib
• Apache SystemML
• 애저 머신 러닝(Azure Machine Learning)
• Caffe
• Deeplearning4j
• DeepSpeed
• ELKI
• Google Prediction API
• Google Cloud Vertex AI
• Google JAX
• IBM SPSS Modeler
• IBM 왓슨 스튜디오(IBM Watson Studio)
• Infer.NET
• 주바투스(Jubatus)
• Keras
• KNIME
• Kubeflow
• KXEN Modeler
• LightGBM
• LIONsolver
• Mallet
• 매스매티카(Mathematica)
• 매트랩(MATLAB)
• MCMLL
• Microsoft Cognitive Toolkit
• ML.NET
• mlpack
• mlpy
• MOA
• MXNet
• 뉴럴 디자이너(Neural Designer)
• 뉴로솔루션즈(NeuroSolutions)
• 오픈CV(OpenCV)
• OpenNN
• Oracle AI Platform Cloud Service
• 오라클 데이터 마이닝(Oracle Data Mining)
• Orange
• pandas
• 폴리아날리스트(PolyAnalyst)
• PyTorch
• 래피드마이너(RapidMiner)
• RCASE
• ROOT (ROOT를 사용한 TMVA)
• SAS
• SAS Enterprise Miner
• scikit-learn
• SequenceL
• Shogun
• 스플렁크(Splunk)
• STATISTICA 데이터 마이너(Data Miner)
• TensorFlow
• Torch
• Weka
• XGBoost
• Yooreeka

18. 학술지

• 머신러닝 리서치 저널 (Journal of Machine Learning Research)
• 머신러닝 (Machine Learning)
• 네이처 머신 인텔리전스 (Nature Machine Intelligence)
• 뉴럴 컴퓨테이션 (Neural Computation)
• IEEE 패턴 분석 및 머신 인텔리전스 트랜잭션 (IEEE Transactions on Pattern Analysis and Machine Intelligence)

19. 학회

기계 학습 분야의 주요 학회와 학술지는 다음과 같다.
학회

• AAAI 인공지능 학술대회
• 계산언어학회 (ACL)
• 유럽 기계학습 및 지식 발견 원리와 실제 학술대회 (ECML PKDD)
• 생물정보학 및 생물통계학을 위한 계산 지능 방법 국제 학술대회 (CIBB)
• 국제 기계학습 학술대회 (ICML)
• 국제 학습 표현 학술대회 (ICLR)
• 국제 지능형 로봇 시스템 학술대회 (IROS)
• 지식 발견 및 데이터 마이닝 학술대회 (KDD)
• 신경정보처리시스템 학술대회 (NeurIPS)

• ''머신러닝''
• ''머신러닝 연구 저널''
• ''신경 계산''

참조

_[1] 웹사이트 What is Machine Learning? https://www.ibm.com/[...] 2021-09-22
_[2] 논문 Voronoi-Based Multi-Robot Autonomous Exploration in Unknown Environments via Deep Reinforcement Learning 2020
_[3] 논문 Application of Machine Learning Algorithms in Plant Breeding: Predicting Yield From Hyperspectral Reflectance in Soybean?
_[4] 논문 Data Mining and Statistics: What's the connection?
_[5] 논문 Some Studies in Machine Learning Using the Game of Checkers 1959
_[6] 간행물 Glossary of terms
_[7] 뉴스 How the Computer Got Its Revenge on the Soviet Union https://web.archive.[...] 2015-04-09
_[8] 논문 The Impact of Automation On Public Administration https://journals.sag[...] 1964-09-01
_[9] 웹사이트 History and Evolution of Machine Learning: A Timeline https://www.techtarg[...]
_[10] 논문 The Mind and Donald O. Hebb https://www.jstor.or[...] 1993
_[11] 뉴스 Science: The Goof Button Time (magazine) 1961-08-18
_[12] 서적 Learning Machines McGraw Hill
_[13] 서적 Pattern Recognition and Scene Analysis Wiley Interscience
_[14] 간행물 Teaching space: A representation concept for adaptive pattern classification https://web.cs.umass[...] Computer and Information Science Department, University of Massachusetts at Amherst, MA
_[15] 서적 Machine Learning McGraw Hill
_[16] 논문 The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence Kluwer
_[17] 웹사이트 Introduction to AI Part 1 https://edzion.com/2[...] 2020-12-08
_[18] 논문 An Empirical Science Research on Bioinformatics in Machine Learning 2020-02
_[19] 서적 SUGI 19: proceedings of the Nineteenth Annual SAS Users Group International Conference SAS Institute
_[20] 서적 AIMA
_[21] 논문 The changing science of machine learning
_[22] 백과사전 Improving First and Second-Order Methods by Modeling Uncertainty https://books.google[...] MIT Press
_[23] 논문 Statistics versus Machine Learning
_[24] 웹사이트 statistics and machine learning https://www.reddit.c[...] reddit 2014-09-10
_[25] 논문 Algorithms to Measure Surgeon Performance and Anticipate Clinical Outcomes in Robotic Surgery
_[26] 논문 Breiman: Statistical Modeling: The Two Cultures (with comments and a rejoinder by the author) http://projecteuclid[...] 2001-08
_[27] 서적 An Introduction to Statistical Learning http://www-bcf.usc.e[...] Springer
_[28] 논문 Statistical Physics for Medical Diagnostics: Learning, Inference, and Optimization Algorithms 2020-11-17
_[29] 논문 Statistical physics of medical diagnostics: Study of a probabilistic model 2018-03-16
_[30] 서적 Pattern Recognition and Machine Learning Springer
_[31] 서적 Foundations of Machine Learning MIT Press 2012
_[32] 서적 Introduction to Machine Learning https://archive.org/[...] The MIT Press
_[33] 논문 Machine learning: Trends, perspectives, and prospects 2015-07-17
_[34] 서적 Machine Learning in Radiation Oncology 2015
_[35] 논문 Assessing the potential of machine learning methods to study the removal of pharmaceuticals from wastewater using biochar or activated carbon 2022-06
_[36] 서적 Artificial Intelligence: A Modern Approach Prentice Hall 2010
_[37] 서적 Foundations of Machine Learning The MIT Press 2012
_[38] 서적 Introduction to Machine Learning https://books.google[...] MIT Press 2018-11-25
_[39] 웹사이트 Lecture 2 Notes: Supervised Learning https://www.cs.corne[...] 2024-07-01
_[40] 서적 Computer Science Handbook, Second Edition (Section VII: Intelligent Systems) Chapman & Hall/CRC Press LLC
_[41] 학회발표논문 Self-Supervised Learning of Pretext-Invariant Representations https://openaccess.t[...] IEEE 2020
_[42] 학술지 A Survey on Contrastive Self-Supervised Learning 2021-03-00
_[43] 웹사이트 Weak Supervision: The New Programming Paradigm for Machine Learning https://hazyresearch[...] 2019-06-06
_[44] 서적 Reinforcement Learning
_[45] 학술지 Nonlinear Dimensionality Reduction by Locally Linear Embedding https://science.scie[...] 2000-12-22
_[46] 서적 Metalearning: Applications to Data Mining Springer Science+Business Media
_[47] 서적 A self-learning system using secondary reinforcement North-Holland
_[48] 간행물 Modeling mechanisms of cognition-emotion interaction in artificial neural networks, since 1981.
_[49] 학술지 Self-learning agents: A connectionist theory of emotion based on crossbar value judgment.
_[50] 학술지 Representation Learning: A Review and New Perspectives
_[51] 학회발표논문 Maximum-Margin Matrix Factorization
_[52] 학회발표논문 An analysis of single-layer networks in unsupervised feature learning http://machinelearni[...] 2018-11-25
_[53] 학회발표논문 Visual categorization with bags of keypoints https://www.cs.cmu.e[...] 2019-08-29
_[54] 서적 Speech and Language Processing Pearson Education International
_[55] 학술지 A Survey of Multilinear Subspace Learning for Tensor Data http://www.dsp.utoro[...] 2015-09-04
_[56] 서적 Learning Deep Architectures for AI https://books.google[...] Now Publishers Inc. 2016-02-15
_[57] 학술지 On the Computational Intractability of Exact and Approximate Dictionary Learning
_[58] 학술지 K-SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation http://sites.fas.har[...]
_[59] 백과사전 Outlier Detection Springer New York 2017
_[60] 학술지 A Survey of Outlier Detection Methodologies http://eprints.white[...] 2018-11-25
_[61] 학술지 Data mining for network intrusion detection https://www-users.cs[...] 2023-03-26
_[62] 학술지 Anomaly detection: A survey
_[63] 학술지 Learning efficient haptic shape exploration with a rigid tactile sensor array
_[64] 서적 Attention-Based Robot Learning of Haptic Interaction Springer International Publishing 2020
_[65] 서적 Discovery, analysis, and presentation of strong rules AAAI/MIT Press
_[66] 학술지 Functional Network Construction in Arabidopsis Using Rule-Based Machine Learning on Large-Scale Data Sets 2011-09-01
_[67] 학회발표논문 Proceedings of the 1993 ACM SIGMOD international conference on Management of data - SIGMOD '93
_[68] 학술지 Learning Classifier Systems: A Complete Introduction, Review, and Roadmap 2009-09-22
_[69] 논문 Automatic Methods of Inductive Inference https://www.era.lib.[...] University of Edinburgh
_[70] 논문 Inductive inference of theories from facts http://ftp.cs.yale.e[...] Yale University, Department of Computer Science
_[71] 서적 Algorithmic program debugging MIT Press 1983
_[72] 논문 The model inference system http://dl.acm.org/ci[...] Morgan Kaufmann Publishers Inc. 1981
_[73] 서적 The hundred-page machine learning book Andriy Burkov 2019
_[74] 서적 Artificial intelligence: a modern approach Pearson 2021
_[75] 논문 Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations http://citeseerx.ist[...] Proceedings of the 26th Annual International Conference on Machine Learning 2009
_[76] 논문 Support-vector networks 1995
_[77] 웹사이트 Tutorial: Polynomial Regression in Excel https://facultystaff[...] 2017-01-22
_[78] 웹사이트 examples http://scikit-learn.[...]
_[79] 논문 Genetic algorithms and machine learning https://deepblue.lib[...] 1988
_[80] 논문 Machine Learning, Neural and Statistical Classification 1994
_[81] 논문 Evolutionary Computation Meets Machine Learning: A Survey 2011
_[82] 웹사이트 Federated Learning: Collaborative Machine Learning without Centralized Training Data http://ai.googleblog[...] 2017-04-06
_[83] 웹사이트 Machine Learning https://www.cfainsti[...] 2020-01-13
_[84] 논문 Image Reconstruction Using Supervised Learning in Wearable Electrical Impedance Tomography of the Thorax 2023
_[85] 웹사이트 BelKor Home Page https://web.archive.[...]
_[86] 웹사이트 The Netflix Tech Blog: Netflix Recommendations: Beyond the 5 stars (Part 1) http://techblog.netf[...] 2012-04-06
_[87] 뉴스 Letting the Machines Decide https://www.wsj.com/[...] The Wall Street Journal 2010-07-13
_[88] 웹사이트 Do We Need Doctors or Algorithms? https://techcrunch.c[...] Tech Crunch 2012-01-10
_[89] 웹사이트 When A Machine Learning Algorithm Studied Fine Art Paintings, It Saw Things Art Historians Had Never Noticed https://medium.com/t[...]
_[90] 웹사이트 The first AI-generated textbook shows what robot writers are actually good at https://www.theverge[...] 2019-04-10
_[91] 논문 Artificial Intelligence (AI) applications for COVID-19 pandemic 2020-07-01
_[92] 논문 Application of machine learning to predict visitors' green behavior in marine protected areas: evidence from Cyprus 2021-03-10
_[93] 논문 User Interaction Aware Reinforcement Learning for Power and Thermal Efficiency of CPU-GPU Mobile MPSoCs http://repository.es[...] 2020-06-15
_[94] 뉴스 Smartphones get smarter with Essex innovation https://www.business[...]
_[95] 뉴스 Future smartphones 'will prolong their own battery life by monitoring owners' behaviour' https://inews.co.uk/[...] 2020-07-21
_[96] 논문 Machine Learning for Stock Selection https://www.tandfonl[...] 2019-07-01
_[97] 논문 Machine learning from quantum chemistry to predict experimental solvent effects on reaction rates https://xlink.rsc.or[...] 2024
_[98] 논문 Predicting Hurricane Evacuation Decisions with Interpretable Machine Learning Methods 2024-02-01
_[99] 논문 8 - AI for large-scale evacuation modeling: promises and challenges https://www.scienced[...] Woodhead Publishing 2024-01-01
_[100] 논문 Predicting and Assessing Wildfire Evacuation Decision-Making Using Machine Learning: Findings from the 2019 Kincade Fire https://doi.org/10.1[...] 2023-03-01
_[101] 논문 A machine learning based study on pedestrian movement dynamics under emergency evacuation https://www.scienced[...] 2019-06-01
_[102] 논문 Modelling and interpreting pre-evacuation decision-making using machine learning https://www.scienced[...] 2020-05-01
_[103] 뉴스 Why Machine Learning Models Often Fail to Learn: QuickTake Q&A https://www.bloomber[...] 2016-11-10
_[104] 뉴스 The First Wave of Corporate AI Is Doomed to Fail https://hbr.org/2017[...] 2017-04-18
_[105] 뉴스 Why the A.I. euphoria is doomed to fail https://venturebeat.[...] 2016-09-18
_[106] 웹사이트 9 Reasons why your machine learning project will fail https://www.kdnugget[...] 2018-08-20
_[107] 간행물 Transparency and Intelligibility https://www.jstor.or[...] Royal United Services Institute (RUSI) 2018-01-01
_[108] 뉴스 Why Uber's self-driving car killed a pedestrian https://www.economis[...] 2018-05-29
_[109] 뉴스 IBM's Watson recommended 'unsafe and incorrect' cancer treatments – STAT https://www.statnews[...] 2018-07-25
_[110] 뉴스 IBM Has a Watson Dilemma https://www.wsj.com/[...] 2018-08-11
_[111] 웹사이트 How Microsoft's experiment in artificial intelligence tech backfired https://www.npr.org/[...] 2023-02-27
_[112] 논문 Comparison of a traditional systematic review approach with review-of-reviews and semi-automation as strategies to update the evidence 2020-01-01
_[113] 논문 Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead 2019-01-01
_[114] 논문 Crop yield prediction via explainable AI and interpretable machine learning: Dangers of black box models for evaluating climate change impacts on crop yield 2023-01-01
_[115] 뉴스 Single pixel change fools AI programs https://www.bbc.com/[...] 2017-11-03
_[116] 뉴스 AI Has a Hallucination Problem That's Proving Tough to Fix https://www.wired.co[...] 2018-01-01
_[117] arXiv Towards deep learning models resistant to adversarial attacks 2019-09-04
_[118] 웹사이트 Adversarial Machine Learning – CLTC UC Berkeley Center for Long-Term Cybersecurity https://cltc.berkele[...]
_[119] 뉴스 Machine-learning models vulnerable to undetectable backdoors https://www.theregis[...]
_[120] 뉴스 Undetectable Backdoors Plantable In Any Machine-Learning Algorithm https://spectrum.iee[...] 2022-05-10
_[121] arXiv Planting Undetectable Backdoors in Machine Learning Models 2022-04-14
_[122] 논문 A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection https://ai.stanford.[...] 1995-01-01
_[123] 논문 Performance Evaluation Metrics for Software Fault Prediction Studies http://www.uni-obuda[...] 2012-01-01
_[124] 논문 Racist in the Machine 2016-01-01
_[125] 웹사이트 The Ethics of Artificial Intelligence http://www.nickbostr[...] 2011-01-01
_[126] 웹사이트 The fight against racist algorithms https://theoutline.c[...]
_[127] 웹사이트 Machine learning is racist because the internet is racist https://theoutline.c[...]
_[128] 논문 Algorithms, Platforms, and Ethnic Bias: An Integrative Essay https://brie.berkele[...] 2018-01-01
_[129] 논문 AI 'fairness' research held back by lack of diversity https://www.nature.c[...] 2023-03-30
_[130] 논문 Artificial Intelligence Index Report 2021 https://aiindex.stan[...]
_[131] 논문 Semantics derived automatically from language corpora contain human-like biases 2017-04-14
_[132] 논문 An algorithm for L1 nearest neighbor search via monotonic embedding http://papers.nips.c[...] Curran Associates, Inc. 2016-01-01
_[133] arXiv Assessing Gender Bias in Machine Translation – A Case Study with Google Translate 2019-03-11
_[134] 웹사이트 Language necessarily contains human biases, and so will machines trained on language corpora https://freedom-to-t[...] 2016-08-24
_[135] 뉴스 Why Microsoft Accidentally Unleashed a Neo-Nazi Sexbot https://www.technolo[...] 2016-03-24
_[136] 뉴스 Google 'fixed' its racist algorithm by removing gorillas from its image-labeling tech https://www.theverge[...] 2018-01-12
_[137] 뉴스 Opinion {{!}} Artificial Intelligence's White Guy Problem https://www.nytimes.[...] 2016-06-25
_[138] 뉴스 Microsoft: AI Isn't Yet Adaptable Enough to Help Businesses https://www.technolo[...] 2017-03-30
_[139] 뉴스 Fei-Fei Li's Quest to Make Machines Better for Humanity https://www.wired.co[...] 2018-11-13
_[140] 논문 Implementing Machine Learning in Health Care—Addressing Ethical Challenges 2018-01-01
_[141] 웹사이트 Deep Neural Networks for Acoustic Modeling in Speech Recognition http://airesearch.co[...] 2015-10-23
_[142] 뉴스 GPUs Continue to Dominate the AI Accelerator Market for Now https://www.informat[...] 2020-06-11
_[143] 뉴스 AI is changing the entire nature of compute https://www.zdnet.co[...] 2020-06-11
_[144] 웹사이트 AI and Compute https://openai.com/b[...] 2020-06-11
_[145] 웹사이트 What is neuromorphic computing? Everything you need to know about how it is changing the future of computing https://www.zdnet.co[...] 2024-11-21
_[146] 웹사이트 Cornell & NTT's Physical Neural Networks: A "Radical Alternative for Implementing Deep Neural Networks" That Enables Arbitrary Physical Systems Training https://syncedreview[...] 2021-10-12
_[147] 뉴스 Nano-spaghetti to solve neural network power consumption https://www.theregis[...] 2021-10-12
_[148] 간행물 Extending the battery lifetime of wearable sensors with embedded machine learning https://research-inf[...] 2022-01-17
_[149] 웹사이트 A Beginner's Guide To Machine learning For Embedded Systems https://analyticsind[...] 2022-01-17
_[150] 웹사이트 Google, Purdue & Harvard U's Open-Source Framework for TinyML Achieves up to 75x Speedups on FPGAs https://syncedreview[...] 2022-01-17
_[151] 간행물 ESP4ML: Platform-Based Design of Systems-on-Chip for Embedded Machine Learning https://ieeexplore.i[...] 2022-01-17
_[152] 웹사이트 Towards Deep Learning using TensorFlow Lite on RISC-V https://edge.seas.ha[...] 2022-01-17
_[153] 간행물 Approximate Computing Methods for Embedded Machine Learning https://ieeexplore.i[...] 2022-01-17
_[154] 웹사이트 dblp: TensorFlow Eager: A Multi-Stage, Python-Embedded DSL for Machine Learning. https://dblp.org/rec[...] 2022-01-17
_[155] 저널 Machine Learning in Resource-Scarce Embedded Systems, FPGAs, and End-Devices: A Survey 2019-11-05
_[156] 웹사이트 Machine Learning textbook https://www.cs.cmu.e[...] 2020-05-28
_[157] 서적 The Turing Test Sourcebook: Philosophical and Methodological Issues in the Quest for the Thinking Computer Kluwer
_[158] 서적 Machine Learning McGraw Hill
_[159] 위키 bishop2006
_[160] 저널 Data Mining and Statistics: What's the connection?
_[161] 저널 Some Studies in Machine Learning Using the Game of Checkers 1959
_[162] 서적 統計的学習理論 講談社
_[163] 간행물 統計的機械学習理論と ボルツマン機械学習 https://www.r-ccs.ri[...] 山形大学
_[164] Youtube 統計的機械学習入門 https://www.youtube.[...] NII
_[165] 일반텍스트
_[166] 서적 Learning Deep Architectures for AI https://books.google[...] Now Publishers Inc.
_[167] 웹사이트 Machine Learning Tool from Everlaw Finds Legal Evidence https://www.deeplear[...] 2023-12-09
_[168] 웹사이트 How We Analyzed the COMPAS Recidivism Algorithm https://www.propubli[...] 2023-12-09
_[169] 일반텍스트
_[170] 웹사이트 BelKor Home Page http://www2.research[...]
_[171] 서적 (추가 정보 필요)
_[172] 서적 (추가 정보 필요)
_[173] 서적 (추가 정보 필요)
_[174] 서적 (추가 정보 필요)
_[175] 서적 (추가 정보 필요)
_[176] 書籍 分析とは？
_[177] 書籍 分析の具体例
_[178] 書籍 分析の具体例
_[179] 書籍 対処の具体例
_[180] 書籍 対処の具体例
_[181] 書籍 対処の具体例
_[182] 법원자료 NYT v. Microsoft, OpenAI https://nytco-assets[...] 2023-12-27
_[183] 보고서 Nightshade: A Defensive Tool For Artists Against AI Art Generators https://amt-lab.org/[...] AMT Lab, Carnegie Mellon University
_[184] 웹사이트 To Scrape or Not to Scrape? First Court Decision on the EU Copyright Exception for Text and Data Mining in Germany https://www.mofo.com[...] Morrison & Foerster LLP. (法律事務所) 2024-11-09
_[185] 웹사이트 AIトレーニングデータは著作権保護対象外？：ドイツにおける初の判決が示唆するポストAIの世界とアメリカとの違い https://openlegalcom[...] 2024-11-09
_[186] 웹사이트 2024 WIPO IP Judges Forum Informal Case Summary – Hamburg Regional Court, Germany [2024]: Robert Kneschke v. LAION e.V., Case No. 310 O 227/23 https://www.wipo.int[...] WIPO 2024-11-09
_[187] 법률 Directive (EU) 2019/790 of the European Parliament and of the Council of 17 April 2019 on copyright and related rights in the Digital Single Market and amending Directives 96/9/EC and 2001/29/EC (Text with EEA relevance.) https://eur-lex.euro[...] 2019-04-17
_[188] 웹사이트 生成AIに関する各国の対応について https://www.bunka.go[...] 文化庁 2024-01-10
_[189] 웹사이트 Proposal for a Regulation laying down harmonised rules on artificial intelligence https://digital-stra[...] EU 2024-01-10
_[190] 웹사이트 「人工知能に関する調和の取れたルールを定める規則の提案」 （欧州委員会（2021年４月21日）） 本文・付属書（仮訳） https://www.soumu.go[...] 総務省 2023-01-10
_[191] 웹사이트 Amendments adopted by the European Parliament on 14 June 2023 on the proposal for a regulation of the European Parliament and of the Council on laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) and amending certain Union legislative acts (COM(2021)0206 – C9-0146/2021 – 2021/0106(COD))(1) https://www.europarl[...] 2024-01-10
_[192] 뉴스 EU、AIを包括的に規制する法案で政治合意、生成型AIも規制対象に https://www.jetro.go[...] 2023-12-13
_[193] 웹사이트 Europe within reach of landmark AI rules after nod from EU countries https://www.reuters.[...] 2024-02-16
_[194] 뉴스 AI companies have all kinds of arguments against paying for copyrighted content https://www.theverge[...] 2023-11-05
_[195] 서적 e Adobe Inc. Comments on the U.S. Copyright Office Notice of Inquiry and Request for Comments on Artificial Intelligence and Copyright https://www.document[...] Adobe 2023-10-30
_[196] 서적 Artificial Intelligence and Copyright https://www.document[...] Google 2023-10-30
_[197] 뉴스 アーティストの作品でAI訓練　「無断で複製された」米国で集団提訴 https://www.asahi.co[...]
_[198] 웹사이트 第９回 ミッドジャーニーなど画像生成AIを巡る著作権訴訟でクリエーターらの訴えが概ね棄却される https://rp.kddi-rese[...] KDDI総合研究所 2023-11-30
_[199] 법원자료 Andersen et al. v. Stability AI Ltd. https://storage.cour[...]
_[200] 웹사이트 U.S. Will Not Recognize Copyrights for AI-Generated Images https://www.deeplear[...] 2023-03-08
_[201] 웹사이트 Microsoft Commits to Cover Copyright Violation Costs for GenAI Services https://www.deeplear[...] 2023-09-13
_[202] 웹사이트 https://wired.jp/art[...]
_[203] 웹사이트 Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence https://www.whitehou[...] 2023-10-30
_[204] 웹사이트 Problematic White House AI Policy, Parked Cruise Robotaxis, and more https://www.deeplear[...] 2023-11-01
_[205] 웹사이트 OpenAIが著作権侵害で法的請求が発生した場合にユーザーを守り発生費用を全額支払う「著作権シールド」を発表 - GIGAZINE https://gigazine.net[...] 2023-11-07
_[206] 웹사이트 著作権法 https://laws.e-gov.g[...]
_[207] 웹사이트 デジタル化・ネットワーク化の進展に対応した 柔軟な権利制限規定に関する基本的な考え方 https://www.bunka.go[...]
_[208] 웹사이트 令和5年度 著作権セミナー AIと著作権 https://www.bunka.go[...]
_[209] 논문 情報解析と著作権──「機械学習パラダイス」としての日本 人工知能学会
_[210] 논문 AI生成物・機械学習と著作権法 https://jpaa-patent.[...] 日本弁理士会
_[211] 웹사이트 ビデオコピライトFAQ｜一般社団法人日本映像ソフト協会 https://www.jva-net.[...] 一般社団法人日本映像ソフト協会 2024-02-11
_[212] text
_[213] 웹사이트 DataRobot https://www.datarobo[...]
_[214] 웹인용 Machine Learning textbook http://www.cs.cmu.ed[...] 2020-05-28
_[215] harvnb