기계 학습(machine learning, 머신러닝)은 [[데이터]]에서 패턴을 학습해 예측이나 분류 등에 사용할 모델을 만드는 방법이다. 학습은 모델의 매개변수를 조정하는 과정이고, 추론은 학습한 모델을 입력에 적용해 출력을 얻는 과정이다. [[티처블 머신]]은 직접 모은 예시를 분류하는 작은 실험의 입구가 된다.

예를 들어 두 종류의 종이 조각을 구분하는 모델을 만든다고 가정해보자.

- 학습에 쓴 사진과 따로 남겨둔 사진을 나누어 시험하자.
- 배경이나 조명을 바꾸고 [[조건을 바꾼 분류 기록]]을 남겨보자.
- 맞힌 비율 옆에 틀린 조건도 적자. [[오류를 기록하며 배우기]]와 연결된다.

## 참고

- 구글, [기계 학습 용어집](https://developers.google.com/machine-learning/glossary)

## 기타 등등

- 구글의 입문 과정은 자료를 학습·검증·시험의 세 묶음으로 나누는 방식을 설명한다. 훈련 중 선택을 조정하는 자료와 마지막 평가용 자료를 따로 두는 것이다. [출처](https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets)
- 시험 점수를 보고 모델을 계속 고치면 시험 자료의 특성에도 간접적으로 맞춰질 수 있다. 한 번도 학습에 넣지 않았다는 사실만으로 평가가 독립적인 것은 아니다. [출처](https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets)

#개념 #인공지능 #교육