ㅁ 라벨링 방법

ㅇ 정의:
– 라벨링 방법은 데이터에 레이블을 부여하는 다양한 기술과 접근 방식을 의미하며, 데이터 분석 및 머신러닝 모델 학습에 필요한 필수 단계이다.

ㅇ 특징:
– 데이터의 품질과 모델 성능에 직결되며, 수작업 라벨링, 반자동 라벨링, 자동 라벨링 등 다양한 방식이 존재한다.
– 라벨링 방법은 데이터의 특성과 목적에 따라 선택되어야 한다.

ㅇ 적합한 경우:
– 대량의 비정형 데이터가 존재하거나, 라벨링 비용을 줄여야 하는 경우에 적합하다.

ㅇ 시험 함정:
– 라벨링 방법의 선택이 성능에 미치는 영향을 과소평가하거나, 특정 방식에만 국한되어 설명하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 라벨링 방법은 데이터의 특성과 목적에 따라 수작업, 반자동, 자동 방식으로 선택된다.
– X: 모든 데이터는 수작업 라벨링이 가장 적합하다.

================================

1. 자기지도학습

ㅇ 정의:
– 자기지도학습은 데이터의 일부를 레이블로 사용하고 나머지를 예측하도록 학습하는 방식으로, 레이블이 없는 데이터에서 유용한 표현을 학습하는 데 사용된다.

ㅇ 특징:
– 데이터의 구조적 특성을 활용하며, 레이블이 없는 데이터에서도 학습이 가능하다.
– 일반적으로 사전 학습(pretraining) 단계에서 사용되며, 추가적인 라벨링 비용이 들지 않는다.

ㅇ 적합한 경우:
– 대량의 비정형 데이터가 존재하거나, 레이블링 비용을 줄여야 하는 경우.

ㅇ 시험 함정:
– 자기지도학습을 비지도학습과 혼동하거나, 레이블이 일부 필요하다는 점을 간과하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 자기지도학습은 레이블이 없는 데이터에서 유용한 표현을 학습하는 데 사용된다.
– X: 자기지도학습은 완전히 레이블이 없는 데이터에서만 사용된다.

================================

ㅁ 추가 학습 내용

자기지도학습(Self-Supervised Learning)은 데이터에 대한 명시적인 라벨 없이도 유용한 특징을 학습할 수 있는 접근 방식입니다. 주요 활용 사례와 대표적인 알고리즘에 대한 내용을 정리하면 다음과 같습니다:

1. **주요 활용 사례**
– **이미지 데이터**: 라벨이 없는 이미지에서 데이터의 특징을 학습하는 데 활용됩니다. 예를 들어, 이미지의 패턴, 색상, 구조 등을 학습하여 이후 분류나 객체 검출과 같은 다운스트림 작업에 활용할 수 있습니다.
– **자연어 처리**: 문장 간의 관계를 학습하는 데 사용됩니다. 예를 들어, 문장 내 단어의 문맥적 의미를 파악하거나, 문장 간의 유사성을 학습하여 텍스트 분류, 번역, 요약 등의 작업에 활용할 수 있습니다.

2. **대표적인 알고리즘**
– **SimCLR (Simple Framework for Contrastive Learning of Visual Representations)**: 이미지 데이터에서 대조 학습(Contrastive Learning)을 통해 특징을 학습하는 방법입니다. 동일한 이미지의 변형된 버전들(예: 회전, 크기 조정, 색상 변경 등)을 서로 가까운 표현 공간에 위치시키고, 다른 이미지와는 멀리 떨어지도록 학습합니다.
– **BYOL (Bootstrap Your Own Latent)**: 대조 학습을 사용하지 않고도 특징을 학습할 수 있는 방법입니다. 두 개의 네트워크(온라인 네트워크와 타겟 네트워크)를 사용하여 온라인 네트워크가 타겟 네트워크의 출력을 예측하도록 학습합니다. 타겟 네트워크는 학습 과정에서 온라인 네트워크의 가중치를 업데이트하여 점진적으로 개선됩니다.

이러한 내용들은 자기지도학습의 기본 개념과 실제 활용 방식을 이해하는 데 도움이 되며, 시험 대비에 매우 유용합니다.