딥러닝 파이토치 강좌, 비지도 학습

딥러닝은 데이터에서 패턴을 자동으로 학습하는 머신러닝의 한 분야로, 입력 데이터에서 유익한 정보를 추출하고 이를 기반으로 예측 및 결정을 내리는 모델을 생성하는 것을 목표로 합니다. 중에서도 비지도 학습(unsupervised learning)은 라벨이 없는 데이터를 이용하여 데이터의 구조를 이해하고 유사한 그룹으로 묶어주는 방법론입니다. 오늘은 파이토치를 활용한 비지도 학습의 기본 개념과 몇 가지 응용 예제를 살펴보겠습니다.

비지도 학습의 개념

비지도 학습은 데이터에 대한 레이블이 주어지지 않기 때문에 모델이 스스로 데이터를 분석하여 패턴을 찾습니다. 이는 데이터의 고유한 특성과 분포를 파악하는 데 주력합니다. 비지도 학습의 주요 사용 사례로는 클러스터링(clustering)과 차원 축소(dimensionality reduction)가 있습니다.

비지도 학습의 종류

  • 클러스터링 (Clustering): 데이터 포인트를 유사성에 따라 그룹으로 나누는 방법입니다.
  • 차원 축소 (Dimensionality Reduction): 데이터의 차원을 줄여서 가장 중요한 정보만 남기는 방법입니다.
  • 신뢰도 검증 (Anomaly Detection): 전체 데이터와 일정한 거리가 있는 이상치를 탐지하는 방법입니다.

파이토치(PyTorch) 소개

파이토치는 Facebook에서 개발한 파이썬 기반의 오픈 소스 머신 러닝 라이브러리로, 텐서 계산과 동적 신경망 구현에 매우 유용합니다. 텐서를 활용한 수치 연산이 가능하며, Compute Graph를 동적으로 생성하여 복잡한 신경망 구조를 쉽게 구축할 수 있습니다.

비지도 학습 예제

1. K-Means 클러스터링

K-Means는 가장 일반적인 클러스터링 알고리즘 중 하나입니다. 데이터 포인트를 K개의 클러스터로 나누고 각 클러스터의 중심(centroid)을 업데이트하는 과정을 반복합니다. 아래는 K-Means 클러스터링을 구현하는 파이썬 코드입니다. 


import torch
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

# 데이터 생성
num_samples = 300
num_features = 2
num_clusters = 3

X, y = make_blobs(n_samples=num_samples, centers=num_clusters, n_features=num_features, random_state=42)

# K-Means 알고리즘 구현
def kmeans(X, num_clusters, num_iterations):
    num_samples = X.shape[0]
    centroids = X[np.random.choice(num_samples, num_clusters, replace=False)]
    
    for _ in range(num_iterations):
        distances = torch.cdist(torch.tensor(X), torch.tensor(centroids))
        labels = torch.argmin(distances, dim=1)

        for i in range(num_clusters):
            centroids[i] = X[labels == i].mean(axis=0)
            
    return labels, centroids

labels, centroids = kmeans(X, num_clusters, 10)

# 결과 시각화
plt.scatter(X[:, 0], X[:, 1], c=labels, s=50)
plt.scatter(centroids[:, 0], centroids[:, 1], c='red', s=200, alpha=0.75, marker='X')
plt.title('K-Means Clustering')
plt.show()

위 코드는 `make_blobs` 함수를 이용하여 2D 클러스터 데이터를 생성한 후, K-Means 알고리즘을 통해 클러스터링을 수행합니다. 결과는 시각적으로 확인할 수 있으며, 클러스터의 중심도 빨간 X로 표시됩니다.

2. PCA (주성분 분석)

주성분 분석(PCA)은 데이터를 더 낮은 차원으로 변환하는 방법입니다. 데이터의 분산을 최대화하고, 데이터의 구조를 유지하며 차원을 축소함으로써 시각화와 학습 속도를 개선하는 데 유용합니다. 


from sklearn.decomposition import PCA

# PCA를 사용하여 2D로 차원 축소
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)

# 결과 시각화
plt.scatter(X_reduced[:, 0], X_reduced[:, 1], c=labels, s=50)
plt.title('PCA Dimensionality Reduction')
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.show()

PCA를 통해 널리 사용되는 고차원 데이터의 시각화를 쉽게 수행할 수 있으며, 군집화 작업이 훨씬 더 용이해집니다.

비지도 학습의 응용

비지도 학습 방법론은 다양한 분야에 응용됩니다. 예를 들어, 이미지 분류에서 비슷한 이미지 그룹을 찾거나 텍스트 분석에서 주제별로 문서를 클러스터링할 수 있습니다. 특히, 고객 세분화와 같은 마케팅 분야에서도 큰 역할을 합니다.

결론

비지도 학습은 데이터의 숨겨진 패턴을 찾고, 새로운 인사이트를 제공하는 중요한 기법입니다. 파이토치를 활용하면 이러한 기법들을 손쉽게 구현할 수 있으며, 복잡한 문제를 해결하는 데 도움을 줄 수 있습니다. 앞으로 파이토치와 같은 라이브러리를 활용하여 더 다양한 비지도 학습 기법을 연구해보는 것은 좋은 경험이 될 것입니다.

추가 자료