인공지능 이모저모

AI/ML 에 관심있는 사람이라면 한번쯤은 들어봤을 data science community인 Kaggle. 다양한 그리고 방대한 양의 자료를 보유하고 있고 그에 상응하는 많은 AI/ML 사용자들 역시보유하고 있는 community다. 그렇기에 Google이 인수를  한 것도 그다지 놀랍지 않다. 자료는 물론 잠재적 사용자들까지 확보할  수 있으니까. 원본문서는:  https://techcrunch.com/2017/03/07/google-is-acquiring-data-science-community-kaggle/

Kaggle. ML에 관심있는 사람은 이미 많이 들어봤을  사이트.  (Kaggle에 대해서는 나중에 따로 소개할 기회가 있을 듯?) 다양한 자료셋을 바탕으로 전세계의 사용자들이 최적의 모델을  만들기 위해 경쟁하는 장이다. 이 Kaggle에서  최적모델을 만드는 방법 중 많이 쓰이는  방법이 이 Model Stacking이다. 이론적으로는 매우 간단한데 아래와  같다. 1) 주어진 자료셋을 이용, 다양한 ML 모델을 학습한다. 2) 학습된 모델을  자료셋에 적용하여 예측값을 얻어낸다. 3) 새로운  모델 (예: Logistic Regression, etc.)을 이용, 자료셋  + 예측값을 포함하는 자료로 새로운 모델을 학습한다. 4) #3에서 학습된 모델이 Stacked Model 이다. 이 방법은  이미 여러 실험과  검증을 통해서, 단일모델보다 성능이 좋은 것으로 밝혀졌다. ML에 관심있는 사람이라면 한번 쯤은 시도해볼만한 방법이다. 원본 문서는:  http://blog.kaggle.com/2016/12/27/a-kagglers-guide-to-model-stacking-in-practice/

AI/ML 공개경연 사이트인 Kaggle. CEO 이자 창립자인 Anthony Goldbloom에 의하면 Kaggle 경연에서 이기는 방법은 매우 간단하다. 1) 정형 자료이고, 당신이 그 자료의 특성을 잘 알고 있나? 그렇다면 수동으로 feature engineering 거친 후에 Tree-based methods를 사용하라. 전통적으로 Random Forests 가 대부분 가장 좋은 성능을 보였지만, 최근들어 XGBoost 같은 boosted tree 도 좋은 성능을 보이고 있다. 2) 영상이나 텍스트 같은 비정형 자료인가? Neural Network. 끝. 원본문서는: https://www.kdnuggets.com/2016/01/anthony-goldbloom-secret-winning-kaggle-competitions.html