언론인들은 머신 러닝(ML)을 어떻게 사용해 언론 업무를 개선할 수 있을까요? 이것이 이 과정에서 살펴볼 질문입니다.

이 과정은 어떤 상황에서 머신 러닝이 보도를 지원하기에 적합한 도구가 되는지 이해하도록 돕고 머신 러닝 모델을 훈련시키는 법을 알려줍니다.

이 과정은 머신 러닝 개론의 후속 과정입니다. 머신 러닝 개론을 아직 수강하지 않았다면 먼저 수강한 후에 이 과정을 진행하는 것이 좋습니다.

머신 러닝 개론에서는 머신 러닝이 뉴스 조직에 제공하는 잠재력을 살펴보고 언론인이 머신 러닝을 책임감 있게 사용하여 보도를 향상시키는 법을 설명합니다.

이 과정에서는 한 단계 더 나아가, 다음 단원에서 소개할 실제 사례를 통해 언론인이 머신 러닝을 사용하여 성취할 수 있는 결과를 보여줍니다. 실전에서 머신 러닝이 작동하는 방식과 이를 사용하여 스토리를 보도하는 방법을 배우려면 이 과정이 적합합니다.

이 과정을 마치면 머신 러닝 설계 전문가이자 데이터 과학자가 되는 것일까요? 그렇지는 않습니다. 그러나 대부분의 머신 러닝 프로세스가 작동하는 방식을 분명히 보여주는 단계를 배우고 스스로 실험을 해볼 수 있습니다.

계속하기 전에, 무슨 이야기를 하고 있는지 다시 한 번 확인해 봅시다. 머신 러닝이란 무엇인가요?

머신 러닝은 “인공 지능”(AI)이라는 포괄적 용어로 그룹화된 기술의 집합으로 구성된 요소입니다. 인공 지능 분야의 대부분의 용어와 마찬가지로 머신 러닝에 대한 고유한 정의는 없습니다.

간단히 말하자면, 머신 러닝(ML)은 데이터를 사용하여 질문에 대한 해답을 주는 기술입니다. 보다 공식적으로 말하면, 머신 러닝은 데이터에서 패턴을 학습하고 분명히 프로그래밍하지 않았는데도 작업을 수행할 수 있는 알고리즘의 사용을 말합니다. 

또한 머신 러닝 시스템의 특징은 경험과 데이터를 가지고 성능을 향상시킨다는 것입니다. 다른 말로 바꾸면, 기계가 스스로 학습한다는 것입니다.

머신이 학습을 하는 방법은 하나뿐만이 아니라는 사실을 명심해야 합니다. 머신 러닝에 대한 다양한 접근법은 일반적으로 인공 지능이 해결하려는 문제의 종류와 제공되는 피드백의 유형 및 물량으로 구별됩니다.

머신 러닝은 크게 세 가지 하위 영역으로 나눌 수 있습니다. 1) 지도 학습; 2) 비지도 학습; 3) 강화 학습. 머신 러닝 개론을 검토하여 이 세 가지 카테고리의 차이점을 자세히 알아보세요.

이 과정의 목적에 따라 여기서는 지도 학습에 중점을 두겠습니다. 이는 레이블이 있는 예를 사용하여, 우리가 분석을 요청하는 각각의 새로운 예에 올바른 레이블을 자동으로 할당하도록 알고리즘을 훈련시킨다는 뜻입니다.

기본 사항을 검토했으니 이제 소개를 마무리하고 진도를 나갈 준비가 되었습니다.

다음 두 단원에서는 우리의 연습에 언론 예제의 기초를 구체적으로 가르쳐 줄 사례 연구와 대부분의 머신 러닝 프로세스 뒤에 숨은 역학을 이해하는 데 사용할 알고리즘을 소개합니다.

이어지는 단원들에서는 실용적인 단계별 가이드에 중점을 둡니다. 데이터를 소싱 및 준비하는 방법, 머신 러닝 모델을 훈련시키는 방법, 성능을 테스트하고 평가하는 방법이 여기에 해당합니다.

마지막 단원에서는 주요 학습 내용을 요약하고, 이를 일상적인 보도에 적용하는 방법을 이해하도록 돕고, 머신 러닝의 세계에 더욱 깊이 들어가는 데 사용할 수 있는 다른 리소스를 추천합니다.