기계학습은 컴퓨터가 수행 작업에 대해서 데이터로부터 스스로 학습하는 방법론을 의미하는 것으로, 인공지능 영역의 하위분야이다. 기계학습에서 컴퓨터를 학습시키는 방법은 크게 지도학습과 비지도학습으로 구분할 수 있다. 지도학습은 입력 데이터에 대한 정답 값(Ground Truth)이 존재하여 이를 기반으로 컴퓨터가 패턴을 학습, 완전히 새로운 입력 값에 대한 예측을 가능하게 하는 방법이다. 비지도학습은 이와 다르게 정답 값이 없는 상태에서 컴퓨터가 스스로 입력 데이터에 대한 특징을 찾아 학습하는 방법이다.
  기계학습은 컴퓨터를 학습시키기까지 필요한 데이터의 구축 등 준비 과정에서 많은 노력이 필요하지만, 준비가 완료된 이후에는 적절한 학습 알고리즘을 통해서 많은 양의 데이터를 빠른 시간에 처리하는 것이 가능하며, 데이터의 양이 증대됨에 따라서 학습의 정확도 역시 같이 증가한다는 장점을 가진다.
  기계학습에서 심화된 기술이 딥러닝(Deep Learning)으로, 데이터를 처리할 때 기계학습보다 복잡한 인공신경망을 활용하여 컴퓨터가 스스로 학습하는 모델이다. 딥러닝은 기계학습과 다르게 데이터에서 추출된 패턴에 의한 분류학습이 아닌 인공신경망 학습 기반의 자가 의사결정을 한다.
  4차 산업혁명 시대에 빅데이터와 컴퓨터 과학 등의 발전에 따라 기계학습을 학문의 영역에서 벗어나 실생활에 적용시키고자 하는 시도가 이루어지고 있으며, 이에 따라 영상 인식, 분류, 패턴 파악 등 다양한 분야에 확대 활용하려는 연구가 다수 진행 중이다.


오창화│국토연구원 연구원

참고문헌
고광은, 심귀보. 2017. 딥러닝을 이용한 객체 인식 및 검출 기술 동향. 제어로봇시스템학회지 23권, 3호: 17-24.
김인중. 2014. Deep Learning: 기계학습의 새로운 트렌드. 한국통신학회지 31권, 11호: 52-57.
민영기, 이재국. 2011. 건축설계에서 BIM 적용에 관한 연구 - 계획설계 BIM 프로세스를 중심으로. 한국디지털건축인테리어학회 논문집 11권, 4호: 29-38.
이세잎, 한지수, 조찬원. 2015. BIM정보프레임워크 기반의 속성체계 표준화에 관한 기초연구. 대한건축학회 논문집 31권, 5호: 77-85.