새로운 머신러닝 이론 (가설)

머신러닝을 한다는 것은 주어진 문제에 대한 패턴을 특정화하여 이를 통해 판정하는 것이다. 그래서 다양한 수학적 이론이나 CNN과 같은 방식 등을 사용하고 있다.

 

그러나 이런 복잡한 과정을 통해 나온 결과물을 가지고 머신 러닝을 한다는 것은 주어진 tool를 사용는 수준이나 과정도 알지 못하고 더 더욱 대상에 대해 패턴 생성은 위한 적절한 필터(?)를 찾는 것이 그렇게 쉽지 않다.

 

이런 이유와 머신 러닝의 핵심인 패턴을 만들면 머신러닝을 완성할 수 있다는 결과에서 접근하는 방법으로 이 이론을 만들어 볼려고 한다.

 

그 방법은 상당히 단순하다.

 

학습할 데이터가 있고 그 학습할 데이터에서 해를 찾아가는 방법으로 random한 수치의 변화를 준다는 것이다.

즉, 2개 이상의 점에 대해 임의 기준점이 특정한 수식, 즉, 임의 기준점과 데이터 점들간의 거리에 대해 특정 조건에 만족할 수 있다면 random 값들을 증가시키거나 감소시키는 변화되도록 한다면 생성된 random한 값들은 주어진 데이터들에 의해 특정한 패턴을 갖게 될 수 있다는 것이다.

 

즉, 패턴이 없어 보이는 데이터들과 임의 특정값과의 생성되는 특정값의 변화를 하나의 패턴으로 생성하여 주어진 데이터에 대한 패턴으로 인식시키는 것으로 머신러닝에 대한 생성 이론을 만들어 보고자 한다.