CWN(CHANGE WITH NEWS) - 머신러닝, ‘MS 엑셀’만 있으면 프로그래밍 언어 몰라도 누구나 활용할 수 있다?

머신러닝은 일상 속에서 사용하는 애플리케이션에서 중요한 비중을 차지한다. 여러 기업이 머신러닝 알고리즘을 자체 기업 운영 프로그램과 작업 프로세스 등에 통합한다. 간혹 인공지능(AI), 머신러닝 알고리즘 등을 간과한 기업은 경쟁에서 뒤처지기도 한다.

이처럼 머신러닝은 여러 기업에 필요한 과정이지만, 이를 마스터하는 것은 어렵다. 보통 머신러닝 과정을 위해 파이썬을 마스터하거나 넘피(Numpy), 사이킷런(Scikit-learn), 텐서플로(TensorFlow) 등 데이터 과학 및 머신러닝 라이브러리를 활용한다.

그런데, 파이썬이나 각종 라이브러리를 활용하지 않고도 머신러닝을 완전 정복할 방법이 있다면, 믿을 수 있겠는가?

머신러닝 완전 정복, '이것'만 있으면 만사 오케이?
미국 온라인 테크 매체 벤처비트가 누구나 머신러닝을 마스터할 쉬운 방법을 소개했다. 컴퓨터를 사용할 때, 누구나 자주 접하는 이것 하나만 있으면 머신러닝은 식은 죽 먹기가 된다. 바로 마이크로소프트 엑셀 하나만 있으면 된다.

많은 사람이 엑셀을 표 형식으로 데이터를 저장하고, 기본적인 사칙연산 작업을 실행하는 스프레드시트 애플리케이션으로 본다. 그러나 실제로 엑셀은 여러 복잡한 문제를 해결하는 강력한 계산 툴이다. 게다가 엑셀에는 누구나 워크북에 직접 머신러닝 모델을 생성할 수 있는 다양한 기능이 존재한다.

그렇다면, 엑셀로 머신러닝 작업을 할 수 있는 방법은 무엇일까? 대표적인 예시를 아래와 같이 설명한다.

엑셀을 이용한 선형 회귀 머신러닝 작업
선형 회귀는 데이터 분석 및 결과 예측 과정에서 자주 사용하게 되는 간단한 머신러닝 알고리즘이다. 특히, 표 형식으로 데이터가 깔끔하게 정돈됐을 때, 활용하기 좋다.

회귀 모델을 생성할 가장 간단한 방법은 데이터 차트 툴을 이용하는 것이다. 예를 들어, 차트에서 데이터값은 여기저기 분산된 점으로 나타난다. 엑셀의 차트 툴은 데이터값의 변화를 예측할 수 있다. 엑셀의 트렌드라인(Trendline) 기능을 이용해, 표 형식으로 작성된 데이터를 회귀 모델로 만들 수 있다.

트렌드라인을 설정해, 일부 회귀 알고리즘을 생성하고, 머신러닝 모델의 변수를 나타내도록 차트를 구성할 수 있다. 바로 새로운 관측 결과를 예측하는 데 도움이 되는 부분이다.

여기에 몇 가지 트렌드라인을 추가하면 똑같은 차트를 생성할 수 있다. 비교적 빠른 속도로 테스트를 수행하고, 데이터상의 다른 머신러닝 모델과의 성능을 비교할 수 있다.

엑셀을 이용한 각종 머신러닝 작업
그러나 엑셀에서 선형 회귀 머신러닝 작업만 할 수 있는 것이 아니다. K-평균 군집화(K-means Clustering)와 K-최근접 이웃(K-nearest Neighbor), 나이브 베이즈 분류(Naive Bayes Classification), 의사 결정 트리(Decision Trees) 등 다양한 머신러닝 작업도 엑셀 하나만 있으면 문제없다.

선형 회귀 머신러닝 작업보다 다소 복잡할 수 있지만, 작업을 제대로 수행하기만 한다면 논리적인 값을 얻기 쉽다.

K-평균 군집화는 일부 워크시트의 다양한 엑셀 공식 및 기능(INDEX, IF, AVERAGEIF, ADDRESS 등)을 이용해, 군집의 중심을 계산하고 정리한다. 매우 효율적인 과정이라 할 수는 없지만, 정리하면서 작업에 사용된 군집을 추적하고 연구할 수 있다.

엑셀로 의사 결정 트리 작업을 수행할 때, 예측 불가능한 값 계산 및 머신러닝 모델에 포함된 각각의 브랜치 기능을 처리하게 된다. 수동으로 진행하기 때문에 작업 속도가 느리지만, 알고리즘에서 눈에 띄지 않는 부분까지 볼 수 있다는 장점이 있다.

엑셀을 이용한 딥러닝 및 자연어 처리 작업
엑셀로 딥러닝 모델도 생성할 수 있다. 우선, 변수가 10여 개 이하인 단일 레이어 인공 뉴럴 네트워크를 생성해야 한다. 그리고, 개념을 확장해 숨겨진 레이어로 딥러닝 모델을 생성한다.

마지막 과정에서는 기초 수준의 자연어 처리 애플리케이션을 생성할 수 있다. 이 과정에서는 BOW(Bag of Words) 모델을 이용해, 각종 언어 작업을 사전 처리하고 긍정적 키워드 혹은 부정적 키워드의 정도에 따라 분류한다. 오늘날 AI의 언어 처리 과정과 인간의 구어 및 문어 처리 과정과의 차이점 등을 깨닫는 과정이기도 하다.

[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]