사진출처: 매일경제



요새 비트코인 열풍때문에, 비트코인 채굴 열풍도 더불어 불고 있나봅니다.


비트코인을 시세차익을 위해서 거래한다는 것은 사실 어떻게 보면 도박이지 않습니까.

그래서 그래픽카드를 구매한 다음에 채굴을 하면 그만큼의 안정적인 수익을 얻는 구조가 될 수 있을 것입니다.


괜히 비쌀때 사서 싸게 파느니, 차라리 직접 프로그램 가동시켜서 꾸준히 벌어보자.


사진출처: 블로터



그런데 왜 PC보다 그래픽카드가 더 잘 팔리고, 재고까지 없을 정도일까요.

그것은 PC성능인 CPU보다 그래픽성능인 GPU에 의해서 비트코인 채굴속도가 더욱 많이 좌우되기 때문입니다.


그래서 그래픽카드에 많은 돈을 투자하는 것이고, 아이러니하게도 고성능의 그래픽카드일수록 재고가 더 없는 현상까지 나타나고 있습니다.





하지만 말입니다.

위 사진에서 언급된 것과 같이 200만원대 중반 장비를 구입한 후 채굴 프로그램을 가동한다는 것은,

그만큼의 전력 소모도 무시할 수 없기 때문에 전기비 걱정을 해야 할 것이고,

그래픽카드나 PC를 구입하는 비용도 당연히 걱정을 해야 합니다.



과연 자신이 투자한 채굴 비용만큼 얼마만큼의 이득을 얻을 수 있을까요.


그것은.


비트코인의 시세에 따라 ROI (투자대비 성과)가 나타나겠지요.




결국은 비트코인으로 시세차익을 내려는 행동보다, 채굴하는 행동이 조금 더 RISK 관리에 좋아보일 지 모르겠지만,

실상은 결국 별반 차이가 없습니다.


그것이 중요합니다.




사진출처: 블로터

(채굴 프로그램은 이러한 형태라고 합니다)



또 한가지 유념해야 할 부분도 있습니다.


비트코인을 채굴하면 어떻게 될까요.

공급량이 늘어나겠지요.


수요와 공급의 법칙에 의하면, 공급량이 늘어나면 시세는 자연스럽게 싸질수밖에 없습니다.


물론 내가 채굴하는 양은 진짜 빙산의 일각조차도 안될정도로 미세먼지 수준에 그치겠지만,

수많은 사람들이 채굴한다면 그것을 다 합했을 때 결국은 공급량이 늘어나게 되겠지요.


그 사이에 시세가 오를까요? 내릴까요. 그건 아무도 몰라요.

하지만 확률적으로는 내릴 가능성이 높아질 것입니다.



석탄이나 석유는 채굴하면 활용하는 제품이라도 존재하지만,

비트코인은 기껏 채굴해봤자 하나의 가상화폐를 얻는 정도밖에 안됩니다.


물론 비트코인의 활용처가 늘어나고 가상화폐도 엄연한 화폐이기 때문에 모든 것의 거래수단이 될 수는 있겠지만,

화폐시장은 언제나 예측 불가능성을 가지고 있습니다.


리스크가 크다는 뜻입니다.




과연 비트코인 채굴. 옳은 선택일까요.


적어도 현 시점에서는 아니라고 감히 말해보겠습니다.


한푼이라도 벌고싶은 마음은 이해하나, 너무 유행에 휘둘려서 모든것을 결정하지는 마세요.



사진출처: fsszine





그러다 네덜란드 튤립 투기 사태처럼 모든 것을 잃을 수 있습니다.


WRITTEN BY
鬼風
생각이 깨어있지 않다면 살아갈 이유도 없다

트랙백  0 , 댓글  0개가 달렸습니다.
secret

오늘도 블로터에서 기사를 보다가 매우 좋은 내용인 것 같아서 블로그에 함 기재해봅니다.


기사출처: 블로터 - 세스 고딘이 말하는 ‘똑똑하게 고객을 모으는 방법’



기사 원문은 위 링크 참조하시기 바라고요.

이 블로그에서는 간단 요약 및 제가 느낀 부분을 추가로 써보겠습니다.


본문의 모든 사진은 블로터가 출처입니다.





겨울마다 폭설이 내리는 지역에 살고있습니다.


눈올때마다 눈을 치우고, 눈치우는 것으로 돈을 버는 사람들도 있습니다.


저도 한번 돈을 벌기 위해 삽을 사 보았습니다.





어떻게 하면 일을 구할 수 있을까요?




1. Stand on the corner


눈이 많이 쌓인 집으로 삽을 들고 서 있습니다.

운이 좋으면 집주인이 저한테 눈을 치우라고 하겠죠.

하지만 저같은 사람이 여러명이면 선택될 확률도 줄어들겠죠.




2. Ring the bell


눈이 많이 쌓인 집을 가서 초인종을 누르는겁니다.

"치워주겠다고. 돈벌겠다고."


마케팅의 시작입니다.



3. Go to the night before


일기예보를 보고, 다음날 폭설이 내릴 것으로 전망된다면,

폭설이 내리기 전 집으로 찾아가서 전화번호를 주면서

눈이 쌓이면 전화하라고. 치워주겠다고 합니다.



4. Get Subscriber


눈이 오기 전에. 미리 홍보를 하고 다니면서.

자기한테 미리 구독신청을 하면

눈이 오기 전에 알아서 찾아가는 서비스를 제공하겠다.



그리고 세스고딘은 가장 중요한 것이 무엇인지를 다음과 같이 언급했죠.



당신… 삽질은 잘 하십니까?






기사는 여기까지입니다.


결국 최고의 마케팅은,

기업이나 개인이 제공하는 제품과 서비스 그 자체가 뛰어나야 한다는 것입니다.

즉 품질이 최우선되어야 한다는 뜻이죠.


아무리 열심히 홍보하고 포장하면 무엇합니까.

포장을 깠을 때 실망한다면 결국 고객들은 떠날 수밖에 없을 것이고.

포장을 깠을 때 좋아한다면 결국 고객들은 더욱 이용하게 될 것입니다.



음식점에서는 음식이 맛있는 것이 가장 소중하고,


홈페이지에서는 홈페이지 이용이 편리해야 하는 것이 중요하고,


쇼핑을 하려면 구매 제품의 품질과 가격이 만족스러워야 합니다.





정말 당연한 이야기이자 뻔한 이야기일 수도 있습니다.

하지만 이런 뻔한 것도 지키지도 않는 곳이 상당히 많습니다.


블로그는 과연 어떨까요??



인터넷 검색을 해서 들어가는 블로그들 보면,

맛집이나 여행정보같은 경우는 상당히 유용한 정보가 많이 있습니다.

그런 블로그는 좋은 블로그라고 사람들이 부르고, 즐겨찾기도 하고 자주 들어오기도 합니다.


반대로 어떤 성형외과나 병원광고라던가, 아니면 화제가 되는 이슈몰이 기사에 대한 블로그들 보면,

유용한 내용은 커녕, 뉴스를 통해서 뻔히 알 수 있는 내용이 전부이고 추가적으로 알 수 있는 정보는 거의 없는 블로그가 대부분입니다.

그런 블로그는 현재는 잘 나갈 지 몰라도, 그 인기를 유지하기는 쉽지 않을 것입니다.

(물론 하루에 글을 몇십개씩 쓰면서 회전률을 엄청 빠르게 돌린다면 유지는 되겠지만. 블로그가 나아가야 할 올바른 방향은 아니라 생각합니다.)


제가 블로그에 글을 쓰는것도.

어떨 때는 제 평소의 생각을 쓸 때도 있고.

어떨 때는 다른 기사를 참조하면서 쓸 때도 있지만.


단순히 양산형 블로그라던가. 내용이 없는 블로그라던가. 그런 것은 스스로에게는 용납되지 않는가 봅니다.


결국 블로그를 들어오는 분들에게도 가장 중요한것은 무언가 하나라도 얻어가는 것이 있어야 하는 것이거든요.



그 부분에 초점을 두면서 지금까지 블로그 운영을 해 나가고 있는 것이고, 앞으로도 그리 할 예정입니다.





당연한 내용이지만, 그 속에서 많은 것을 배울 수 있었습니다.


좋은 기사를 공유해서 유익한 정보를 제공해준 블로터에도 다시한번 감사드립니다.






WRITTEN BY
鬼風
생각이 깨어있지 않다면 살아갈 이유도 없다

트랙백  0 , 댓글  0개가 달렸습니다.
secret

먼저 이 글을 읽기 전에 반드시 참고하셔야 할 부분이 있음을 알려드립니다.

 

인터넷 상에 제 글이 검색이 되어 다른 분들도 한 번 혹은 그 이상은 거쳐가는 곳인 것은 사실이지만, 어디까지나 저는 Machine Learning을 처음 시작하는 사람인 만큼 연구 및 학습을 위한 자료 정리용으로 올리는 것입니다.

그렇기 때문에 전문가가 아닌 초심자가 올리는 그런 글이라는 점을 참고정도 해 두시기 바랍니다.

 

그렇다 하여 책이나 학습 자료를 통해서 그대로 베끼거나 그런 내용은 블로그의 수준을 스스로 떨어뜨리는 일밖에는 되지 않는다는 점에서 그럴 일은 전혀 없을 것임도 더불어 참고하시기 바랍니다.

 

 

(본문 중 주요 내용에 대한 모든 출처: 알고리즘으로 배우는 인공지능,머신러닝,딥러닝 입문 - 위키북스, 김의중 지음)

즉 본문에서 뭔가 어디서 많이 본 것 같은 문구나 주요 팩트 등에 대한 내용은 위 책을 출처로 생각하시면 되겠습니다.

 

 

 

(1) 정의

 

Machine Learning의 첫 등장은 카네기멜론 대학교의 Tom Mitchell 교수의 저서를 통해서 알 수 있었으며, 그 정의는 다음과 같습니다.

 

"컴퓨터 프로그램이 특정 Some Task 'T'를 수행할 때 Performance Measure 'P'만큼 개선되는 Experience 'E'을 보이면 그  프로그램은 T,P에 대해 E를 학습했다고 할 수 있다."

 

 

 

그리고 실무적 관점에서는 다음과 같이 정의될 수 있다고도 합니다.

 

학습(Learning) = 표현(Representation) + 평가(Evaluation) + 최적화(Optimization)

(출처: A Few Useful things to Know about Machine Learning, Pedro Domingos, CACM, 2012)

 

 

 

머신러닝, 즉 기계학습이라는 것은 그 정의가 위와 같이 여러 관점에서 정의되어 있습니다.

하지만 여기서 공통적으로 봐야 할 것은,

 

주어진 방법을 가지고

데이터 입력값을 처리하였을 때

어떻게 최적의 결과를 도출할 지를 프로그램이 인식하는 것

 

저는 일단 그렇게 이해를 해 봤습니다.

(사실 이 부분에 대한 이해가 그리 쉽지는 않았습니다. 시간이 난다면 더욱 많은 자료를 봐야 할 것 같습니다)

 

그리고, 이를 바탕으로 새로운 데이터에 대한 예측까지도 할 수 있는 것이 머신러닝이 추구하는 목표가 되겠죠.

사람도 무언가를 학습하면 다른 예제를 가지고 새로운 문제를 해결해야 되니까요.

그러한 관점에서 이해하면 될 것입니다.

 

 

 

(2) 분류

 

지도학습과 비지도학습으로 구분이 된다 합니다.

 

이 부분은 머신러닝 분류 관련하여 굉장히 대중화되어 있는 내용이기도 하죠.

 

먼저 지도학습은,

 

(출처: 카카오프렌즈 홈페이지)

 

 

위와 같이 어떤 특정 사물에 이름(Label)을 붙여놓은 것을 뜻합니다.

즉 사람이 "첫번째 캐릭터"를 컴퓨터에 입력할 때, "이것은 라이언이다" 라고 정의를 한다는 것은,

반대로 컴퓨터 입장에서는 "지도(Supervised)"를 받은 것이기 때문에 이것을 지도학습이라고 일컫습니다.

 

비지도학습은 그 반대겠죠?

"이것은 무엇이다"라고 지도를 받지 않고, Label이 없는 데이터를 제공하는 것을 비지도학습이라 합니다.

 

 

지도학습은 크게 (A)분류(Classification), (B)예측(Prediction) 모델이 있고, 비지도학습은 (C)군집(Clustering) 모델이 있습니다.

 

 

(A) 분류모델 - kNN모델, 서포트벡터머신, 의사결정트리 등등의 모델

(B) 예측모델 - 회귀모델(Regression)

(C) 군집모델 - Partition-based Clustering, Hierarchical Clustrering

 

 

이 정도로 구분된다고 하는데, 자세한 것은 이후 글에 나타날 것입니다.

그보다 먼저, 분류모델 / 예측모델 / 군집모델이 무엇인지 정도는 알아놓는 것이 좋겠죠?

 

 

 

(3) 지도학습 - 분류모델, 예측모델

 

분류모델과 예측모델의 공통점은 당연히 지도학습 모델이니 Label이 있는 입력 데이터로 학습을 하는 것이고,

분류모델과 예측모델의 차이점은 분류는 결과값이 고정된 반면, 회귀는 결과값이 Dataset 범위 내 어떤 값도 가능하다는 것입니다.

 

더욱 쉽게 이해하자면.

 

분류모델의 결과값은 객관식 시험문제의 정답과 같은 개념이고(1,2,3,4번 중 한개)

예측모델의 결과값은 주관식 시험문제의 정답과 같이 이해했습니다(다만 범위가 존재하다는 점).

 

물론 일부 예측모델은 분류모델처럼 특정 결과값을 예측하는 경우도 있다 합니다

(이런것까지 다 쓰면 왠지 책 베끼는거같아서 생략..)

 

 

(4) 비지도학습 - 군집모델

 

'군집' 단어 개념 정도는 아실 것입니다.

수많은 것을 여러 그룹으로 만드는 그런 것이 군집이죠.

결국 비지도학습이라 함은 Label이 없기 때문에, 이를 어떻게 묶어서 분류하느냐가 최대 관건이 되겠죠.

 

출처: 매일경제TV

 

이거 구분 되세요? 당연히 되겠죠.

그렇다면 컴퓨터가 어떻게 구분할까요.

어떻게 LINE Friends와 Kakao Friend를 군집으로 묶을 수 있을까요.

그것이 머신러닝으로 개발되는 내용 중 하나가 될 수 있겠죠.

그것이 사소한 아이디어가 될 수도 있고요.

 

즉, 군집은 위와 같은 전체를 어떻게 묶어주는가.

그 방법을 제시하는 것으로 보시면 됩니다.

 

 

위 예제에서 한가지 더 언급하자면, 꼭 카카오프렌즈 - 라인프렌즈로 묶을 필요는 없어요.

큰 캐릭터 - 작은 캐릭터로 묶을 수도 있고,

남자캐릭터 - 여자캐릭터로 묶을 수도 있고,

사람 - 동물로 묶을 수도 있습니다.

 

어떻게 묶는 지는 만드는사람 마음이고, 이를 위한 알고리즘을 어떻게 짜는지 역시 개발자 마음입니다.

 

 

 

 

여기까지입니다.

머신러닝에 대한 개념을 다루었으니,

그 다음은 당연히 분류/예측/군집모델에 대해서 하나씩 정리해봐야 되겠죠?

 

다음편에 뵐게요.

 

 

 


WRITTEN BY
鬼風
생각이 깨어있지 않다면 살아갈 이유도 없다

트랙백  0 , 댓글  0개가 달렸습니다.
secret