이미지 데이터 분석은 다양한 산업분야에서 널리 활용되고 있습니다^^

대표적으로 3가지 분야를 들자면, 여러분들께서 많이 접하시는 날씨 관련 산업에서는 인공위성 이미지를 활용하여 태풍을 예측하기도 합니다.

두번째로는 의학 분야에서 건강검진이나 병원에서 검사를 받을 때 초음파나 X-ray 사진을 촬영하게 되는데, 이 때 환자가 암이나 종양이 있는지 등을 분석하여 탐지하는 데에도 활용이 되요.

마지막으로 요즘 자율주행 자동차들이 많이 출시되고 있는데, 차량에 탑재된 전방 및 후방 카메라에 인식되는 이미지를 활용해 차간거리를 인식하거나 장애물을 탐지해주는 분야에도 데이터 분석이 쓰인답니다.

이외에도 생각보다 정말 다양한 산업 분야에서 이미지 데이터를 분석해서 의사결정에 활용하는 기술들이 많이 존재합니다~!

우리가 많은 양의 자료를 공부하면 다양한 학습이 이루어지는 것과 같이, 이미지 데이터의 개수가 많아질수록 많은 데이터에 대한 학습이 이루어집니다^^

다만, 많은 양의 자료 중 정확하고 확실한 자료들이 많을수록 우리의 지식이 견고해지는 것처럼, 학습이 이루어지는 데이터의 특성과 품질이 굉장히 중요합니다.

실제로 분류에 방해가 되는 모호한 데이터들이 많은 경우, 정상과 비정상을 구분짓는 경계가 모호해져 분류의 성능이 떨어질 수 있습니다!

만약 고장과 정상의 형태가 확실히 다른 데이터를 활용한다면 100%를 달성할 수도 있겠지만, 실제 현실 세계에는 다양한 유형의 데이터가 존재하기 때문에 100%를 달성하기에는 어려움이 있습니다 ㅠㅠ

데이터 분석 프로그래밍은 일반적으로 SAS, R, Python등의 통계 기반 툴을 많이 사용합니다^^

그 중 R과 Python은 오픈소스이기 때문에 가장 많이 활발하게 사용이 되고,  연구하는 방식이 통계학 쪽이라면 R을, 딥러닝/머신러닝 및 컴퓨터과학 쪽이라면 Python을 추천드리고 싶습니다.

실제 저희 분야에서는 고장을 탐지하기 위해서 고장 데이터를 학습해야 하는데, 실제 현장에서 고장이 나는 경우가 굉장히 희귀하기 때문에 정상 데이터가 많은 상황에 당면하곤 합니다.

이를 해결하기 위해서 정상 데이터 만으로 특징을 학습해서 정상으로부터 벗어난 구간을 이상으로 탐지해주는 이상 탐지 분야가 존재하며,

이외에도 소수의 고장 데이터의 특성을 학습해서 고장 데이터의 양을 늘리는 딥러닝 기반 데이터 생성 기법 등이 다양하게 존재합니다 ^^