머신러닝 이론 (2)

머신러닝(Machine Learning)이란?

머신러닝/딥러닝은 기존 데이터를 이용하여 아직 일어나지 않는 미지의 일을 예측하기 위해 만들어진 기법

- 학습을 통해 기계가 스스로 규칙을 만들어낸다

- 데이터와 결과를 이용하여 특성과 패턴(모델)을 찾아내고(학습) 찾아낸 모델을 이용하여 새로운 데이터에 대한 결과(값,      분포)를 예측(추론)하는 것

 

인공지능, 머신러닝, 딥러닝

 

구분	Machine Learning	Deep Learning
훈련 데이터 크기	작음	큼
시스템 성능	저사양	고사양
feature 선택	전문가 (사람)	알고리즘
feature 수	많음	적음
문제 해결 접근법	문제를 분리 -> 각각 답을 얻음 -> 결과 통합	end-to-end (결과를 바로 얻음)
실행 시간	짧음	김
해석력	해석 가능	해석 어려움

 

머신러닝(Machine Learning) 종류

1. 지도 학습 (Supervised Learning)

- 데이터에 대한 Label(명시적인 답)이 주어진 상태에서 컴퓨터를 학습시키는 방법

- 분류(Classification)와 회귀(Regression)로 나뉘어진다

 

분류 (Classification)

- 미리 정의된 여러 클래스 레이블 중 하나를 예측하는 것

- 속성 값을 입력, 클래스 값을 출력으로 하는 모델

- 붓꽃(iris)의 세 품종 중 하나로 분류, 암 분류 등

- 이진분류, 다중 분류 등이 있다

 

회귀 (Regression)

- 연속적인 숫자를 예측하는 것

- 속성 값을 입력, 연속적인 실수 값을 출력으로 하는 모델

- 어떤 사람의 교육수준, 나이, 주거지를 바탕으로 연간 소득 예측

- 예측 값의 미묘한 차이가 크게 중요하지 않다

2. 비지도 학습 (Unsupervised Learning)

- 데이터에 대한 Label(명시적인 답)이 없는 상태에서 컴퓨터를 학습시키는 방법

- 데이터의 숨겨진 특징, 구조, 패턴을 파악하는데 사용

- 데이터를 비슷한 특성끼리 묶는 클러스터링(Clustering)과 차원축소(Dimensionality Reduction)등이 있다

지도 학습 / 비지도 학습 모델 종류

	비지도 학습	지도 학습
연속 데이터	■ 군집과 차원축소 - SVD - PCA / ICA - NMF - K-means - DBSCAN - t-SNE	■ 회귀 - 선형 회귀, 다항 회귀 - 라쏘 회귀, 릿지 회귀 - 일래스틱넷 - 회귀 트리 (앙상블) - SVR
이산 데이터	■ 연관 규칙 학습 - Apriori - FP-Growth ■ HMM	■ 분류 - k-NN - 결정트리 - 로지스틱 회귀 - Naive-Bayes - SVC - 신경망, 퍼셉트론 - Random Forests - GBM / Xgboost

 

지도 학습 / 비지도 학습 모델 선택