1. 기계학습에서, `무엇을 얻어낼 것인가`의 구분
※ (수집해 놓은 데이터를 기초로, 어떤 판단 규칙을 만들어낼 것인가에 따른 구분)
ㅇ 회귀 (Regression)
- 입력 값을 바탕으로 연속적인 출력 값을 추정/예측
ㅇ 분류 (Classification)
- 입력 값을 바탕으로 특정 범주를 추정/예측
ㅇ 군집화 (Clustering)
- 입력 값들을 비슷한 특성별로 여러 그룹으로 분할하며 큰 단위로 만들어 감
. 유사도 산출 방법을 적절히 선택하는 것이 중요 함
ㅇ (기타)
- 유사성 매칭
- 연관성 분석
- 링크 예측 등
2. 기계학습에서, `학습법 (학습 시나리오)`의 구분
※ (학습을 위한 `정답 제공` 및 `피드백 제공` 유무에 따른 구분)
ㅇ 지도 학습 (Supervised Learning) : 미지의 값 예측
- 문제 및 정답의 쌍을 주고, 이를 통해 일반화 능력을 키우는 방식
. 입력 및 이에 대해 기대되는 출력을 학습 데이터로 제시하고, (입출력 데이터 쌍 필요)
. 기대되는 출력과 같아지도록 (예측토록),
. 시스템을 변화시키는 과정
- 문제 유형
. (연속적) : 회귀 문제
. (이산적) : 분류, 랭킹/추천 문제
- 학습 알고리즘 例
. 선형 회귀분석, 로지스틱 회귀분석, 결정 트리, 정규화, SVM 등
* 단, 과적합 방지 필요 (일반화 성능 고려)
. 학습 데이터에서 만 과적합(Overfitting) 됨을 방지하기 위해,
. 학습 데이터(학습용)와 테스트 데이터(검증용)를 구분하여, 추정과 검증을 구분토록 됨
ㅇ 비 지도 학습/자율 학습 (Unsupervised Learning) : 패턴 추출
- 정답이 없는 상태에서 모델을 구축하는 것
. 입력 데이터 집합에 내재하는 숨은 구조/성질을 찾는 과정 (패턴 추출)
- 문제 유형
. 군집화, 이상 검출, 토픽 모델링, 밀도(데이터 분포) 추정, 차원 축소 등
- 학습 알고리즘 例
. 주성분 분석 등
ㅇ 강화 학습 (Reinforcement Learning) : 상호작용에 의한 시스템 구축
- 평가 후 보상을 통해 학습
. 장기적인 이득을 최대화시킨다는 원칙을 갖고,
. 환경과의 계속된 상호작용(선택과 피드백의 반복)에 의해,
. 다음 행동을 결정하는 시스템을 구축
- 즉, 일련의 시행착오를 통해, 다음 행동을 정하는 알고리즘의 학습
- 컴퓨터가 알아서 스스로의 행동 알고리즘을 만들어낼 수 있도록 함
※ (어떻게 일반화하는가에 따른 구분)
ㅇ 사례 기반 학습 (instance-based)
- 사례를 기억하여 학습하고, 이로부터 유사도를 측정하여, 새로운 데이터에 일반화함
ㅇ 모델 기반 학습 (model-based)
- 가급적 좋은 모델을 만들어가며 예측이 잘들어맞도록 일반화함
3. 기계학습에서, `접근법 (학습 모델)`의 구분
ㅇ 통계 기반 기계학습
- 통계학적으로 대규모 데이터에 내재된 패턴을 찾아내는 학습 모델
* 크게, 빈도주의 통계법(기존)과 베이즈 통계법으로 구분 가능
ㅇ 인공 신경망 (Artificial Neutral Network,ANN)
- 인간의 뇌 구조에 착안하여 만든 학습 모델
. 적응적 학습과 병렬 처리 등이 가능함
* 딥러닝 (Deep Learning)
. 기존의 신경망 보다 훨씬 복잡하고 깊이가 깊은 심층/다층 신경망을 사용
.. 신경망을 층층히 쌓아서 문제를 해결하는 기법
. 데이터량에 의존하는 기법
.. 데이터에 대한 가정은 적으나, 다양한 패턴,경우에 유연하게 대응하는 구조를 만들어서,
.. 많은 데이터(빅데이터)를 이용하여 학습시켜, 모델의 성능을 향상시킴
ㅇ 유전 알고리즘 (Genetic Algorithm) 등
1.
2.
3.
4.
5.
6.
7.
8.