기계학습 응용

1. 기계학습 응용

  ㅇ 이미지 분류 (image classification)
     - 통상, 합성곱 신경망(CNNs) 또는 트랜스포머를 사용하여 수행됨
     - 의미론적 이미지 분할 (semantic image segmentation)
        . 이미지의 각 픽셀을 분류하고, 이로부터 특정 이미지의 정확한 위치와 형태를 파악

  ㅇ 텍스트 분류 (text classification) 
     - 자연어 처리(NLP)의 일환임
     - 통상, 순환 신경망(RNNs) 및 합성곱 신경망(CNNs)을 사용하여 해결할 수 있지만,
       트랜스포머가 더 효과적임
     - 例) 뉴스 기사 자동 분류 

  ㅇ 텍스트 요약 (text summarization)
     - 자연어 처리(NLP)의 한 분야이며, 텍스트 분류와 동일한 도구를 사용하여 수행됨
     - 例) 긴 문서 자동 요약 등

  ㅇ 챗봇 또는 개인 비서 (a chatbot or a personal assistant)
     - 자연어 처리(NLP) 중 자연어 이해(NLU) 및 질문 응답 모듈 등을 포함

  ㅇ 예측 (forecasing)  :  회귀분석 (Regression Analysis)
     - 값을 예측하는 작업으로, 다양한 회귀 모델을 사용하여 해결 가능
        . 선형 회귀 (linear regression), 다항 회귀 (polynomial regression) 모델
        . 회귀 서포트 벡터 머신 (regression support vector machine)
        . 회귀 랜덤 포레스트 (regression random forest)
        . 인공 신경망 (artificial neural network)
     - 과거 성과 지표의 시퀀스를 고려할 경우,
        . 순환 신경망 (RNNs), 합성곱 신경망(CNNs), 또는 트랜스포머를 사용 가능

  ㅇ 음성 명령에 반응하기 (react to voice commands)
     - 음성 인식 (speech recognition) 작업이 필수적이며, 오디오 샘플이 길고 복잡한 시퀀스이므로, 
       통상, 순환 신경망(RNNs), 합성곱 신경망(CNNs), 또는 트랜스포머를 사용하여 처리

  ㅇ 이상 탐지 (anomaly detection)
     - 격리 랜덤 포레스트 (isolation forests), 가우시안 혼합 모델 (Gaussian mixture models),
       또는 오토인코더 (autoencoders)를 사용 가능
     - 例) 신용 카드 사기 탐지

  ㅇ (...편집중...)

  ※ [참고문헌]  Hands-On Machine Learning (2rd, 2023, Aurélien Géron)