머신러닝(0921)

머신러닝(Machine Learning) : 훈련 데이터를 학습기에 넣어 학습모델을 만들고 처리를 수행하는 기술

VS 순차적학습(Sequential Learning)

그동안의 학습방식은 가설을 세우고 이를 검증하는 연역적 방법(ex. 순차적학습(Sequential Learning))이 주를 이뤘다. 판정하고자 하는 이미지의 특징을 사람이 정의한 규칙(rule based)의 프로그램으로 처리를 수행한다. 이에 비해 머신러닝은 귀납적 방법을 사용한다. 데이터를 쌓아 이를 통해 학습모델을 생성하고 처리를 수행한다.

 

머신러닝 분류

지도학습(Supervised Learning)

데이터와 함께 정답을 학습하여 다른 데이터의 답을 예측 (ex. 회귀, 분류)

 

비지도학습(Unsupervised Learning)

데이터의 정답이 아닌 규칙, 특징, 표현을 찾는 학습 (ex. 클러스터링, 성분 분석 등)

 

강화학습(Reinforcement Learning)

데이터와 함께 정답을 학습하여 다른 데이터의 답을 예측

 

회귀(Regression) : 데이터를 입력하면 결과 값을 연속형 수치로 출력하는 방법

분류(Classification) : 정답이 있는 데이터를 입력하면 이산형의 데이터의 속성 또는 종류를 출력

클러스터링(Clustering) : 정답이 없는 데이터를 입력하면 이를 그룹으로 묶어주는 방법

성분 분석(Principal Component Analysis) : 데이터의 성분을 축소화시켜 주 성분으로 나타내는 방법

 

Learning의 정의

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

표현(Representation) : 입력 값을 처리해 어떻게 결과값을 만들지 결정하는 방법

평가(Evaluation) : 에이전트가 얼마나 Task를 잘 수행했는가를 확인하는 방법

최적화(Optimization) : 평가에서 세운 기준을 최적으로 만족하는 조건을 찾는 방법

 

머신러닝의 한계

표현방법(Representation)에 의존한다는 한계