기계 학습 (Machine Learning)

I. 인간의 학습 과정 모방, 기계 학습

대량의 데이터를 지도/비지도, 강화 학습 등을 통해 문제의 해답을 찾아내는 기법

 

II. 지도 학습과 비지도 학습의 개념

지도 학습비지도 학습
– 입출력이 쌍으로 구성된 학습 예제로부터 맵핑하는 함수 학습 형태– 목표값 없이 입력값으로 공통 특성을 파악하는 귀납적 학습 형태

 

III. 지도 학습과 비지도 학습의 특징

구분지도 학습비지도 학습
사용이유– 예측 모델 생성– 고차원 데이터 분류
성능평가교차검증 수행– 검증 방법 없음
입력정보– Labeled Data– Raw Data
유형회귀: (x, y)로 f(x)=y파악
– 분류: 그룹별 특징 파악
– 군집: 데이터끼리 묶음
패턴인식: 여러그룹인식
알고리즘– MLP, KNN, SVM, 의사결정 트리 등K-Means, DBSCAN, DNN 등
장점– 사람이 목표 값에 개입하여 정확도가 높음– 목표 값을 정해주지 않아도 되므로 속도 빠름
단점– 시간이 오래 걸리고 학습 데이터 양이 많음– 학습 결과로 분류 기준과 군집 예측 불가
사례– 패턴, 질병진단
– 주가 예측, 회귀 분석
– 스팸필터, 차원 축소
– 데이터마이닝, 지식발굴

– 지도/비지도 학습과 함께 환경으로부터 벌칙과 보상에 의한 학습 모델인 강화 학습이 대표적

 

III. 시행착오 기반 강화 학습 (Reinforcement Learning)

구분설명
개념– 벌칙과 보상 기반 최적의 결정 방법을 학습
– 사람과 동물이 학습하는 원리를 실시간 적용
학습유형– 시행착오: 보상/벌칙 기억 최선의 결정 학습
– 최적제어: 시간 흐름에 따라 과정 별 최적 결정
알고리즘– Q-learning, DQN, Policy Gradient
사례– 바둑(알파고), 게임, 로보틱스, 웹 정보 검색

 

콘텐츠 사용 시 출처 표기 부탁 드리고, 댓글은 큰 힘이 됩니다^^