머신러닝 기본

머신러닝(Machine Learning)

• 인공지능의 한 분야
• 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야
• 1959년 아서 사무엘은 "컴퓨터에게 배울 수 있는 능력, 즉 코드로 정의하지 않은 동작을 실행하는 능력에 대한 연구 분야"라고 정의

 

"Field of study that gives computer the ability to learn without being explicitly programmed" 

 

예) 수신한 이메일이 스팸인지 아닌지 구분할 수 있도록 훈련할 수 있음

---

 

전통적인 프로그래밍은 X와 식을 넣어주고 Y값을 도출해내는 것

머신러닝은 X, Y을 넣어주고 식을 도출해내는 것

 

---

기계학습의 핵심

1) 표현 (Representation) : 데이터의 평가. 얼마나 잘 학습되었는가

2) 일반화 (Generalization) : 

• 아직 알 수 없는 데이터에 대한 처리 (학습이 안 된 데이터) 
• 훈련 이후 새롭게 들어온 데이터를 정확히 처리할 수 있는 능력
• 일반화 성능이 낮게 나온 경우 = 과적합 (overfitting) 

---

머신러닝의 종류 = 학습방법론

 

1) Supervised Learning (감독학습, 지도학습, 교사학습)

• 레이블(정답)이 있는 데이터로 학습
• 학습 시 정답(Y) 데이터 사용
• 예측값과 실제값의 차이(Error, Cost, Loss, 잔차)를 알 수 있음 
• 예제가 매우 많은 경우 효과적으로 학습 가능 
• Ex) 분류 (Classification), 회귀 (Regression) 

 

2) Unsupervised Learning (무감독학습, 비지도학습, 비교사학습) 

• 데이터에 내재된 패턴, 특성, 구조를 학습을 통해 발견
• 학습 시 정답(Y) 데이터 미사용, X만 사용
• 레이블을 고려하지 않음
• 학습데이터는 개체에 대한 입력 속성만으로 구성됨
• Ex) 군집화(Clustering), 차원축소 (Dimension Reduction) 

 

3) Semi-Supervised Learning (준지도학습)

• 목표값이 표시된 데이터와 표시되지 않은 데이터를 모두 훈련에 사용하는 것을 말함

 

4) Reinforcement Learning (강화학습)

• 시스템의 동작이 적절성(right/wrong)에 대한 피드백이 있는 학습
• 소프트웨어 에이전트가 환경(environment) 내에서 보상(reward)이 최대화되는 일련의 행동(action)을 수행하도록 하는 학습방법
• Ex) Action selection, Planning, policy learning
• 알파고가 강화학습