머신러닝 기본 개념

◆ 인공지능의 역사

 

◆ 인공지능의 종류

◆ 인공지능의 미래

◆ 인공지능 윤리

◆ 머신러닝이란?

◆ 머신러닝 vs 딥러닝

◆ 머신러닝 종류

< 지도 학습(Supervised Learning) >

• 데이터에 대한 Label(명시적인 답) 이 주어진 상태에서 컴퓨터를 학습시키는 방법

• 분류(Classification)와 회귀(Regression)로 나뉘어진다.

 

<분류(Classification)>

• 미리 정의된 여러 클래스 레이블 중 하나를 예측하는 것

• 속성 값을 입력, 클래스 값을 출력으로 하는 모델

• 붓꽃(iris)의 세 품종 중 하나로 분류, 암 분류 등

• 이진분류, 다중 분류 등이 있다.

 

<회귀(Regression)>

• 연속적인 숫자를 예측하는 것

• 속성 값을 입력, 연속적인 실수 값을 출력으로 하는 모델

• 어떤 사람의 교육수준, 나이, 주거지를 바탕으로 연간 소득 예측

• 예측 값의 미묘한 차이가 크게 중요하지 않다.

 

 

 

< 비지도 학습(Unsupervised Learning)

• 데이터에 대한 Label(명시적인 답)이 없는 상태에서 컴퓨터를 학습시키는 방법

• 데이터의 숨겨진 특징, 구조, 패턴을 파악하는데 사용.

• 데이터를 비슷한 특성끼리 묶는 클러스터링(Clustering)과 차원축소(Dimensionality Reduction)등이 있다.

 

< 강화 학습(Reinforcement Learning)

• 지도학습과 비슷하지만 완전히 답(Label)을 제공하지 않는 특징이 있다.

• 기계는 더 많은 보상을 얻을 수 있는 방향으로 행동을 학습

• 주로 게임이나 로봇을 학습시키는데 많이 사용

 

◆ 머신러닝 활용분야

• 기존 솔루션으로는 많은 수동 조정과 규칙이 필요한 문제

• 전통적인 방식으로는 전혀 해결 방법이 없는 복잡한 문제

• 새로운 데이터에 적응해야하는 유동적인 환경

• 대량의 데이터에서 통찰을 얻어야 하는 문제