Machine Learning 01 - Introduction

용어 정리

AI > Machine Learning > Deep Learning

 

1. AI

• 인간이 가지고 있는 학습능력, 응용력, 추론능력 컴퓨터를 통해서 구현하고자하는 가장 포괄적인 개념
• 방법은 고려 x

2. Machine Learning

• AI를 구현하는 하나의 방법론

• 데이터를 이용해서, 데이터의 특성과 패턴을 학습하고, 그 결과를 바탕으로 미지의 데이터에 대한 미래 결과를 예측하는 프로그래밍 기법

• Machine Learning을 구현하기 위한 방법

  • Regression, SVM (Support Vector Machine), Random Forest, Decision Tree, Neural Network (신경망), Clustering, Reinforecement Learning (강화학습) ..
  • Regression, Neural Network 위주로 학습함

1. Regression (Linear Regression, Logistic Regression)
2. SVM
3. Decision Tree
4. Random Forest
5. Naive Bayes
6. KNN (K-Nearest Negihbor)
7. Neural Network (신경망)
8. Clustering (K-Means, DBSCAN)
9. Reinforcement Learning

cf) Data Mining

• 데이터 간의 상관관계나 새로운 속성 (feature)를 찾는 것이 주 목적인 작업

3. Deep Learning

• Machine Learning의 한 부분

• Machine Learning을 구현하기 위한 하나의 방법인 신경망 (Neural Network)을 이용하는 구조 + 알고리즘의 집합

  • CNN, RNN, LSTM, GAN ..

 

Machine Learning이 왜 필요할까?

• 1960년대에 만들어진 개념이다.
• Explicit program의 한계 때문에 고안되었다.
• Explicit program : rule based program
  • Explicit program으로 왠만한 프로그램은 다 구현이 가능하지만, 조건이 너무 많은 프로그램은 표현하기 힘들다.
  • cf) 스팸메일 필터링, 자율주행시스템, 바둑
• Machine Learning
  • 프로그램 자체가 데이터를 기반으로 학습을 통해 배우는 능력을 가지는 프로그램 지칭

Machine Learning의 Type

• 학습 방법에 따라서 크게 4가지로 분류한다.

1. 지도학습 (Supervised Learnig)
2. 비지도학습 (Unsupervised Learnig)
3. 준지도학습 (SemiSupervised Learnig)
4. 강화학습 (Reinforecement Learnig)

 

1. 지도학습 (Supervised Learning)

• 입력값 (x)와 Label이라고 표현되는 정답 (t)를 포함하는 Training Data Set을 이용해서 학습을 진행

• 학습된 결과를 바탕으로 => Predictive Model을 만들어서 => 미지의 데이터에 대한 미래값을 예측하는 작업을 진행

 

• 공부 시간에 따른 시험 점수 예측 (점수): continuous value (연속적인 값) 87점
• 공부시간에 따른 시험 합격 여부 예측 (합격/불합격): discrete value (이산값) 0(Fail-False), 1 (Pass-True)
• 공부시간에 따른 시험 Grade 예측 (A/B/C/D/F): discrete value (이산값) 여러개 중 1개
• 카드 사용 패턴에 따른 도난 신용카드 판별

• Regression (회귀), Classification (분류)
• 지도 학습은 어떤 종류의 미래를 예측하느냐에 따라 Regression (회귀), Classification (분류)

 1) Regression (회귀)

• 학습된 결과를 바탕으로 연속적인 숫자값을 예측
• Linear Regression (선형회귀)
  • '얼마나'를 예측하는 방법

 2) Classification (분류)

• 학습된 결과를 바탕으로 주어진 입력값이 어떤 종류의 값인지 (discrete value)를 구별하는 방식을 의미.
• '어떤것'인가를 예측
• binary classification : 둘 중 하나를 예측
• multinomial classification : 여러 개 중 하나를 예측

 

2. 비지도학습 (Unsupervised Learning)

학습에 label이 없는 데이터가 사용된다. <- 지도학습과의 가장 큰 차이

• 입력되는 데이터에 정답 (label)이 포함되어 있지 않다.
• 데이터의 분포, 특징을 학습해서 Grouping을 해 준다.

1) Clustering (군집화)

• 비슷한 데이터 끼리 Grouping

2) Grouping (분류)

• 어떤 분류에 속하는 가에 대한 정답을 예측

 

3. 준지도학습

• 지도학습 + 비지도학습
• 데이터의 일부분만 label이 제공되는 경우
• 대표적인 예 => Google Photos

 

4. 강화학습

• 위에서 말한 3가지 방식과는 완전히 다른 학습 방법
• Agent, Environment, Action, Reward 개념을 이용
• 게임쪽에서 많이 사용되는 학습 방법 => 방법
• Google의 알파고의 메인 알고리즘이 강화학습이다.