03-기계 학습과 인식

• 목차 기계학습 기본개념, 방법론 데이터 이해 특징 추출 및 표현 ML : 필기숫자 인식 성능 평가 방법 : 측정기준, 데이터셋 분할 인식문제 해결 가능한 이유
  

Review

• reinforcement learning
  • 궁극적으로는 정답이 있으나, 정답을 추출하는 과정(경로)에서 여러 탐색이 필요하거나 많은 수행 작업이 필요로 하는 작업을 강화학습으로 해결할 수 있음
• sequence of machine learning
  1. Define a problem 문제 정의
  2. Collect data 데이터 수집 ( crawling, importing )
  3. Clean data 데이터 전처리
  4. Choose a model 모델 선택
  5. Train and Test the model 학습 및 검증
     1. 학습 데이터와 검증 데이터는 서로 다른 데이터 셋을 활용

support vector machine (svm)

hyper parameter

• 학습이 되는 매개변수는 아니지만, 사용자가 입력을 통해 사전에 설정해야 하는 매개변수

인공지능 설계

1. 데이터 확보

   1. 데이터를 최대한 많이 확보하되, 클래스 간 데이터 밸런스를 유지할 것

      → 데이터 편향을 방지, 클래스 별 비율은 비슷하게

2. 특징 벡터와 레이블 준비

   1. 클래스를 분류하기 위한 특징 → 어떤 특징을 사용할 것인가 특징 선별

3. 학습하기

   model.fit(X,Y)

4. 예측하기

   model.predict(X)

규칙 기반 vs. 고전적 기계 학습 vs. 딥러닝

• 딥러닝은 어떠한 특징을 사용할 것인지 알아서 특징 벡터를 추출함
  • 사람은 데이터만 준비
  • 특징 학습, 표현 학습이 라고 함
  • 사람이 알지 못한 새로운 특징을 딥러닝이 추출하여, 더 정확한 분류를 할 수도 있음

Machine Learning

• 특정 Task에 대해서 데이터로 부터 학습을 진행하고 성능 측정 방법에 따라 성능(ex. accuracy ) 등을 측정하는 학습방식

Performance measure

• 일반화 능력

  • 학습에 사용하지 않았던 새로운 데이터로 측정한 성능

• 혼동행렬
  

  • TP, FP, FN, TN

  • T/F : 예측값과 실제값의 일치 여부

  • P/N : 특정 클래스에 대하여 해당 클래스로 예측하는가에 대한 여부

    ex) 실제로 고양이 이나, 고양이가 아니라고 예측한 경우

    ⇒ 예측값과 실제값이 일치하지 않으므로, False

    ⇒ 고양이가 아니라고 예측하였으므로, Negative

    ⇒ 해당 예시는 혼동행렬의 FN 의 한 데이터 임
    

  • Accuracy = True Positive + True Negative / Total

  • Precision = True Positive / Positive

  • Recall = True Positive / (True Positive + False Negative)

    • (True Positive + False Negative) : True samples
    • Recall은 전수조사가 필요한 부분, 현실적으로 불가능한 부분