ML Introduction

머신러닝은 크게 4가지 요소로 구성될 수 있다:

1. 학습을 위한 데이터 (Data)
2. 데이터를 변형시키는 모델 (Model)
3. 모델이 얼마나 잘 작동하는지 정량화 할 수 있는 목표 함수 (Objective Function)
4. 목표 함수 최적화를 위해 모델의 파라미터를 조정하는 알고리즘 (Optimization Algorithm; Optimizer)

머신러닝으로 풀어낼 수 있는 문제 중에는 다음과 같은 것들이 있다:

1. 지도 학습 (Supervised Learning): Feature-Label 쌍 데이터 기반 학습
   a. 회귀 (Regression)
   b. 분류 (Classification)
   c. 태깅 (Tagging; Multi-label Classification)
   d. 탐색 (Search; Ordering Set)
   e. 추천시스템 (Recommender Systems)
   f. 시퀀스 학습 (Sequence Learning) - Variable Lengths
2. 비지도/자기지도 학습 (Unsupervised/Self-Supervised Learning)
   a. 군집화 (Clustering)
   b. 부분 공간 해석 (Subspace Analysis) / 주성분 분석 (Principal Component Analysis)
   c. 인과성 (Causality) / 확률 그래프 모델 (Probabilistic Graphical Models)
   d. 적대적 생성 신경망 (Generative Adversarial Networks)
3. Interacting with an Environment
4. 강화학습 (Reinforcement Learning): 높은 Reward를 얻는 Action을 선택하는 Policy를 찾는 것이 목표
   a. Exploitation & Exploration (Multi-Armed Bandit)