MachineLearning

머신러닝 종류지도 학습 (Supervised Learning) \-비지도 학습 (Unsupervised Learning)강화 학습 (Reinforcement Learning)

머신러닝 프로젝트는 단순히 모델을 학습시키는 것만으로 끝나지 않습니다.실제 현업이나 대회, 연구 등에서 머신러닝을 적용할 때는 여러 단계를 체계적으로 거쳐야 좋은 결과를 얻을 수 있습니다.이번 글에서는 머신러닝의 전형적인 전체 과정을 단계별로 자세히 설명합니다.무엇을

머신러닝은 데이터의 형태와 학습 방식에 따라 크게 지도학습, 비지도학습, 강화학습으로 나눌 수 있습니다.정답(label)이 있는 데이터로 학습입력 데이터와 그에 대응하는 정답(출력)이 쌍으로 주어짐입력과 정답(출력)이 모두 주어진 상태에서 학습모델이 정답을 맞추는 방향

분류 문제는 정답이 카테고리(범주형)인 경우에 사용합니다.전체 데이터 중에서 정답을 맞춘 비율공식:Accuracy = (TP + TN) / (TP + TN + FP + FN)해석:전체 예측 중에서 맞춘 비율이므로, 데이터가 불균형할 때는 신뢰하기 어려움분류 결과를 표로

머신러닝에서 모델을 학습시킬 때, 예측값과 실제값의 차이를 수치로 계산하는 함수가 바로 손실함수(Loss Function, Cost Function)입니다.손실함수는 문제 유형(회귀/분류)에 따라 다르게 사용되며, 모델의 성능을 높이기 위해 반드시 이해해야 할 핵심 개

머신러닝을 실무에서 제대로 활용하려면, 단순히 모델을 만드는 것뿐만 아니라 데이터 전처리, 모델 평가, 하이퍼파라미터 튜닝 등 다양한 개념을 이해해야 합니다.아래에서 추가 개념들을 정리합니다.데이터를 여러 개의 폴드(fold)로 나누어, 학습과 검증을 반복하는 방법과적