[AI] ML Intro

졸프 모델 개발과 빅데이터분석경진대회에 앞서 관련 개념들을 리마인드해보고자 그동안 배운 내용들을 정리해보려 한다!

---

Machine Learning

💡 기계학습(Machine learning)
스스로 경험을 통해 성능을 향상시키는 컴퓨터 알고리즘
The study of computer algorithms that improve automatically through experience (by Tom Mitchell)

• 딥러닝은 인공지능의 하위분야
  

---

1. Supervised Learning (지도학습)

• input-output pairs가 주어짐
• Classification : 이산적 (discrete)
• Regression : 연속적 (continuous)

Housing price prediction

• $(x_1, y_1), …, (x_n, y_n)$ : training dataset
• $x_i$ : feature
• $y_i$ : label / target
  
• x = 800이라면 y = ?
  
• 적합한 model 기준으로 학습
  

---

• feature가 더 늘어난다면?
  - $x_i$ = (size, lot size) $x_i ∈ R^2$
  - $y_i ∈ R$
  

• High-dimensional features (고차원)
  $x_i ∈ R^d$
  d-dimensional vector
  

---

• Regression vs Classification

Regression 회귀는 label이 연속적!
Classification 분류는 label이 이산적!

---

Supervised Learning in Computer Vision

1. Image classification

• x = raw pixels of the image
• y = the main object
  

2. Object localization and detection

• x = raw pixels of the image
• y = the bounding boxes
  

3. Machine translation
   

---

2. Unsupervised Learning (비지도 학습)

• no labels!!! output 정보가 없음

• $x_1, ..., x_n$ 정보만 주어짐

• Clustering, Compression(압축), Density estimation, Dimension reduction

• clustering - 그룹화, 군집화
  

• Dimension reduction (차원 축소)
  차원이 높을수록 데이터의 양도 증가
  ⇒ 필요 없는 input 데이터 삭제
  

---

3. Reinforcement Learning (강화 학습)

• Input + reward $r$
• rewards의 형태로 피드백 받음
• 예상되는 rewards를 최대화하기 위해 학습!
• 모든 학습은 결과의 sample에 기초
  

---

Example: Atari games

1. 목표 : 가장 높은 점수로 게임 완료
2. State : game state의 raw pixel inputs
3. Action : game control (e.g. Left, Right, Up, Down)
4. Reward : 각 단계별 점수 증가 / 감소

---

Example : Go

1. 목표 : 게임에서 이기기
2. State : 모든 pieces의 위치
3. Action : 다음 piece를 놓을 위치
4. Reward : 경기가 끝날 때 이기면 1, 그렇지 않으면 0