지식 기반 접근법 vs. 기계 학습
지식기반접근법 -> 기계학습
기존에 쌓아놓은 지식을 기반으로 답변하던 지식 기반 접근법에서 지식으로부터
패턴(특징)을 학습하여 답변하는 기계학습으로 발전함.
하지만 기계학습 역시 한계가 존재했다
제공된 데이터의 표현방식에 크게 의존한다는 것이다.
즉, 좋은 데이터를 가지고 학습시켜야 좋은 결과가 출력된다는 것
예를 들면 데이터의 중요 특징을 사람이 직접 설계해야 했기 때문에
그 과정에서 주관적인 판단이 개입될 수밖에 없다는 점
이러한 문제를 해결하기 위해서 딥러닝이 등장했어
딥러닝
이러한 머신러닝의 한계를 해결하고자 나온 것이 딥러닝인데
딥러닝의 핵심은 단순히 사람이 미리 정의한 특징으로 변환하는 것이 아니라
스스로 특징을 학습을 할 수 있다가 핵심이다 (표현학습의 문제점을 해결함)
딥러닝에서는 복잡한 데이터를 여러 계층(layer)로 나눠서 처리해.
각 계층은 이전 계층의 출력값을 입력값으로 받아 더 복잡한 정보를 추출
이것이 딥러닝이 기존의 기계 학습보다 더 복잡한 문제를 해결할 수 있었던 이유이다
학습방법 : 지도학습 vs. 비지도학습
지도학습 (Supervised learning)
훈련 데이터를 통해 답을 함께 주고, 이 답을 맞추는 형식으로 학습
ex) 고양이 이미지가 있으면 이에 대해 고양이라고 라벨을 붙여서 학습
비지도학습 (Unsupervised learning)
정답(라벨)이 없이 데이터 간의 패턴을 스스로 찾아내는 방식
ex) 데이터가 비슷한 것끼리 묶음
회귀와 분류
회귀 (Regression)
연속적인 값을 예측하는 문제
ex) 온도나 집값을 예측하는 문제처럼 출력값이 연속형 데이터로 나오는 것
분류 (Classification)
데이터를 특정 카테고리로 나누는 문제
ex) 이메일이 스팸인지 스팸이 아닌지 구분하는 문제
선형 회귀 분석과 손실 함수
선형 회귀 분석은 X와 Y 간의 관계를 직선으로 표현하는 것
직선 모델을 찾는 과정을 통해 최적의 매개변수를 찾아 예측을 수행한다
손실함수는 모델이 얼마나 정확한지를 평가하는 척도
그 중에 평균 제곱 오차 (MSE)가 대표적이다
