- 기계학습 : 데이터로 직접 학습할 수 있는 테크닉 (데이터에서 지식을 컴퓨터가 직접 가져오는 것)
- 딥러닝 : 데이터에서 인공신경망을 가지고 학습하는 것
- 기계학습의 종류 (비지도, 지도, 강화학습)
- data -> ML -> goal
지도학습 - labeled data
지도학습의 형태
- 입력과 출력할 레이블은 정해져있고, 함수 f를 구하는 것이 목적
- 회귀/분류(이진,다중) 세가지로 구분하는 기준 : target이 뭐냐에 따라 나뉨
- regression, classification (binary, multi-label) = 3가지
- regression (회귀) - target이 실수인 경우 (점수 예측)
- classification (분류) - 이진분류 - target이 0 또는 1인 경우 (패논패)
- 다중분류 - target이 k개의 정수인경우 (여러 정수중 하나로 예측하는 것) (학점 분배)
비지도학습
- target이 없는 학습 형태
- 비슷한 것끼리 모을수 있다. (input 만가지고 데이터의 특징을 발견해내는 일을 하는 학습 방법)
강화학습
- 학습의 구조가 전혀 다름
- agent(인공지능 프로그램) <-> environment (에이전트 외의 것 예를들어, 로봇/게임/ 강화학습 수행의 대상)
- state (화면전체의 상태) 2. reward (보상) 3. action (행위) : action으로 인해 화면이 어떻게 바뀌고 보상이 어떻게 되는지 행동의 목적이 존재 (예를 들면 점수를 얻고자 하는것
- 미래의 보상을 최대화하는 인풋에 대하여 보상 진행
- 한번에 학습이 되는 것이 아니라 시간에 따라서 (goal : select actions to maximize total future reward)
- 피드백, delay, 순차적
- 어디에 쓰이냐 ? sequential decision making problems : 한번에 끝나는 것이 아니라 순차적으로 천천히 학습 / 시간마다 어떤 action을 할것이냐를 학습하는 것
- 순간에 어떤 결정을 할래? 이걸 결정하는 함수를 구하는 것이 강화학습의 목적 (future reward 극대화)
