[Machine Learning] 머신러닝 개요

🤖 머신러닝

◽ 머신러닝 정의

• 전통적인 프로그래밍 방식
  • input : 데이터, 함수, 알고리즘
  • output : 제시된 알고리즘으로 데이터를 처리한 결과
• 머신러닝
  • input : 데이터, 어떠한 방식으로 도출된 결과
  • output : 알고리즘, 모델, 규칙

◽ 머신러닝 시스템 워크플로우

• 수집 : 머신러닝 학습에 필요한 데이터 수집
• 점검 및 탐색 : 데이터의 구조/노이즈 파악 (EDA 단계)
• 전처리 및 정제 : 머신러닝 학습에 알맞게 데이터 가공
• 모델링 및 훈련 : 적절한 머신러닝 알고리즘 선택 및 학습 진행
• 평가 : 테스트 데이터를 통해 학습 평가
• 배포 : 모델을 서비스에 적용

◽ 머신러닝 알고리즘 분류

지도 학습

• 모델에 주입하는 데이터에 특성과 정답을 같이 넣어 학습시키는 방식
• ① 분류 (Classification)
  ② 예측 (Regression)

비지도 학습

• 모델에 특성만 넣어 학습시키는 방식
• ① 군집 (Clustering)
  ② 차원축소 (Dimension Reduction)
  ③ 연관규칙 (Association Rule)

강화 학습

• 모델의 학습결과에 따라 보상 또는 벌점을 주어 가장 큰 보상을 받는 방향으로 학습시키는 방식

◽ 머신러닝 기본 용어

• feature
  • 독립변수
  • 학습 데이터의 특성
• label / target / class
  • 종속변수
  • 정답 데이터
• parameter
  • 모델이 학습 과정에서 업데이트하는 요소
  • 예 ) weight, bias
• hyper parameter
  • 사용자가 직접 설정하는 파라미터
  • 예 ) learning_rate, max_depth
• loss
  • 손실
  • 정답값과 예측값의 오차를 표현하는 지표
• metric
  • 평가 지표
  • 모델의 성능 평가 시 사용하는 지표