머신러닝(machine learning)

머신러닝 개념과 관련 용어

• 회귀와 분류 구분
• 모델링 코드 작성 방법
• 모델 성능 평가 방법
• 기본 알고리즘 원리
• 효율적인 성능 평가 방법
• 하이퍼파라미터 튜닝
• 앙상블 알고리즘 등

➔ 최소한 머신러닝 모델링 코드를 작성할 수 있습니다!

=> 지겹도록 계속 반복해야 합니다..!

기대하는 우리의 모습

• 주어진 데이터를 탐색하고
• 분석에 용이하도록 전처리한 후
• 여러 알고리즘의 성능을 비교해
• 가장 성능이 좋은 알고리즘을 선택하고
• 하이퍼파라미터 튜닝을 통해
• 나름 최선의 모델을 완성해
• 새로운 데이터에 대해 예측하고 평가

➔ 전문가 ➔ 자신감

---

1. 머신러닝 소개

• 머신러닝에 대한 이해
• 분류와 회귀
• 미리 알아 둘 용어
• 모델링 코드 구조

머신러닝에 대한 이해

man :그러면 머신러닝은 알아?

woman : 그것도 들어는 봣는데 뭔지는 잘..

m :컴퓨터를 타잔으로 쳐

w : 응

m :앤 무인도에서 자라서 여자를 한 번도 본적이 없어. 근데 어느 날 갑자기 무인도에 제인이 온거야. 그래서 타잔이 제인한테 돌멩이를 주니까 싫어해. 근데 꽃을 주니까 좋아해

w : 아.. 모쏠이라서 여자가 뭘 좋아하는지 모르는구나

m : 어 맞어. 그래서 계속 시도를 해. 타잔이 뱀을 잡아다 주니까 싫어해. 근데 예쁜 토끼를 주니까 좋아해

m : 뭐, 또 소리치면 싫어하고 웃어주면 좋아하고. 뭐 그렇게 경험을 많이 하면서 제인의 마음을 얻어가는 걸 배워.

w : 아, 그래서 머신러닝이구나. 기계를 학습 시킨다?

m : 어. 컴퓨터에 여러 경험 데이터를 주고 인공 신경망(->딥러닝)으로 학습시켜서 예측하게 하는 거.

m : ...재미없었지...?

w : 아니, 엄청 재밌었어. 멋지고~

머신러닝 개념 ①

• 데이터 학습 -> 패턴 -> 학습

머신러닝 개념 ②

• 인간의 한계 -> 인간은 너무 나약한 존재
• 우리의 지식은 거의 없다고 봐야함 -> 겸손해야 합니다.

학습 방법에 따른 분류

• 지도 학습(Supervised Learning)
  • 학습 대상이 되는 데이터에 정답을 주어,
• 비지도 학습(Unsupervised Learning)
• 강화 학습(Reinforcement Learning)-> 미개척 분야(아직너무어려움)

과제에 따른 분류

• 분류 문제(Classification)
  • 이미 적절히 분류된 데이터를 학습하여 분류 규칙을 찾고, 그 규칙을 기반으로 새롭게 주어진 데이터를 적절히 분류하는 것을 목적으로 함(지도 학습)
• 회귀 문제(Regression)
  • 이미 결과값이 있는 데이터를 학습하여 입력 값과 결과 값의 연관성을 찾고, 그 연관성을 기반으로 새롭게 주어진 데이터에 대한 값을 예측하는 것을 목적으로 함(지도 학습)
• 클러스터링(Clustering)

머신러닝 분류 정리

---

분류와 회귀

• 갈수록 겸손해져야 합니다.

분류와 회귀 ①

• 모델링을 하기 전에 원하는 결과가 분류인지 회귀인지를 명확히 이해해야 함
• 얼핏 간단한 문제인 듯 하지만, 실수하는 경우가 매우 많음
• 분류인지 회귀인지에 따라 사용할 알고리즘과 평가를 위한 함수가 달라짐

➔ important

• 분류(Classification)
• 회귀(Regression)

분류와 회귀 ②

• 회귀는 연속적인 숫자를 예측하는 것이고, 분류는 범줏값을 예측하는 것
• 연속적인 숫자 확인 방법
  • 두 값 사이에 중간값이 의미가 있는 숫자인지
  • 또는 두 값에 대한 연산 결과가 의미가 있는 숫자인지 등등
• 예측해야 할 값에 연속성이 있는지 확인하면 분류와 회귀를 쉽게 구분할 수 있음

분류와 회귀 ③

• 다음 달에 약정 기간이 끝나는 고객이 타 통신사로 이동할까?
• 이 타이어는 1,000km 안에 교체해야 할까?
• 내일 주가가 얼마일까?
• 내일 주가가 오를까?
• 이 제품의 다음 주 수요량은 얼마일까

분류와 회귀 ④

• 분류와 회귀는 서로 다른 함수를 사용해 모델링을 하게 됨
• 문제 유형을 정확히 파악 → 알고리즘과 평가 방법을 선택 → 관련된 함수를 사용해 모델링