1. 머신러닝이란?

1) 머신러닝 :

• 데이터에서 학습하도록 컴퓨터를 프로그래밍하는 과학.
• 명시적은 프로그래밍 없이 컴퓨터가 학습하는 능력을 갖추게 하는 연구 분야.

2) 용어 설명

• 훈련 세트(training set) : 시스템이 학습하는 데 사용하는 샘플
• 훈련 사례(training instance) or 샘플(sample) : 각 훈련 데이터

2) 머신러닝을 사용하는 이유

1. 전통적인 프로그래밍 기법(=규칙기반) : 유지보수 어려움
2. 머신러닝 기법 : 패턴을 감지하여 자동으로 학습 → 유지보수 용이함
3. 머신러닝이 뛰어난 분야
   • 기존 솔루션으로는 많은 수동 조정과 규칙이 필요한 문제
   • 전통적인 방식으로는 해결 방법이 없는 복잡한 문제
   • 유동적인 환경

머신러닝 사용 사례

• 생산 라인에서 제품 이미지를 분석하여 자동 분류 시스템 : CNN
• 뇌를 스캔하여 종양 진단 : 시맨틱 분할
• 뉴스 기사 분류 : 자연어 처리(NLP)

등등

3) 머신러닝 시스템 종류

분류 기준

1. 사람의 감독/지도 하에 훈련 : 지도, 비지도, 준지도, 강화학습
2. 실시간으로 점진적 학습을 하는지 : 온라인 학습, 배치 학습
3. 알고 있는 데이터 포인트와 새 데이터 포인트를 비교 vs 훈련 데이터셋에서 패턴을 발견 : 사례 기반 학습, 모델 기반 학습

1. 지도/감독하에 훈련

지도 학습

• 레이블(label) 또는 타깃(target) : 원하는 답
• 지도 학습의 예시 : 분류(classification), 회귀(regression)
• 지도 학습 알고리즘 예시 : k-최근접 이웃, 선형 회귀, 로지스틱 회귀, 서포트 벡터 머신, 결정 트리, 랜덤 포레스트, 신경망 등

비지도 학습

• 레이블 없음. 알고리즘이 스스로 연결고리를 찾음
• 비지도 학습 예시 : 군집, 이상치/특이치 탐지, 시각화, 차원 축소, 연관 규칙 학습 등

준지도 학습

• 데이터에 레이블을 다는 것은 시간과 비용이 많이 듦. → 일부만 레이블이 있는 데이터를 다룸
• 준지도 학습 예시 : 심층 신뢰 신경망(DBN), 제한된 볼츠만 머신(RBM)

강화 학습

• 에이전트 : 학습하는 시스템.
• 보상/벌점 : 환경을 관찰해서 행동을 실행하고 나서 얻는 결과
• 정책 : 보상을 얻기 위한 최상의 전략. 주어진 상황에서 에이전트가 어떤 행동을 선택해야 할지 정의함.
• 알파고가 강화 학습의 예시

2. 실시간 여부

온라인 학습

배치 학습