https://medium.com/@Khuranasoils/machine-learning-basics-f58678cf9c15

https://www.dataversity.net/getting-back-basics-machine-learning/

1. 기계학습의 분류

1) 지도학습 (Supervised Learning)

: Label이 달린 데이터를 사용하여 모델을 학습시키는 방법

모델은 주어진 데이터를 바탕으로 정답을 예측하는 방법을 학습함

ex) 정답에 해당하는 객체(개, 고양이 등)가 있는 이미지 데이터셋을 학습시켜서 새로운 이미지가 주어졌을 때 어떤 객체인지 예측하는 모델을 만드는 것!

"Right Answers" given (Noise가 없다는 가정 하에)

* 사용 예시 : 이미지 분류, 음성 인식, 이메일 스팸 필터링
* 알고리즘 : 선형 회귀, 의사결정나무, 서포트 벡터 머신, 신경망 등

2) 비지도학습 (Unsupervised Learning)

: Label이 없는 데이터를 통해 패턴을 찾는 방법

-> 데이터 간의 유사성을 분석하여 데이터를 군집화거나, 이상치 탐지에 자주 사용됨

* 사용 예시 : 군집화(Clustering), 차원 축소(Dimensionality Reduction), 이상치 탐지(Anomaly Detection)
* 알고리즘 : K-평균 군집화, 주성분 분석(PCA), t-SNE, 오토인코더 등

3) 강화학습 (Reinforcement Learning)

: 에이전트가 환경과 상호작용하며 보상을 최대화하도록 학습하는 방법

-> 에이전트는 특정 행동을 할 때마다 보상 또는 벌칙을 받으며, 이를 통해 가장 좋은 행동을 찾아감
주로 순차적인 의사결정 문제에서 자주 사용됨

* 사용 예시 : 게임 플레이(알파고), 로봇 제어, 자율 주행차
* 알고리즘 : Q-learning, Deep Q-Network (DQN), 정책 경사법(Policy Gradient)

---

2. 지도학습의 종류

1. 분류 (Classification)

: 주어진 입력 데이터를 사전에 정의된 여러 클래스 중 하나로 분류하는 문제

출력값은 이산적인(Discrete) 범주!

<분류 문제의 알고리즘 종류>

• 로지스틱 회귀(Logistic Regression)
• K-최근접 이웃(K-Nearest Neighbors, KNN)
• 서포트 벡터 머신(Support Vector Machines, SVM)
• 결정 트리(Dicision Tree)
• 랜덤 포레스트(Random Forest)
• XGBoost(Extreme Gradient Boosting)
• 신경망(Neural Networks)

2. 회귀 (Regression)

: 주어진 입력에 대해 연속적인 출력값을 예측하는 문제

예측값과 실제값 사이의 오차를 줄이는 것이 목적

출력값은 연속적인(Continuous) 실수 값!

<회귀 문제의 알고리즘 종류>

• 선형 회귀(Linear Regression)
• 다중 선형 회귀(Multiple Linear Regression)
• 릿지 회귀(Ridge Regression)
• 라쏘 회귀(Lasso Regression)
• 다항 회귀(Polynomial Regression)
• 의사결정 트리 회귀(Decision Tree Regression)
• 랜덤 포레스트 회귀(Random Forest Regression)
• 신경망 회귀(Neural Network Regression)

3. 그 외

1) 다중 클래스 분류(Multi-Class Classification)

하나의 데이터가 여러 클래스 중 하나에 속하는 문제

2) 다중 레이블 분류(Multi-Label Classification)

하나의 데이터가 여러 개의 레이블에 동시에 속할 수 있는 문제

3) 순서형 회귀(Ordinal Regression)

범주형 변수 간의 순서가 존재하는 문제

4) 시계열 예측(Time Series Prediction)

특정 시간에 따른 데이터를 기반으로 미래 값을 예측하는 문제