Chapter1. 머신러닝 개요

1.1 머신러닝 기초

• 데이터를 반복적으로 학습하여 데이터에 숨어 있는 패턴을 찾아내는 것
• 기호 접지 문제 : 인간의 지식을 특징이라는 기호로 설명하기 어려움, 기호와 실물을 얼마나 잘 연결시키는지의 문제

• 머신러닝의 문제 해결 방법 3가지 :
  1) 지도 학습 (supervised learning)
  2) 비지도 학습 (unsupervised learning)
  3) 강화 학습 (revised learning)

1.2 머신러닝 학습 방식

1. 지도학습 :

(지도; 데이터에 붙어있는 정답 라벨), 훈련 데이터(Training set)으로부터 하나의 함수를 유추해내기 위한 기계 학습의 방법
대량의 데이터로 컴퓨터가 정답 라벨에 근접하도록 반복 처리하는 것이 기본 원리

• 분류 문제 (카테고리 예측) : 최종적으로 카테고리를 예측하는 것
• 회귀 문제 (수치 예측) : 최종적으로 임대료 등의 수치값을 예측하는 것

2. 비지도학습 (자율학습) :

지도학습이 정답라벨이 존재하는 것과는 달리 비지도학습은 정답 라벨이 존재하지 않음. 주어진 데이터의 규칙성을 발견하여 학습. 지도학습이 컴퓨터에 미리 답을 알려주나 비지도학습은 컴퓨터가 인간을 이끌어주며 그로인해 정답이나 오답이 존재하지 않음이 특징이다.

• 클러스터링(Clustering) : 데이터간의 유사성을 바탕으로 집단으로 분류하는 것, 대표적인 비지도 학습 방식
• 활용분야 : 상품이나 메뉴 알려주는 제안, 주성분 분석(Principal component analysis,PCA), 차원감소 (dimensionality reduction)

3. 강화학습 :

지도학습이 필요없으며 에이전트(agent)와 환경(environment)를 제공

• 에이전트 -(행동)-> 환경
• 환경 <-(보상)- 에이전트
• 에이전트가 환경에 대해 행동하고 환경이 에이전트에 보상, 주어진 보상에 따라 에이전트가 행동에 대해 좋았다/나빴다 평가를 하여 다음 행동을 결정하는 형태
• 활용분야 : 로봇 조작 제어