기본적인 머신러닝의 학습 방법 카테고리 분류
Learning Problems
세 가지 main types.
Supervised Learning : 지도 학습
입력과 정답 레이블이 주어진 경우.
예시를 통해 학습.
label이 지정된 데이터셋을 사용하는 머신러닝.
- 분류
- 회귀
Unsupervised Learning : 비지도 학습
입력만 주어지고 정답 레이블이 없는 경우.
데이터에서 숨겨진 패턴을 발견하기.
- 군집화
- 차원 축소
Reinforcement Learning : 강화학습
정적 데이터셋에 의존하는 것이 아닌, 반복적인 시행착오 상호작용을 통해 작업 수행 방법을 학습.
Hybrid Learning Problems
지도-비지도 학습 경계가 분명하지 않은 경우.
Semi-Supervised Learning : 준지도 학습
라벨링 된 데이터와 라벨링 되지 않은 데이터를 함께 사용.
라벨링 된 데이터가 많이 없는 경우.
Self-Supervised Learning : 자기 지도 학습
데이터 자체에서 레이블을 생성하여 학습.
y 없이 (X,X)로 학습.
Multi-Instance Learning : 다중 인스턴스 학습
개별 인스턴스가 아닌 그룹으로 학습.
Statistical Inference
추론의 관점에서 분류
Inductive Learning : 귀납적 학습
결과를 결정하기 위해서 증거를 사용하는 것.
특정 예시들로부터 일반적인 결론을 도출하여 새로운 데이터에 적용하는 방식.
데이터에서 일반적인 패턴을 학습하여 새로운 데이터에 적용.
Deductive Inference : 연역적 추론
기존의 지식과 규칙을 사용하여 특정 결론 도출.
모든 인간은 죽고, 소크라테스는 인간이니, 소크라테스는 죽는다.
일반적인 규칙에서 특정 결론을 도출함. f(x) 계산한 느낌.
Transductive Learning : 전이적 학습
특정 예제에 대한 예측을 훈련 데이터와 테스트 데이터 사이에서 직접 수행.
훈련 데이터와 테스트 데이터 사이에서 직접 예측을 수행하여 특정 인스턴스들에 집중.
Example
- Induction : 특정 예시들로부터 일반적인 모델을 학습.
- Deduction : 학습된 모델을 사용하여 예측.
- Transduction : 특정 예시들을 이용하여 직접 예측 수행.
Learning Techniques
학습 기법들
Multi-Task Learning
여러 관련 작업을 동시에 학습하여 성능 향상.
하나의 데이터셋으로 다중 작업을 학습시켜 일반화 능력 향상.
Active Learning
모델이 중요한 데이터를 선택하여 학습.
라벨링할 데이터를 모델이 선택.
학습하다가 이상하다 싶으면 쿼리를 날림.
Online Learning
데이터를 순차적으로 사용하여 학습을 지속적으로 업데이트.
사용 가능한 데이터를 다 사용하고, 예측 직전 혹은 마지막 관측 이후에 모델 최종적 업데이트.
Transfer Learning
한 작업에서 학습한 모델을 다른 작업에 적용.
A task dataset을 통해 모델을 학습시키고, 이 모델의 일부 또는 전체를 활용해 B task dataset을 학습시키는 것.
Ensemble Learning
여러 모델의 예측을 결합하여 더 나은 성능 도출
