머신러닝

머신러닝은 유용한 함수를 학습하는 것이다.

데이터와 우리가 컴퓨터를 학습시킬 수 있는 알고리즘을 컴퓨터에게 입력을 시켜주면, 컴퓨터가 스스로 데이터 안에 있는 유용한 패턴을 찾아서 함수를 찾아주는 것이다.

• Traditional AI
  머신러닝에서 학습한다는 그 함수를 사람이 직접 코딩
• 머신러닝
  데이터와 function의 기본적인 형태를 컴퓨터에게 알려주면 컴퓨터 스스로 학습

AI > 머신러닝 > 딥러닝

딥러닝

인간의 인지능력, 시각능력, 언어적인 능력 등과 관련된 모델링을 하는데 있어서 좋은 성능을 가지는 방법론이다.

왜 머신러닝이 각광받고 있는가 ?

첫 번째, 빅데이터 시대

굉장히 많은 데이터가 굉장히 빠른 속도로 저장되고 활용되는 시대, 머신러닝은 이 빅데이터들을 이용하여 유용한 함수를 학습하는 방법이기 때문에.

두 번째, GPU를 활용한 딥러닝의 발전

CPU는 한번에 하나씩 처리하는 개념
GPU는 여러 개의 태스크들을 한번에 처리하는 개념
GPU를 활용한 딥러닝의 발전으로 머신러닝 분야까지 적용

머신러닝 구성요소

• Environment(E) : 경험
• Data(D) : 경험을 토대로 패턴들이 녹아져 있는 일련의 저장의 결과
• Model(M) : 앞서 말했던 함수
• Performance(P) : 함수에 대한 평가

오차

어떤 실제 값이 있고, 그 다음에 내가 예측했던 값들의 차이
-MSE(Mean Squared Error) : 제곱한 후 평균

Linear Regression

• 기본적인 머신러닝 방법론
• 선형식 : input에 입력되는 변수에 어떠한 특정 상수를 곱하고 나머지 곱해진 term들에 대해서는 더하기 형태로 표현하는 것
• 손실 함수(Ex: MSE)
• 최적화 단계 : 손실 함수를 최소화로 해주는 베타를 찾는 단계

최종 단계

1. 모형의 대략적인 구조를 세운다.
2. 대략적인 구조를 세우고 그 다음에 로스함수를 정의한다.
3. 실제하고 모형에서 출력되는 값하고의 차이를 최소화해준다.

머신러닝의 전체적인 구성

1. 지도

• 범주형 : Classification
• 수치형 : Regression

2. 비지도

• Unsupervised Learning

3. 강화학습
   Ex) 알파고