AI > ML > DL

인공 지능(Artificial Intelligence) AI : 사람을 표현하는 기계의 모든 것(기술, 알고리즘)
머신 러닝(Machine learning) ML : "전문가(사람)"가 준 "데이터"를 "기계"가 "학습"하는 것
딥러닝(Deep Learninr) DL : 머신러닝과 비슷하다. 전문가가 준 데이터를 기계가 학습하는 것과 같으나, 이 때의 기계는 "신경망", "뉴런네트워크" 라는 점이 차이점이다. 머신러닝과 딥러닝의 가장 큰 차이점은 기계의 구조에서 찾을 수 있는데, 조금 더 통계적이고 작은 모델이 딥러닝이고, 조금 큰 구조가 딥러닝이다.

머신러닝 : 기계를 학습한다.

1. 기계는 무엇인가요?
   인간, 어떤 전문가가 준 데이터를 표현할 수 있는 모델입니다.
   데이터에 존재하는 관계를 표현할 수 있는 모델, (나중에 부연 설명 : '피처 <-> 라벨' 사이의 관계를 수학적으로 정의하는 것을 함수(=모델)이라한다.)

2. 학습이란 무엇인가요?
   데이터를 가장 "잘" 표현할 수 있는 모델을 찾는 것.(모델(=함수)의 파라미터 최적화)
   파라미터? y=ax+b, 이 때의 가중치 기울기 a, y절편 b를 파라미터라 하는데 나중에 자세히 설명.

3. 어떻게?
   통계적, 수학적인 방법, 경사하강법(얘는 딥러닝에서 많이 사용됨.)을 통해서 파라미터를 최적화시키겠다는 것이 머신 러닝의 큰 특 이다.

머신 러닝의 세부분야 : 데이터의 형태에 따라 나뉘어진다.

1. 지도학습
   : 데이터의 형태가 피처와 라벨처럼 주어져 있는 형태. 라벨(정답지)이 존재하는 상황. 야구선수의 연봉이 10억이냐, 5억이냐 답이 있는 상황.

2. 비지도 학습
   : (정답지)라벨이 없는 상황, 요즘 트렌드임. 전세계의 야구선수의 연봉을 우리가 어떻게 알겠나요. 아니면 라벨링 계산 비용이 엄청 들거든요.. 이 돈마저 쓰고 싶지 않다. 정답지가 없는 상황에서 모델을 학습하겠다. 비지도 학습에서는 클러스터링(군집화)이라고 하는 개념을 배울 것 입니다.

3. 강화 학습
   : 1번 2번과는 다른 분야. "state : 상태", "reward : 보상" 개념이 도입된 학습. 예를 들어 A상태에 B상태로 갈 때 보상을 주고, 상태의 변화에 따라 보상을 키워주는 방식으로 학습을 하는 것이다. 마치 사막 개미 페로몬 길찾기가 생각나는군요.

지도학습

1. 회귀

• 선형, 비선형 회귀
• Gradient Descent 경사하강법
• 편향, 분산 Trade - off

2. 분류

• Logistic and Softmax Regression : 함수를 활용한 분류
• Support Vector Machine (SVM)
• Decision Tree
• Linear Discriminant Analrsis(LDA)