머신 러닝 뜻과 학습 모델 종류

목차

• 머신 러닝이란?
• 머신 러닝 학습 모델
  • 지도 학습
  • 비지도 학습
  • 반지도 학습
  • 강화 학습

머신 러닝이란?

머신 러닝(ML)은 컴퓨터와 기계가 인간이 학습하는 방식을 모방하여 자율적으로 작업을 수행하고 더 많은 데이터에 대한 경험과 노출을 통해 성능과 정확성을 향상시키는 데 중점을 둔 인공 지능(AI)의 한 분야입니다.

UC 버클리 대학에서는 머신러닝 알고리즘의 학습 시스템을 크게 세 부분으로 나눕니다.

1. 의사 결정 과정: 일반적으로 머신 러닝 알고리즘은 예측이나 분류를 하는 데 사용됩니다. 레이블이 지정되거나 지정 해제될 수 있는 일부 입력 데이터를 기반으로 알고리즘은 데이터의 패턴에 대한 추정치를 생성합니다.
2. 오류 함수: 오차 함수: 오차 함수는 모델의 예측을 평가합니다. 알려진 예가 있는 경우 오차 함수는 모델의 정확도를 평가하기 위해 비교를 할 수 있습니다.
3. 모델 최적화 프로세스: 모델이 학습 집합의 데이터 포인트에 더 잘 맞으면 가중치를 조정하여 알려진 예와 모델 추정치 간의 불일치를 줄입니다. 알고리즘은 이 반복적인 '평가 및 최적화' 프로세스를 반복하여 정확도 임계값이 충족될 때까지 가중치를 자율적으로 업데이트합니다.

머신 러닝 학습 모델

머신 러닝 모델은 다음과 같이 분류됩니다.

지도 학습

지도 머신 러닝이라고도 하는 지도 학습은 레이블이 지정된 데이터 세트를 사용하여 데이터를 분류하거나 결과를 정확하게 예측하도록 알고리즘을 훈련시키는 것으로 정의됩니다. 입력 데이터가 모델에 입력되면 모델은 적절하게 맞춰질 때까지 가중치를 조정합니다. 이는 교차 검증 프로세스의 일부로 모델이 과적합 또는 과소적합을 피할 수 있도록 하기 위해 발생합니다. 지도 학습은 조직이 받은 편지함에서 별도의 폴더로 스팸을 분류하는 등 다양한 실제 문제를 대규모로 해결하는 데 도움이 됩니다. 지도 학습에 사용되는 방법에는 신경망, 나이브 베이즈, 선형 회귀, 로지스틱 회귀, 랜덤 포레스트, SVM(서포트 벡터 머신) 등이 있습니다.

비지도 학습

비지도 머신 러닝이라고도 하는 비지도 학습은 머신 러닝 알고리즘을 사용하여 레이블이 지정되지 않은 데이터 세트(클러스터라고 하는 하위 집합)를 분석하고 클러스터링합니다. 이러한 알고리즘은 사람의 개입 없이도 숨겨진 패턴이나 데이터 그룹을 발견합니다.

비지도 학습은 정보의 유사점과 차이점을 발견하는 능력이 뛰어나 탐색적 데이터 분석, 교차 판매 전략, 고객 세분화, 이미지 및 패턴 인식에 이상적입니다. 또한 차원 축소 프로세스를 통해 모델의 특징 수를 줄이는 데에도 사용됩니다. 주성분 분석(PCA)과 특이값 분해(SVD)가 이를 위한 두 가지 일반적인 접근 방식입니다. 비지도 학습에 사용되는 다른 알고리즘으로는 신경망, k-평균 클러스터링, 확률적 클러스터링 방법 등이 있습니다.

반지도 학습

준지도 학습은 지도 학습과 비지도 학습 사이의 행복한 중간을 제공합니다. 학습 중에는 레이블이 지정된 작은 데이터 세트를 사용하여 레이블이 지정되지 않은 큰 데이터 세트에서 분류 및 특징 추출을 안내합니다. 준지도 학습은 지도 학습 알고리즘을 위한 레이블이 지정된 데이터가 충분하지 않은 문제를 해결할 수 있습니다. 또한 충분한 데이터에 라벨을 붙이는 데 비용이 너무 많이 드는 경우에도 도움이 됩니다.

강화 학습

강화 학습은 지도 학습과 유사한 머신 러닝 모델이지만 샘플 데이터를 사용하여 알고리즘을 학습시키지 않습니다. 이 모델은 시행착오를 통해 학습합니다. 일련의 성공적인 결과를 강화하여 주어진 문제에 대한 최상의 추천 또는 정책을 개발합니다.