[ML] 지도 학습, 비지도 학습, 강화 학습

아래 내용들은 제가 혼자 학습하면서 정리한 내용들입니다.

'부족한 내용' 혹은 '잘못된 내용'이 있을 수 있습니다.

댓글 남겨주시면 더욱 공부하고 수정하도록 하겠습니다.

감사합니다.

---

머신 러닝(Machine Learning)

- 머신러닝은 데이터를 사용하여 기계가 스스로 학습하는 방식

- 머신러닝의 학습 방법에 따라 지도 학습, 비지도 학습, 강화 학습으로 구분할 수 있다.

출처 https://wendys.tistory.com/169

 

 

지도 학습(Supervised Learning)

지도 학습은 데이터 중에서도 정답이 있는 데이터를 이용하여 학습

정답이란 데이터에 레이블(Label)이란 이름으로 가지고 있다.

정답이 있는 데이터를 인공지능에 입력하여 학습시키면 인공지능은 여러 장의 사진 중에서도 해당 정답의 특성을 찾아내고 답을 말할 수 있다.

 

지도 학습 사례

1. 분류(classification)

- 주어진 데이터에서 정해진 레이블에 따라 분류를 함

- 이진 분류(binary classification)

두 가지 중 하나를 구분(Yes or No)

스팸 메일인지 아닌지, 암 환자인지 아닌지 등

- 다중 분류(multiclass classification)

붓꽃(Iris)의 종류, 지폐의 종류 구분 등

분류는 데이터의 정답 개수에 따라 종류가 결정된다.

 

2. 회귀(regression)

- 데이터들의 특징을 기준으로 연속적인 값을 예측하는 것

- 패턴이나 트렌드, 경향 등을 예측할 때 사용

- 주식 예측, 성적 예측, 집값의 예측 등

 

지도 학습 알고리즘

1. Classification

- KNN

- Naive Bayes

- Support Vector

- Machine Decision

2. Regression

- Linear Regression

- Locally Weighted Linear

- Ridge

- Lasso

 

비지도 학습(Unsupervised Learning)

- 정답 라벨이 없는 데이터를 사용

- 비슷한 특징끼리 군집화 하여

- 사과와 배를 학습한다면?

무엇이 사과 사진이고, 무엇이 배 사진인지 알려주지 않는다는 것을 의미

사과와 배를 정확히 구분하지는 못하지만 사진을 비교하여 특징을 살펴보고 스스로

그 특징에 따라 구분해 나가게 된다.

사과와 배 사진으로 2개가 아니라 3~4개로 구분하라고 한다면

아마도 사과와 배의 품종별로 구분될 수도 있다.

- 이렇게 구분해 나가면 새로운 데이터가 들어왔을 때 그 데이터가 어떤 그룹에 속하는지

스스로 판단할 수 있다. 정답이 없는 데이터를 사용해 스스로 판단할 수 있는 지능을 가지게 되는 것.

 

비지도 학습 사례

1. 군집화(clustering)

- 비지도 학습을 사용해 데이터의 특징을 스스로 판단하고 몇 개의 그룹으로 나눌 수 있다.

- 이렇게 만들어진 그룹을 군집(cluster) 라고 한다.

- 추천 알고리즘

물건을 구매한 내역을 바탕으로 그룹을 만들면 새로운 사람에 대한 상품을 추천해줄 수 있다.

사람들이 물건을 구매한 내용 등을 보고 데이터의 특징을 스스로 파악하여 몇 개의 그룹으로 나눈다.

새로운 사람이 오면 어떤 그룹과 유사한 소비패턴을 가졌는지 파악 후 해당 그룹의 다른 사람들이

이전에 구매한 물품을 추천

 

2. 차원 축소(dimnsionality redution)

- 데이터의 특징을 전문 용어로 Feature 라고 한다.

- 여기에서 의미하는 차원이란 데이터의 feature를 의미

- 데이터의 특징들이 많으면 좋지만, 컴퓨터가 처리하기 힘들 정도로 많거나 의미 없는 데이터가 있다면

모두 분석할 필요가 없다.

- 비지도 학습을 사용하여 데이터의 특징을 줄인다.

- 집값을 예측하는 상황

방의 개수, 범죄율, 고속도로 접근성, 편의시설, 가격 등 → 방의 개수, 범죄율, 가격으로 줄이기

 

비지도 학습 알고리즘

- Clustering

- K Means

- Density Estimation

- Exception Maximization

- Pazen Window

- DBSCAN

 

강화 학습(Reinforcement Learning)

- 지도, 비지도 학습과는 조금 다른 개념

- 시행착오를 거쳐 인공지능의 수준을 높이는 학습 방법

- 게임을 처음 할때는 금방 끝나버릴 것이다. 한 번, 두 번 하다보면 시행착오를 거치면서

게임 방법을 알게되고 실력이 늘어난다.

 

강화 학습 사례

- 강화 학습을 위해서는 달성하려는 목표와 목표를 이루기 위한 보상(Reward)가 필요하다.

- 두 조건이 있으면 인공 지능은 스스로 자신에게 상을 주며 목표를 이루어 간다.

- 강화 학습은 예전부터 연구된 기술이지만 딥러닝이 등장하면서 잠재력이 폭발하게 되었다.

- DeepMind의 알파고

 

 

강화 학습 알고리즘

- DQN

- A3C

 

 

 

출처:

모두의 인공지능 with 파이썬(이영호 저, 길벗)

https://wendys.tistory.com/169

https://ebbnflow.tistory.com/165

 

 

...끝