머신러닝 분류

머신러닝은 크게 3가지로 분류할 수 있다.

• 지도 학습
• 비지도 학습
• 강화 학습

그리고 딥러닝은 신경망을 베이스로 한 구조로 더 많은 학습변수를 사용할 수 있고 그 덕분에 비선형의 복잡한 문제를 다룰 수 있다. 

 

 

지도학습(Supervised Learning)

지도학습은 레이블 있는 데이터로 학습하는 경우를 말한다. 예를 들어, 강아지 사진들과 강아지라는 값을 페어링한 데이터를 학습하는 것이다. 지도학습은 예측하거나 분류를 하기 위해 사용된다. 

대표적인 지도학습 모델은 k NN 모델, 서포트 벡터 머신, 디시즌 트리이다. 

• k NN 모델
  학습 데이터에서 d개의 특성을 추출 한 후, d차원 공간에 위치 시킨다. 그리고 분류되지 않은 데이터가 새로 입력되면 d차원의 공간에 위치시킨 후 가까이 있는 k개의 데이터를 추출하여 그들(k개의 데이터)의 라벨링 값을 구한다. 그 중 가장 많은 수의 라벨링 값으로 새 데이터를 분류시킨다. 
• 서포트 벡터 머신 (SVM)
  SVM은 이진선형 분류 모델이다. 두 그룹으로만 분류할 수 있고 선형식을 구할 때, 경계선에 가까운 데이터들과 선형식간의 거리가 최대가 되게끔 한다. 
• 디시즌트리 (Decision Tree)
  디시즌트리는 스무고개와 비슷한 분류 모델이다. 연속적인 이분법으로 분류해가는 모델인데, 이 때 초기 분류 할 때 정보량이 가장 작은 것부터 분류해내가야한다. 즉, 확률이 높은 것 부터 분류해내간다. 

비지도학습(Unsupervised Learning)

비지도학습은 레이블이 없는 데이터만 가지고 학습한 것을 말한다. 비지도 학습은 군집, 차원축소, 생성 모델을 목적으로 사용 된다.

현실 세계에서의 데이터는 레이블이 없는 경우가 많다. 그래서 비지도학습의 잠재력은 크고, 머신러닝 분야에서도 꽃이라고도 한다. 대표적인 모델은 너무 많아 스킵한다. ^^* 

강화학습(Reinforcement Learning)

강화학습은 각 상태에 따라 설정 된 보상 함수를 기준으로 학습한다. 즉 시행착오를 통해 학습하는 것이다. 

강화학습의 가장 대표적인 예시는 알파고(이세돌 기사와 바둑을 둔)이다.