개요

1. 머신러닝의 핵심 요소

• 데이터
• 러닝 모델 (+러닝 알고리즘)
• 요인 추출 (필수는 아니다.)

2. 머신러닝의 분류

1. Supervised learning

: 목표값이 제시된 데이터가 학습 데이터로 주어진다.

• Classification(분류): 데이터를 label에 따라 나누는 방법
  • Binary classification(예/아니오)
  • multi label classification(개/고양이/소..)
• Regression : feature을 토대로 값을 측정. 결과는 연속된 그래프로 나온다.
• CNN, RNN

2. Unsupervised learning

: 목표값이 제시되지 않은 데이터가 학습 데이터로 주어진다. 데이터의 숨겨진 특징(Hidden feature)이나 구조를 발견하는 데에 사용된다.

• Clustering(군집화): label이 주어지지 않은 데이터를, 일정한 개수의 cluster(군집)으로 모으는 방법
• Autoencoder: 데이터를 내부 표현으로 바꾸는 Encoder, 내부 표현을 데이터로 바꾸는 Decoder로 구성된 모델. 내부 표현을 인코딩된 값으로 활용 가능하다.

3. Reinforcement learning

: Unsupervised learning의 일부. 어떤 state에서 action을 취하고 reward를 받아 점차 효율적인 방식으로 행동을 강화한다.

• Q-learning
• DQN (Deep-Q-Network) : 딥러닝과 결합된 Q-learning.

기계학습이 할 수 있는 것?

참고) 솔라리스의 인공지능 연구실 : 모든 문서 정독.