1.3 머신러닝 시스템의 종류

목표

• 머신러닝 시스템의 종류를 살펴 보고 지도학습과 비지도학습의 차이에 대해 확인하자.

 

머신러닝 전체 목차 - https://wondangcom.tistory.com/2769

 

목차

1. 훈련 지도 방식에 의한 분류

1.1 지도 학습

지도 학습은 입력 데이터와 해당 데이터에 대한 정답(레이블)이 함께 주어지는 학습 방식. 

주로 분류(Classification)와 회귀(Regression) 문제에 사용된다.

대표적으로 의료 진단, 스팸 메일 필터링 등이 있다.

 

1.2 비지도 학습

비지도 학습은 정답이 주어지지 않은 데이터를 사용하여 학습하는 방식.

데이터의 패턴이나 구조를 찾는 데 사용된다.

대표적으로 군집화(Clustering)와 차원 축소(Dimensionality Reduction) 등이 있다.

예를 들어, 소셜 미디어에서의 토픽 모델링이나 고객 세분화 등에 활용된다.

 

1.3 준지도 학습

준지도 학습은 일부 데이터에만 레이블이 주어진 상태에서 학습하는 방식.

대부분의 데이터가 레이블이 없는 경우에 사용된다.

예를 들어, 웹사이트의 뉴스 기사를 분류할 때, 일부 기사에만 카테고리가 붙어 있는 경우에 활용된다.

 

1.4 자기지도 학습

레이블이나 외부 감독 없이 데이터로부터 패턴을 학습하는 방식.

이는 비지도 학습의 한 종류로 간주될 수 있다.

자기지도 학습 시스템은 주어진 데이터에서 구조를 찾고, 패턴을 발견하여 학습한다.

예를 들어, 텍스트 문서의 경우, 자기지도 학습 시스템은 문서 내에서 주요 단어를 식별하고 문서 간의 유사성을 파악하여 문서를 주제에 따라 그룹화할 수 있다. 또한, 영상 데이터에서는 자기지도 학습을 통해 특정 객체나 특징을 인식하고 이를 기반으로 분류나 예측을 수행할 수 있다.

 

1.5 강화학습

강화 학습은 에이전트가 환경과 상호작용하며 특정한 목표를 달성하기 위한 행동을 학습하는 방식.

보상을 최대화하는 방향으로 학습이 진행된다.

주로 게임이나 로봇 제어, 자율 주행 자동차 등에 활용된다.

 

2. 실시간 훈련 유무에 따른 분류

2.1 배치 학습

배치 학습은 모든 데이터를 한 번에 사용하여 학습하는 방식

 

2.2 온라인 학습

온라인 학습은 데이터가 순차적으로 들어오면서 점진적으로 학습되는 방식

 

3. 사례 기반 학습과 모델 기반 학습 분류

3.1 사례기반학습

사례 기반 학습은 학습 데이터셋에 대한 사례(데이터 포인트)를 기억하고, 새로운 데이터가 주어지면 이에 가장 유사한 사례를 찾아 예측하는 방식.

이 방식은 데이터에 대한 직접적인 기억을 통해 학습하며, 학습된 데이터셋을 저장하고 이를 활용하여 새로운 데이터를 분류하거나 예측한다.

대표적으로 k-최근접 이웃(K-Nearest Neighbors, KNN) 알고리즘이 있다.

 

3.2 모델기반학습

모델 기반 학습은 학습 데이터셋을 기반으로 모델을 구축하고, 이를 사용하여 새로운 데이터에 대한 예측을 수행하는 방식이다.

학습 과정에서 데이터로부터 일반화된 모델을 생성하여 문제를 해결한다. 이러한 모델은 학습 데이터의 패턴과 관계를 학습하고, 이를 통해 새로운 데이터의 결과를 예측한다.

선형 회귀(Linear Regression), 의사결정 트리(Decision Trees), 신경망(Neural Networks) 등의 알고리즘이 이에 해당한다.

 

요약

우리가 학교에서 시험을 볼 때 집에서 문제와 정답지를 이용해 훈련 하는 것과 같은 훈련 방식을  지도학습이라고 한다.

앞으로 우리가 살펴보는 대부분의 머신러닝 알고리즘은 이러한 지도학습의 알고리즘을 살펴 볼 예정이다. 

여기서는 지도학습과 비지도학습의 차이 정도만 살펴 보고 가자.

• 지도학습 : 정답(target)이 있는 훈련 데이터를 가지고 훈련
• 비지도학습: 정답(target)이 없는 훈련 데이터를 가지고 훈련

 

 

참고) 핸즈온머신러닝

 

 

#정보올림피아드

#검단신도시코딩

#원당동코딩

#마전동코딩

#왕길동코딩

#당하동코딩

#아라동코딩

#풍무동코딩

#불로동코딩

#검단동코딩

#검암동코딩