Surpervised Learning

  • 정답이 있는(labled) 데이터를 주고 이를 컴퓨터가 학습하도록 하는 방법.
  • 보통 예측문제나 회귀문제를 해결하기 위해 많이 사용하며, 학습모델은 규칙 모델, 트리모델, 신경망 모델을 많이 사용.
  • 지도학습은 훈련 데이터를 통해 학습을 하며 모델 함수의 성능을 높임.
  • 예로 Cat이라는 레이블이 달려있는 고양이 사진과와 Dog라는 레이블이 달려있는 강아지의 이미지를 주고 학습하는것.

Supervised Learning 일반적인 문제

  • 이미지 레이블링 : 태그된(tagged) 이미지로부터 학습
  • 이메일 스팸 필터 : 레이블된 스팸메일과 의미있는 메일들로부터 학습
  • 시험 성적 예측 : 이전 시험성적과 투자한 시간으로부터 학습
    공부한 시간대비 시험의 성적을 예측하는것 : regression
    공부한 시간대비 시험을 패스/논패스로 나눠 예측 : binary classification
    공부한 시간대비 시험 성적 등급 (A, B, C, E, F)예측 : multi-label classification

Unsurpervised Learning

  • 비지도학습은 정답이 없는(unlabeled) 데이터를 사용.
  • 정답이 없는 데이터에 대해 데이터의 분포를 추정하거나 비슷한 특성을 가진 데이터까리 군(Group)으로 군집화(Clusering)한다.
  • 군집화, 밀도 추정, 차원 축소, 이상치 탐지 등의 알고리즘들이 비지도학습으로 분류될 수 있다.

강화학습

  • 행동심리학에서 영감을 받았으며, 어떤 환경 안에서 정의된 에이전트가 현재 상태를 인식하여 선택 가능한 행동들 중 보상을 최대화하는 행등올 선택하는 방법.
  • 에이전트가 어떤 행동을 함으로써 어떤 상태에 도닳하고, 환경은 그 상태에 대한 보상을 제공하며 에이전트는 보상을 통해서 좋은 좋은 행동 정책을 학습해나감.