✔ 본문은 파이썬을 활용한 Machine Learning(머신러닝), Deep Learning(딥러닝) 강의 내용을 참고한 내용임.
📖 머신러닝의 정의
명시적으로 프로그래밍을 하지 않고도 컴퓨터가 학습할 수 있는 능력을 갖게 하는 것
= 데이터를 위한 모델링(출력결과) 기법
💡 머신러닝 알고리즘 분류
🔍학습방법
✅ 지도학습 (Supervised Learning)
학습 데이터마다 레이블(=정답)을 가짐 = 정답을 알려주고 학습시킨다!
입력데이터 - 출력데이터 간을 매칭
부모가 아이에게 정답을 알려주고 배우는 것
가장 많이 사용하는 방법은 분류, 예측
> 함수 f(x) = y
> 데이터 형태 : D = {x,y}✅ 비지도학습 (Unspervised Learning)
학습 데이터가 레이블을 가지지 않음
입력은 있고 출력은 없는 상태에서 이루어지는 학습
부모가 알려주지 않아도 아이가 스스로 깨닫는 것
가장 많이 사용하는 방법은 군집화
> 함수 f(x) = x (x를 고유한 특징으로 생각하자!)
> 데이터 형태 D = {x}예를 들어, x가 비디오라고 생각해보자.
비디오에는 자동차가 나오지만 '자동차'라는 레이블이 존재하지는 않다.
F(x) 함수는 비디오 항목 자동분류를 해준다.
따라서 레이블이 없는 비디오이지만 고유한 특징인 x가 자동차라는 걸 스스로 출력한다.
✅ 준지도학습 (Semi_Supervised Learning)
학습 데이터가 약간의 레이블 가짐
✅ 강화학습 (Reingforcement Learning)
최종 출력(output)이 바로 주어지지 않고 시간이 지나서 주어지는 경우
가장 중요한 예시가 바둑
→ 기사가 두는 수(행동)가 '승패(결과)에 어떤 영향을 미치는가'를 계산
즉, 시간과 행동을 거쳐 최대한 최상의 출력상태를 만들어내는 것
💡 머신러닝의 예
-
데이터마이닝
클릭기록, 의료기록, 유전자 분석 etc. -
수작업으로 프로그래밍 할 수 X
자율운행 헬리콥터, 얼굴 인식, 스팸 필터 etc. -
개개인의 유저에게 최적화된 추천 알고리즘
상품추천, 영화추천 (넷플릭스)
→ 고객의 평점, 구매 내역을 활용하여 취향에 맞는 컨텐츠 추천
💡 머신러닝의 구성요소
🔍데이터 준비
-
훈련(학습)데이터
모델(출력결과)를 만들기 위한 데이터
학습데이터는 많을수록 Good! 영양분이라고 생각하자. -
검증데이터
모델의 적합성을 검증하는 데이터
전체 데이터에서 학습:검증 데이터를 8:2 / 7:3 / 6:4 비율로 나눔 -
테스트데이터
모델 작동 상태를 확인하는 데이터
🔍모델 표현방법
-
의사결정트리
기호주의 (= 모든 지식들을 기호로 표기)
귀납적 추론, 철학과 심리학, 논리학에서 아이디어를 얻음 -
신경망 기반
연결주의 (= 연결망의 가중치 조절하여 출력값 얻음)
두뇌를 분석하고 모방하여 신경과학과 물리학에 영감을 얻음
⭐딥러닝이 신경망 기반 알고리즘을 이용함 -
KNN, 서포트벡터머신(SVM)
유추주의 (= 유사성을 근거로 추정하면서 학습)
2차원 공간에서 두 점 간의 거리가 가까울수록 유사하다고 판단 -
베이지안 모델
학습이 확률 추론의 한 형태로 믿으며 통계학에 근거를 둠 -
유전 알고리즘
진화주의 (=유전학, 진화생물학에 근거를 둠) -
모델 앙상블
5가지 알고리즘을 모두 조합하여 만든 기법
🔍모델 평가 방법
-
에러의 제곱 (MSE)
-
정확도
전체 데이터 중 예측을 정확하게 한 데이터의 비율 -
우도(가능도)
-
정밀도
전체 중 실제 Positive인 데이터 비율 -
재현률
실제 Positive 중 Positive라고 예측한 데이터의 비율
-
엔트로피
실제 정답확률과 모델이 예측한 정답확률 간의 차이
