Introduction to Machine Learning

What's Machine Learning?

머신 러닝은 데이터를 이해하는 알고리즘의 과학이자 애플리케이션이다. 스스로 학습할 수 있는 머신 러닝 알고리즘을 사용하면 이 데이터를 지식으로 바꿀 수 있다.

Types of Machine Learning

1. 지도 학습(supervised learning): 훈련 데이터에서 모델을 학습하며 본 적 없는 미래 데이터를 예측한다. 여기서 지도(supervised)는 희망하는 출력 신호(레이블)가 있는 인련의 샘플(데이터 입력)을 의미한다.

• 분류(classification): 라벨링된 이메일 데이터셋을 지도 학습 머신 러닝 알고리즘을 사용하여 모델을 훈련한다. 훈련된 모델은 새로운 이메일이 두개의 범주(category)중 어디에 속하는지 예측한다. 범주형 순서가 없는 레이블을 샘플에 할당하는 것.

• 결정 경계(decision boundary): 지도 학습 알고르짐을 사용하여 두 클래스를 구분할 수 있는 규칙을 학습한다. 점선으로 표현한 것이 결정 경계이다. 아래의 그래프에서 x1, x2 주어지면 두개으 범주 중 하나로 분류된다.
  

• 다중 분류(multiple classification): 두 개 이상의 클래스 레이블을 가진 경우. 예를 들어 손으로 쓴 글자의 인식이다. 예측하려는 대상이 순서가 없는 범주나 클래스 레이블로 표현된다.

2. 회귀 분석(regression analysis)
   회귀는 예측 변수 또는 설명 변수(predictor variable or explanatory variable)와 연속적인 반응 변수(response variable)가 주어졌을 때 출력 값을 예측한다. 머신 러닝에서는 예측 변수를 feature, 반응 변수를 target이라고 부르기도 한다.

• 선형 회귀(linear regression): feature x와 target y가 주어지면 데이터 포인터와 직선 사이 거리가 최소가 되는 직선을 그을 수 있다.

3. 강화 학습(reinforcement learning): 강화 학습의 피드백은 정답(ground truth)레이블이나 값이 아니다. 보상 함수로 얼마나 행동이 좋은 측정한다. 예를 들면 체스 게임에서 에이전트는 체스판에 따라 체스말의 이동을 결정한다. 보상은 승리하거나 패배한 것으러 정의한다.

4. 비지도 학습(unsupervised classfication): 지도 학습은 모델을 훈련할 때 사전에 옳은 답을 알고 있다. 강화 학습에서는 에이전트의 특정 행동을 보상하는 방법도 같은 이치이다. 비지도 학습에서는 레이블이 아니거나 구조가 알 수 없는 데이터를 다룬다.

• 군집(clustering): 사전 정보 없이 쌓여 있는 그룹 정보를 의미 있는 서브그룹 또는 클러스로 묶는 탐색적 데이터 분석 기법이다.

5. 차원 축소(dimensionality reduction): 하나의 관측 샘플에 많은 측정 지표가 있어서 머신 러닝 알고리즘이 계산 성능과 저장 공간의 한계에 맞닥뜨릴 수 있다. 비지도 차원 축소는 잡음데이터를 제거하기 위해 feature enginering 단계에서 종종 사용한다.