[머신러닝] 지도 학습, 비지도 학습, 강화 학습

머신러닝이란?
"대량의 데이터를 분석한 후 모델을 만들어 새로운 데이터에 대한 분류나 예측을 수행하는 것"

 

 

지도 학습

지도 학습의 정의

• 정답(label)을 포함하는 훈련 데이터를 사용하여 모델을 학습 
• 정답에 의존 -> 정답이 명확하여 모델의 성능을 평가하기 용이
• 예) 스팸 메일 분류, 이미지 필터링

지도 학습의 주요 알고리즘

• 선형 회귀
• 로지스틱 회귀
• 서포트 벡터 머신(SVM)
• 결정 트리
• 랜덤 포레스트

 

 

비지도 학습

비지도 학습의 정의

• 정답(label)을 포함하지 않는 훈련 데이터를 사용하여 모델을 학습 
• 입력 데이터만을 사용하여 숨겨진 패턴이나 구조를 찾는 방법
• 명확한 정답이 없음 -> 모델의 성능 평가가 복잡
• 예) 고객 세분화, 차원 축소, 군집화

비지도 학습의 주요 알고리즘

1. 클러스터링 (Clustering):
   • 데이터를 비슷한 특성을 가진 그룹으로 나누는 과정
   • 예: K-평균 클러스터링, 계층적 클러스터링, DBSCAN 등
2. 차원 축소 (Dimensionality Reduction):
   • 고차원 데이터를 저차원으로 변환하여 데이터의 구조를 단순화
   • 예: 주성분 분석(PCA), t-SNE, Autoencoder 등
3. 밀도 추정 (Density Estimation):
   • 데이터의 분포를 추정
   • 예: 커널 밀도 추정(KDE) 등

 

 

강화 학습

강화 학습의 정의

• 환경과 상호작용하며 보상을 최대화하는 방향으로 학습(시행착오를 통해 최적의 행동 전략 학습)
• 변화하는 환경에 적응하며 학습
• 예) 자율주행 자동차

강화 학습의 주요 알고리즘

• Q-러닝
• 딥 Q-네트워크(DQN)
• 정책 경사 방법(Policy Gradient Methods)
• 액터-크리틱 방법(Actor-Critic Methods)