[Machine Learning] ML 개요

<기계학습의 정의>

인공지능의 한 분야. 인공지능에는 기계학습, 컴퓨터 비전, 자언어처리, 로보틱스 등이 포함됨. 데이터로부터 스스로 발전하는 알고리즘을 다루는 학문. 딥러닝은 기계학습 중 신경망 중 layer가 많은 신경망을 쓰는 분야.

 

<머신러닝의 정의 : T, P, E>

T = Task : 기계학습으로 무엇을 할 것인지

P = Performance measure : 성능지표대로 평가함. 어떤 성능지표 사용할 것인지. 

E = Experience -> 데이터를 말함. 어떤 데이터를 사용할 것인지.

 

기계학습의 가장 중요한 개념과 목표는 일반화.

여러가지를 보고 유사성을 찾아내어 하나의 프로토타입을 만들고 일반화를 함. 추상화 과정. 이것이 더 발전해서 Generative algorithem이 됨. 

 

<No Free Lunch Theorem for ML>

Task에 따라 학습 알고리즘이 달라진다. 그래서 하나의 알고리즘이 모든 경우에 다 좋을 수 없다.

 

<학습의 종류>

1. 지도학습(supervised learning)

2. 비지도학습(unsupervised learning)

3. 준지도학습(semi-supervised learning)

4. 강화학습(reinforcement learnig)

 

[지도학습]

- input & output 쌍을 만들어서 학습데이터로 만들어 기계학습 알고리즘을 학습시킴. 

- classification 과 regression. regression시 y는 실수, x는 벡터를 이룸.

[비지도학습]

-학습데이터가 x로만 이루어져있음.

-클러스터링, 이상치 탐지, 확률 밀도 추정 

[준지도학습]

- LU learning: x,y 쌍을 주는 것도 있고, labeling 되지 않은, x만 있는 데이터를 주는 것도 있음.

- PU learning: 특정 class에 대해서만 data를 주는 것

- 아래 그림과 같이 unlabeled된 data를 classification하는데 도움을 줌.

[강화학습]

- Agent와 environment가 상호작용하면서 피드백을 주고 받음. 환경의 상태 state를 받고reward를 받음. 알고리즘이 디테일을 판단. 보통 state 변화가 있고 reward는 느리게 옴. 여러번 과정이 반복되어야 reward가 오는 경우가 많기 때문에 다른 알고리즘보다 학습하는데 걸리는 시간 및 난이도가 훨씬 높다.