(Python) 머신러닝

1. 머신러닝

• 인공지능: 인공(Artificial) + 지능(Intelligence)
  • 개발자에 의한 인동지능, 데이터에 의한 인공지능
• 머신러닝: 데이터를 기반으로 학습(learning)하는 기계(machine)
• 딥러닝: 깊은(deep) 신경망 구조의 머신러닝

 

 

1-1. 배경

• 과거 컴퓨터로 데이터를 읽어들이고, 데이터 안에서 특징을 학습하여 패턴을 찾아내는 작업 -> 패턴인식
• 데이터를 대향으로 수집 처리 할 수 있는 환경이 갖춰짐으로 할 수 있는 일들이 많아짐
• 머신러닝은 데이터로부터 특징이나 패턴을 찾아내는 것이기 때문에 데이터가 가장 중요함

 

 

1-2. 정의

• 인공지능의 한 분야로 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야
• "무엇(x)으로 무엇(y)을 예측하고 싶다"의 f(함수)를 찾아내는 것
• y:출력변수(종속변수), x:입력변수(독립변수), f:모형(머신러닝 알고리즘)

 

 

2. 머신러닝으로 할 수 있는 것

 

 

2-1. 회귀(Regression)

• 시계열(시간적인 변화를 연속적으로 관측한 데이터) 데이터 같은 연속된 데이터를 취급할 때 사용하는 기법
• 예) 과거 주식 주세를 학습해서 내일의 주가를 예측하는 시스템을 개발

 

 

2-2. 분류(Classification)

• 주어진 데이터를 클래스별로 구별해 내는 과정으로 데이터와 데이터의 레이블값을 학습시키고 어느 범주에 속한 데이터인지 판단하고 예측
• 예) 스팸메일인지 아닌지 구별해주는 시스템을 개발

 

 

2-3. 클러스터링(Clustering)

• 분류와 비슷하지만 데이터에 레이블(정답 데이터)이 없음
• 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습
• 예) SNS 데이터를 통해 소셜 및 사회 이슈를 파악

 

 

3. 학습

 

 

3-1. 지도 학습

• 문제와 정답을 모두 학습시켜 예측 또는 분류하는 문제
• y=f(x)에 대하여 입력 변수(x)와 출력 변수(y)의 관계에 대하여 모델링 하는 것
• y에 대하여 예측 또는 분류하는 문제

 

 

3-2. 비지도 학습

• 출력 변수(y)가 존재하지 않고, 입력 변수(x)간의 관계에 대해 모델링 하는 것
• 군집분석: 유사한 데이터끼리 그룹화
• PCA: 독립변수들의 차원을 축소화

 

 

3-3. 강화 학습

• 수 많은 시뮬레이션을 통해 현재의 선택이 미래에 보상이 최대가 되도록 학습