인공지능 - 기계 학습

기계 학습의 이용

• 영상 및 오디오
• 문자
• 시계열

특징(features)

• 학습 모델에게 공급하는 입력
• Ex) 이메일 스팸 단어 포함 여부(yes or no)

레이블과 샘플

• 레이블(label)
  • y = f(x)에서 y 변수에 해당
• 샘플
  • y = f(x)에서 x 변수에 해당

학습과 예측

• 학습 : 모델을 만들거나 배우는 것
• 예측 : 학습된 모델을 레이블이 없는 샘플에 적용하는 것

지도 학습

• 회귀 : 회귀에서는 입력과 출력이 모두 실수
• 실수 입력(x)과 실수 출력(y)이 주어질 때, 입력에서 출력으로의 매핑 함수를 학습하는 것
• 분류 : 입력을 두 개 이상의 레이블로 분할하는 것 (정답을 제공해야 함)
  • 신경망, kNN, SVM, 의사 결정 트리

비지도 학습

• 컴퓨터가 스스로 입력들을 분류하는 것
• Ex) 클러스터링
  • 데이터간 거리를 계산하여 입력을 몇 개의 그룹으로 나누는 방법

강화 학습

• 컴퓨터가 어떤 행동을 취할 때마다 외부에서 처벌이나 보상이 주어짐
• 알파고 최종 버전도 강화 학습

프로그래머로서 기계 학습의 실용적인 가치

• 프로그래밍 시간을 줄일 수 있다
• 맞춤형 제품을 쉽게 개발할 수 있다
• 기계 학습은 프로그래머로 시도할 알고리즘이 떠오르지 않는 문제들을 해결할 수도 있다

kNN 알고리즘

• 특징 공간에 있는 모든 데이터에 대한 정보가 필요
  
  • 가장 가까운 이웃을 찾기 위해 새로운 데이터에서 모든 기존 데이터 까지의 거리를 확인해야 하기 때문
  • 데이터와 클래스가 많이 있다면, 많은 메모리 공간과 계산 시간이 필요
• 어떤 종류의 학습이나 준비 시간이 필요 없음