• 머신러닝과 관련된 여러 가지 기초 개념 및 용어에 대한 내용을 다루는 chapter

1.1 머신러닝이란 ?

• 일반적인 정의

  → 명시적인 프로그래밍 없이 컴퓨터가 학습하는 능력을 갖추게 하는 연구분야

• 전체적인 흐름

  

  • 각 상황에 맞는 문제를 해결하는데 필요한 데이터들을 모아서 머신러닝 모델을 훈련시킨 후, 실제 상황에 적용하여 다양한 문제들을 해결

1.4 머신러닝 시스템의 종류

• 머신러닝은 다양한 방식이 있으며, 특정 범주에 따라 여러가지 종류로 나누어볼 수 있음
  1. 훈련 지도 방식
  2. 실시간으로 점진적인 학습을 하는지 아닌지
  3. 특정 데이터 포인트와 새 데이터 포인트를 비교하는 것인지 / 패턴을 발견하는 예측 모델 생성인지

1.4.1 훈련 지도 방식

• 머신러닝은 시스템을 학습하는 동안의 지도 방식이나 정보량에 따라 분류할 수 있음

지도 학습 (Supervised Learning)

→ 알고리즘에 주입하는 훈련 데이터에 레이블이라는 정답이 포함되어 있는 경우

• 대표적인 지도 학습

  1. 분류 (Classification)

     

     ex ) 스팸 메일인지 / 아닌지 등의 categorical한 정답을 맞추는 학습

  2. 회귀 (Regression)

     

     • 주행 거리, 이메일 횟수 등의 특성(feature)을 사용해 가격과 같은 타겟(target)의 수치를 예측

  3. 로지스틱 회귀 (Logistic Regression)

     • 회귀 알고리즘을 통해 각 sample이 class(=label)에 속할 확률을 출력함

<aside> 💡

용어 정리 )

1. target = label

   • 일반적으로 동의어로 취급되며, target은 회귀 / label은 분류 작업에 많이 사용됨

     ex ) 분류 - 각 샘플에 대해 ‘스팸’ / ‘스팸 아님’ 라는 label을 가짐

2. 예측 변수 = 속성

   • 각 샘플이 가질 수 있는 데이터의 column이라고 생각할 수 있음

     ex ) 차량에 관한 데이터 - 연비 / 가격 / 주행 가능 거리 등이 attribute

</aside>

비지도 학습 (Unsupervised Learning)

→ 학습에 사용되는 훈련 데이터에 레이블이 없는 경우

• 아래의 예시 그림처럼, 각 data sample에 대해 어떤 데이터인지 label이 없음

  

  ex ) 블로그 방문자에 대한 데이터는 있고, 이들을 비슷한 그룹으로 묶으려고 하는데, 방문자들이 어떤 그룹에 속하는지에 대한 label이 없음.

1. 군집화 (clustering)

   

   • 알고리즘이 스스로 방문자 사이의 연결고리를 찾아 비슷한 사람들끼리 군집을 만들어줌