지금까지 Supervised learning에 대해서 배웠습니다.

supervised learning에서는 먼저 data x와 label y를 가지고 시작합니다. 여기서 우리의 goal data를 label에 mapping하는 function을 학습시키는 것입니다.

classification, object detection, semantic segmentation, image captioning 등이 있습니다.

Unsupervised learning은 unlabeld training data를 가지고 시작합니다. goal은 data에서 어떤 구조를 찾아내는 것입니다.

clustering, dimentionality reduction, autoencoders, density estimation 등이 있습니다.

generative model에 대해서 알아보겠습니다.

train data가 주어졌을 때, 같은 distribution으로 부터 새로운 sample을 만들어냅니다. 우리는 새롭게 만드는 $p_{model}$과 기존의 $p_{data}$가 최대한 비슷하기를 원합니다.

이 문제는 unsupervised learning으로 train data의 분포를 estimation해야 합니다.

두가지 전략이 있습니다.

• Explicit density estimation

  $p_{model}$을 정의하고 이를 최대화하는 전략입니다.

• Implicit density estimation

  어떤 $p_{model}$에 대해 명확히 정의하는 대신 확률 분포를 알기 위해 sample을 뽑아내는 전략입니다.