[ML]_1. 머신러닝(Machine Learning)

 

머신러닝(Machine Learning)

• 데이터에서부터 학습하도록 컴퓨터를 프로그래밍하는 분야입니다.
• 해야 할 일(문제) T에 대해서, 그동안 T를 해왔던 경험 E를 바탕으로, 학습하는 System Program을 의미합니다. 해당 Program은 Performance(성능) P를 통해 평가합니다.

 

왜 머신러닝을 사용하는가?

• 기존의 프로그래밍 방식은 어떠한 규칙을 하나의 Case로 나누어서 대응하는 코드를 입력하는 방식입니다. 새로는 Case가 발생하면 새로운 Case에 대응하는 코드를 추가로 작성해야 했습니다. 그러나 머신러닝의 방식은 기존의 Data를 학습하면서, 각각의 Case들에 대한 패턴과 규칙을 찾아내는 방법입니다. 머신러닝에서는 새로운 Case가 발생하면, 학습된 패턴과 규칙들을 바탕으로 따로 코드를 작성하지 않아도 대응할 수 있습니다. 

기존의 프로그래밍 방식  

 

머신러닝을 사용한 방식

 

머신러닝의 장점 

• 기존의 프로그래밍에 비해 새로운 규칙 또는 패턴에 대한 유지보수가 기존의 프로그래밍 방식 보다 쉽습니다.
• 새로운 Case에 대해 빠른 대처가 가능합니다.
• 상대적으로 짧은 Code로 작성이 가능합니다.
• 복잡한 적용하기 용이합니다. 
• 평가를 통해 꾸준이 개선이 될 수 있습니다. 

 

 

머신러닝 시스템의 분류

출처 :rocket source

 

 

지도 학습(Supervised Learning)

• 각각의 학습을 위한 데이터들이 Label을 가지고 있는 경우 사용됩니다. Label이란, 문제와 관련된 여러 Instance들이 있을 때, 해당 data가 의미하는 정답이라고 볼 수 있습니다.
• 지도 학습에는 크게 분류(Classification)와 회귀(Regreesion)로 나누어집니다. 

위의 그림은 스팸 메일 분류를 위한 방식을 그림으로 표현한 것입니다. 메일안의 샘플이 있고, 각각의 메일들에는 기존에 스팸을 구분해 놓은 Label이 있습니다. 여기서 Label은 스팸인지 아닌지 두 가지 경우를 나누어서 나타내었습니다. 기존의 모든 메일 데이터를 Training Set 학습 데이터 세트로 학습시켜서 새로운 메일이 들어왔을 때, Label이 무엇인지를 예측하는 방법입니다.

 

비지도 학습(Unsupervised Learning)

• Label이 없는 학습데이터를 사용하여 기존의 데이터가 어떠한 형태를 지니고 있는지 판단하는 방식입니다.
• 비지도 학습의 알고리즘 분류는 크게 클러스터링 알고리즘(Clustering Algorithm), 시각화 및 차원 축소(Visualization and dimensionality reduction), 연관 규칙 학습(Association rulelearning) 가있습니다.

Clustering

 

 

강화 학습(Reinforcement Learning)

• 순차적 의사결정 문제에서 누적 보상을 최대화 하기 위해 시행착오를 통해 행동을 교정하는 학습입니다.
• Agent가 환경을 인지하고, 정책(Policy)에 맞게 현상황에서의 행동을 선택합니다. 선택한 행동을 수행하고, 보상(Reward) 또는 페널티(Penalty)를 부여하여, 정책을 결과에 맞게 업데이트합니다. 앞의 행동을 계속 반복하여 최적의 정책을 위해 계속 업데이트해나가는 과정을 강화 학습 (Reinforcement Learning)이라고 합니다.
• Agent와 정책(Policy)을 선정하는 것이 핵심입니다.
• 강화학습 사용 예로는 구글의 딥마인드의 알파고(AlphaGo)가 있습니다.

 

 

 

 

Reference - 핸즈온 머신러닝(2판) 사이킷런, 케라스, 텐서플로 2를 활용한 머신러닝, 딥러닝 완벽 실무 (한빛미디어)