beginner study - Machine / Deep learning ( 머신 러닝 ) (2)

학습한 내용을 정리해보았습니다.

ML 의 원리에 대해서 조금은 이해할수 있어서

도움이 된것 같습니다

 

1. machine learning 필요성

    Explicit programming 의 경우 rule 이 너무 많은 spam filter, 자율 주행 등의 경우에는 적용하기 어려움.

    개발자가 rule 을 일일히 지정하지 않고 기계를 통해서 학습할수 있도록 하는 방법이 필요함.

 

2.  machine learning 의 구분

   2. 1 supervised learning 

       데이터에 label 주어진 상태에서 학습 시키는 방법임.

       traning data set 이 필요함 (x : input data,  y: output label) 

       - label 이 정해진 data (traning set) 을 가지고 학습을 하는 방식

       - 고양이, 강아지 image 를 구별하는 작업

          입력 사진에 대해 cat, dog 를 label  하여  기계적으로 학습을 시킴

 

          < 출처: www.mobibrw.com >

     

       - 아래와 같은 data set 을 이용하여 traning data set 을 구성함 (input).  machine learning 을 통해 traning 후

         임의의 0~9사이의 image 에 대해  학습된 알고리즘이 정확히 입력 값을 구분하는지를 측정할수 있음. 

         2를 나타내는 이미지를 입력시,  올바르게 2의 값으로 구분을 하는지 아니면 3 또는 5의 값으로 잘못된

         값을 나타내는지 측정.

Minist data set 예시

        - spam filtering :  spam 인것, 아닌것을 label 할수 있음.

        - 시험 점수 예측 

 

   2.2 유형

    - regression :  공부한 시간 대비 시험 점수 예측하는 경우 

      : continuous 한 일정 범위(시험점수) 를 갖는 값에 대해 예측.

    - binary classification : 공부한 시간 대비  합격/불합격을 예측하는 경우 

      : Pass or Fail (두가지 경우)

    - multi-label classification : 공부한 시간대비 성적 분포 (A, B, C, D ..)

      : 성적 분포가 multi- label 

 

   2.3 deep learning 에서 supervised learning 방법론으로 사용되는 구조

     - CNN(convolutional neural network), RNN(recurrent neural network) 이 있음 

     

3. unsupoervised learning

    - 일일히 label 을 정해줄수 없는 경우 기계를 학습시키는 방법      

    - 유사한것 끼리 grouping 하는 경우 :  data 를 보고 스스로 학습

       : 무작위적인 데이터가 분포되어 있을때,  비슷한 특성을 가진 부류로 묶는 clustering 알고리즘.

 

clustering 예시

   

 

오늘도 행복한 하루 되세요.