[인공지능/AI _ 1] - 머신 러닝의 정의 및 학습 방법 정리

인공지능을 다시 공부하게 될줄은 몰랐는데... 

지금부터 천천히 배워두지 않으면 안될거 같아서 ㅋㅋㅋ

 

하나하나 천천히 시작해보려 합니다!

 

인공지능을 배운다하면.... 신경망... 딥러닝...이런 것들을 공부해야한다 하지만...

저는 진짜 AI라는게 뭔지도 잘 모르는... 무말랭이 이기에...

 

완전히 처음부터 공부해보려고 합니다. 

 

 

그래서! 오늘 공부해볼 내용은

 

머신러닝!

---

머신러닝...이란,

컴퓨터가 명시적으로 프로그래밍된 규칙 없이 데이터로부터 스스로 학습하고 패턴을 인식하여 의사결정이나 예측을 수행할 수 있도록 하는 인공지능(AI)의 한 분야입니다!

 

 

AI / 머신러닝 / 딥러닝이 다른가....?

> 다른게 아니라 아래와 같은 구조로 더 큰 개념으로 포함되어 있는 구조!

(인공지능을 공부하게 되면 항상 보던 그림)

 

 

 

 

일반적으로 AI라고 부르는 영역이 가장 상단부에 위치하고, 그 내부에 머신러닝이 위치해 있습니다. 

머신러닝은 위에서 설명한대로, 데이터를 "학습"하여 어떠한 "결론"을 도출하는 머신이라고 생각하면 될 것 같습니다.

 

 

 

 

이러한 머신러닝에도 학습방법에 대해서 나눌수가 있는데,

크게 지도 학습 / 비지도학습 / 강화학습으로 나눌수 있습니다. 

 

출처 https://bigsong.tistory.com/28

 

 

 

각 학습 방법들에는 다양한 알고리즘들이 포함되어 있는데....

많긴 하지만 하나하나 살펴보겠습니다. 

 

 

 

 

가장 먼저 지도 학습 부분입니다.  

지도 학습 (Supervised Learning)

---

지도학습은 입력 데이터와 함께 올바른 출력(정답)이 제공되는 학습 방법입니다. 모델은 입력 데이터를 통해 정답을 예측하도록 학습됩니다.

 

지도학습 내에도 크게 2가지의 방법이 있습니다. 

 

• 회귀(Regression): 연속된 숫자 데이터를 통해 다음 데이터에 대해서 예측하는 알고리즘 
  • 선형 회귀 (Linear Regression)
  • 다항 회귀 (Polynomial Regression)
  • Ridge, Lasso 회귀 (규제 회귀)
• 분류(Classification): 입력 데이터를 특정 클래스나 사용자가 정할 특징(Feature)값에 따라 나누는 알고리즘 
  • 로지스틱 회귀 (Logistic Regression)   
    • >> 이름은 회귀지만, 다음데이터에 대해서 예측하는것이 아닌!  두 가지 이상의 클래스 중 하나에 속할 확률을 추정하는 알고리즘 입니다. 
  • 결정 트리 (Decision Tree)
  • 랜덤 포레스트 (Random Forest)
  • 서포트 벡터 머신 (SVM, Support Vector Machine)
  • K-최근접 이웃 알고리즘 (KNN, K-Nearest Neighbors)
  • 신경망(Neural Networks) 및 딥러닝(Deep Learning)

 

 

 

 

다음은 비지도 학습입니다.

비지도 학습 (Unsupervised Learning)

---

비지도학습은 정답이 주어지지 않은 데이터를 분석해 패턴을 발견하거나 구조를 파악하는 학습 방법입니다.

 

비지도 학습도 크게 3가지 방법으로 나뉘어 집니다. 

 

• 군집화(Clustering): 유사한 데이터에 대해서 그룹형식으로 연관지어 묶는 알고리즘
  • K-평균 군집화 (K-Means Clustering)
  • 계층적 군집화 (Hierarchical Clustering)
  • DBSCAN (Density-Based Spatial Clustering)
• 차원 축소(Dimensionality Reduction): 데이터의 특성을 유지하면서 차원을 줄여 데이터 시각화 및 처리 성능을 향상시키는 알고리즘
  • 주성분 분석 (PCA, Principal Component Analysis)
  • t-SNE (t-distributed Stochastic Neighbor Embedding)
  • Autoencoder (비지도 신경망 구조)
• 연관(Association): 데이터 내의 항목들 간의 연관 관계를 찾는 알고리즘
  • Apriori 알고리즘
  • FP-Growth 알고리즘

 

 

 

 

 

마지막으로 강화학습입니다.

강화학습 (Reinforcement Learning)

---

 

강화학습은 앞서 소개했던 2가지 방법과는 약간 다른느낌...

"에이젼트" 라는 머신이 최적의 행동을 학습할 수 있도록 훈련을 시키는 방식입니다.

(제가 생각하기에는 약간 애완훈련 시키는 느낌..)

 

주로 게임, 로봇 제어 등에 사용되고, 다음과 같은 개념들이 존재합니다. 

• 에이전트(Agent)  -  환경 내에서 학습하고 행동하는 주체입니다.
• 행동(Action)  -  에이전트가 취할 수 있는 선택 가능한 행동입니다.
• 보상(Reward)  -  특정 행동에 따라 환경에서 제공되는 피드백으로, 에이전트는 누적 보상을 최대화하는 방향으로 행동을 학습합니다.

 

강화학습의 학습 방법도 3가지로 나눌수 있는데

 

• 가치 기반 강화학습 (Value-based RL) - (상태-행동) 가치를 학습하여 최적의 행동을 찾는 알고리즘
• 정책 기반 강화학습 (Policy-based RL) - 가치가 아닌, 행동의 확률분포를 모델링하여, 최적의 행동을 찾는 알고리즘
• Actor-Critic (액터-크리틱) 방법 - 가치와 정책기반의 장점을 혼합하여 사용하는 알고리즘

 

 

 

---

 

 

 

 

여기까지가 머신러닝 기초 끝!

해당 학습 방법들의 알고리즘을 깊게 파고들면 좋겠지만... 

일단은 하나하나 알아가려 합니다!

 

 

 

주로 이게 어떤식으로 동작하는지 알아보고,

예제를 만들어 볼 수 있으면 실행까지 해보는 방향으로 진행할 예정입니다 굳굳

(생각보다 많아서 꽤 걸릴듯..ㅎㅎ)

 

 

 

 

 

 

틀린점이 있다면 댓 달아주세요!