[머신러닝] 머신러닝의 3가지 학습 방법

머신러닝의 3가지 학습 방법

 

머신러닝의 학습 방법은 학습 형태에 따라 

'지도학습(Supervised Learning)', '비지도학습(Unsupervised Learning)',

'강화학습(Reinforcement Learning)' 3가지로 나눌 수 있다.

<머산러닝의 종류>

지도학습(Supervised Learning)

지도학습은 정답이 무엇인지 알고 있는 데이터(Labled data)를 컴퓨터에게 학습시켜

새롭게 들어오는 데이터에 대한 결과를 예측하는 학습 방법이다

위의 그림처럼 오리라고 표기된 사진(Labeled data)를 학습시켜 모델을 만들고

만들어진 모델에 새로운 사진을 넣으면 오리인지 아닌지 예측하는 방법이다.

 

 

비지도학습(Unsupervised Learning)

비지도학습은 지도학습과 달리 정답을 알려주지 않고 예측하는 방법으로

라벨링 되어있지 않은 데이터로부터 패턴이나 형태를 찾아

비슷한 데이터들끼리 군집화하여 예측하는 학습 방법이다.

따라서 비지도 학습은 데이터가 어떻게 구성되어있는지 밝히는데 사용하는

일종의 그룹핑 알고리즘으로 볼 수 있다.

 

강화학습(Reinforcement Learning)

강화학습은 학습할 데이터를 사전에 준비시키지 않아도 되는 방법으로

에이전트(Agent), 환경(Enviroment), 행동(Action), 보상(Reward)의 개념으로 이해 가능하다.

학습을 수행할 주체인 에이전트와 에이전트가 활동할 환경이 주어지면,

환경에서 에이전트의 행동을 관찰하여 행동에 따른 보상을 주는 방식으로

에이전트의 행동이 더 나은 방향으로 개선되도록 하는 학습 방법이다.

알파고가 바로 강화학습의 대표적인 예라고 할 수 있다.

 

 

대표적인 알고리즘

<머신러닝 알고리즘의 종류>

각 학습별 대표적인 알고리즘들이 존재한다.

먼저 지도학습법에서는 크게 회귀(Regression)과 분류(Classification)이 존재한다.

회귀에는 '선형(Linear) 회귀', '릿지(Ridge) 회귀', '라쏘(Lasso) 회귀'등이 대표적이며

분류에는 '최근접이웃(kNN)', '나이브베이즈(Naive Bayes)', 'SVM(Support Vector Machine)'이 대표적이다.

분류와 회귀 외에도 결정트리나 랜덤포레스트 같은 알고리즘도 존재한다.

 

비지도학습의 가장 대표적인 방법은 군집화(Clustering)일 것이다.

대표적인 군집화 알고리즘으로는 'k-평균 알고리즘(k-means)'과

'주성분분석(PCA)', '밀도추정(Density Estimation)'등이 있고

그 외에도 '상관분석(Association analysis)' 과 같은 알고리즘도 존재한다.

 

강화학습은 전부터 존재했던 학습법이지만 이전의 알고리즘들은

실생활에 적용할 수 있을 만큼 좋은 결과를 내지 못하고 있는 현실이었다.

하지만 딥러닝의 등장 이후 강화 학습에 신경망을 적용하면서부터

바둑이나 자율주행차와 같은 복잡한 문제에 적용이 가능해지면서 문제해결이 가능해졌다.

강화학습에 딥러닝을 성공적으로 적용한 대표적 알고리즘으로는 'DQN'과 'A3C'가 있다.

 

 

 

※내용에 대한 지적이나 댓글은 언제나 환영입니다.