머신러닝 개요

머신러닝의 종류¶

머신러닝 : 인공지능을 공부시키는 방법

1 지도 학습(Supervised Learning)¶

문제와 정답을 모두 알려주고 공부시키는 방법
지도 학습 : 반응변수를 예측해내는 것이 목적

1-1 회귀(Regression)¶

• 회귀 예측분석(regression) : *수량형* 반응변수 예측

• 얼마나 많은가?와 같은 *양적*인 문제 해결에 도움되는 알고리즘으로
  

*분류* 문제에 비해 모형의 복잡도가 높음
예) 구매 금액, 매출액, 이용 고객 수 예측 등

• 선형 회귀, 회귀나무, 시계열 분석 사례

1-2 분류(Classification)¶

분류분석(classification) : *범주형* 반응변수 예측

• 새로운 데이터와 형성된 모형으로부터 보지못한 데이터 분류
• 이진 분류(binary classification) 문제가 대다수
  

예) 구매/비구매, 사기거래/정상거래, 양성반응/음성반응 등

• 로지스틱 회귀, 의사결정나무, k-NN 인접 이웃 등

2 비지도 학습(Unsupervised Learning)¶

답을 가르쳐주지 않고 공부시키는 방법
비지도 학습 : 변수들 간의 혹은 관측치 간의 *관계*를 밝혀내는 것이 목적

• 군집분석(clustering) : 관측치들을 변수들 간의 유사성으로 그룹핑
• 차원 감소(dimensionality reduction) : 변수들을 관측치들 간의 유사성을 이용해 적은 수로 줄여줌
• 피처 가공(feature engineering) 혹은 피처 추출(feature extraction): 주어진 변수로부터 지도학습의 입력변수로 사용할 수 있는 특징값을 변환하거나 생성

비지도 학습에는 어떤 기법들이 있는가?¶

2-1 연관 규칙 : Association Rule Mining¶

• 목적 : 연관성이 높은 아이템들로 구성된 규칙 집합 생성
• 추천 시스템에 주로 사용되며 "장바구니 분석" 이라고도 불림
  

예) 아이폰을 구매하는 고객들은 범퍼를 함께 구매한다

• 연관성 분석, 소셜 네트워크 분석 등

2-2 군집: Clustering¶

• 목적 : 전체 데이터를 보다 일관성과 응집성이 높은 세부 그룹으로 나눔
• Market/Customer segmentation 등에 주로 사용되는 방법으로
  동일 그룹 내의 개체들이 유사할수록, 다른 그룹 내의 개체들과는 상이할수록 좋은 군집화 결과
• k-Means Clustering, Hierarchical Clustering 등

3 강화 학습(Reinforcement Learning)¶

보상을 통해 상은 최대화, 벌은 최소화하는 방향으로 행위를 강화하는 학습

• 예) 쿠키런, 벽돌깨기

In [ ]: