Supervised vs. unsupervised learning

Supervised learning (지도학습)

• 알고리즘에 주입하는 훈련 데이터에 레이블이라는 원하는 답이 포함
• 분류(Classification)가 전형적인 지도 학습
• 예측 변수(predicator variable)라 부르는 특성(feature)을 사용해 target 수치를 예측하는 것 = 회귀(Regression)
• 일부 회귀 알고리즘은 분류에 사용, 또는 일부 분류 알고리즘을 회귀에 사용
  e.g 로지스틱 회귀 : 클래스에 속할 확률을 출력

🔎 주요 지도 학습 알고리즘
◾ k-최근접 이웃 (k-nearest neighbors)
◾ 선형 회귀 (linear regression)
◾ 로지스틱 회귀 (logistic regression)
◾ 서포트 벡터 머신 (support vector machine)
◾ 결정 트리와 랜덤 포레스트 (decision tree and random forest)
◾ 신경망 (neural networks)

---

Unsupervised learning (비지도학습)

• 훈련 데이터에 레이블이 없음
• 시스템이 아무런 도움 없이 학습해야 함
• 알고리즘이 스스로 방문자 사이의 연결고리를 찾음
• 계층 군집 알고리즘을 사용하면 각 그룹을 더 작은 그룹으로 세분화
• 알고리즘으로 상관관계가 있는 여러 특성을 하나의 특성으로 합칠 수 있음

🔎 주요 비지도 학습 알고리즘
◾ 군집 (clustering)
k-평균 (k-means)
DBSCAN
계층 군집 분석 (HCA)
이상치 탐지와 특이치 탐지
원-클래스 (one-class SVM)
아이솔레이션 포레스트
◾ 시각화와 차원 축소
주성분 분석 (PCA)
커널 PCA
지역적 선형 임베딩 (LLE)
t-SNE
◾ 연관 규칙 학습
어프라이어리
이클렛

☺ Outlier detection(이상치 탐지) vs. novelty detection(특이치 탐지)

• 이상치 탐지 : 데이터셋에서 이상한 값을 자동으로 제거
• 특이치 탐지 : 훈련 세트에 있는 모든 샘플과 달라 보이는 새로운 샘플을 탐지하는 것이 목적. 알고리즘으로 감지하고 싶은 모든 샘플을 제거한 매우 깨끗한 훈련 세트 필요

☺ 차원 축소(dimensionality reduction)와 특성 추출(feature extraction)

• 차원 축소 : 너무 많은 정보를 잃지 않으면서 데이터를 간소화 –> 여러 특성을 하나로 합치기 = 특성 추출

---

Semisupervised learning (준지도학습)

• 일부만 레이블이 있는 데이터
• 지도 학습과 비지도 학습의 조합
  e.g 심층 신뢰 신경망 (DBN)은 여러 겹으로 쌓은 제한된 볼츠만 머신 (RBM)이라 불리는 비지도 학습에 기초. RBM이 비지도 학습 방식으로 순차적으로 훈련된 다음 전체 시스템이 지도 학습 방식으로 세밀하게 조정
  
  

Reinforcement learning (강화학습)

• 학습하는 시스템 = agent
• 환경을 관찰해서 행동을 실행하고 그 결과로 보상을 받음
• 시간이 지나면서 가장 큰 보상을 얻기 위해 정책이라고 부르는 최상의 전략을 스스로 학습
• 정책은 주어진 상황에서 에이전트가 어떤 행동을 선택해야 할지 정의

★ 더 많은 내용 보러가기 click click! ★