[머신러닝] 알고리즘 분류

머신러닝

데이터를 통해 컴퓨터를 학습시키는 방법론

 

머신러닝 알고리즘

1. 지도학습(Supervised Learning)

2. 비지도학습(Unsupervised Learning)

3. 강화학습(Reinforcement Learning)

 

 

1. 지도학습(Supervised Learning)

지도학습(Supervised Learning)은 데이터에 대한 명시적인 정답(Label)이 주어진 상태에서 컴퓨터를 학습시키는 방법.

 

예측하고자하는 결과값이 discrete value(이산 값)면 classification(분류) 문제, continuous value(연속 값)면 regression(회귀) 문제.

 

지도학습에 주로 사용되는 알고리즘은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등이 있다.

 

 

 

2. 비지도학습(Unsupervised Learning)

비지도 학습은 지도학습과 반대로 데이터에 대한 명시적인 정답(label)이 주어지지 않은 상태에서 컴퓨터를 학습시키는 방법.

 

데이터 형태로 학습을 진행하는 방법으로 예를 들어, 무작위로 데이터가 분포되어 있을 때, 비슷한 특성을 가진 데이터를 묶는 군집화(Clustering) 알고리즘이 있다.

 

비지도 학습은 데이터의 숨겨진 특징(hidden feature)나 구조를 발견하는데 사용된다.

 

비지도 학습에 주로 사용되는 알고리즘은 Autoencoders 등이 있다.

 

3. 강화학습(Reinforcement Learning)

강화학습(Reinforcement Learning)은 지도학습과 비지도학습과는 다른 형태의 학습 방법론으로, 지도학습과 비지도 학습은 데이터가 주어진 정적인 상태에서 학습을 진행했다면 강화학습은 동적인 상태(dynamic envirment)에서 데이터를 수집하는 과정까지 포함되어 있는 알고리즘이다.

 

강화학습은 에이전트가 주어진 환경(state)에 대해 어떤 행동(action)을 취하고 이로부터 어떤 보상(reward)를 얻으면서 학습한다.

이 때, 에이전트는 보상(reward)를 최대화(maximize)하도록 학습이 진행된다. 

 

강화 학습에 주로 사용되는 알고리즘은 Q-Learning, DQN(Deep-Q-Netwrok) 등이 있다.