[머신러닝] 머신러닝 알고리즘 형식

머신러닝 지도학습

• 머신러닝 알고리즘 : 목적에 적합한 다양한 유형으로 구분

• 데이터를 통해 머신러닝 알고리즘의 유형 측면에서의 이해 필요

• 예측 모델 : 데이터 셋의 값으로 새로운 데이터 값 예측

• 학습 알고리즘 : 목표의 특징 사이의 관계를 찾는 모델링

• 예측 모델을 통한 사건의 예측은 불필요함

• 지도학습 : 학습 방법의 명확한 지침에 따른 예측 모델의 훈련 과정

 

---

머신러닝 목표 출력

• '지도'란 인간 개입의 의미보다 목표 값이 학습자가 원하는 작업에 따른 학습 정도를 의미

• 보다 형식적인 지도학습 알고리즘으로 데이터 셋 함수로 최적화

• 목표 출력의 특징적인 데이터 값에 따른 조합 탐색

• 범주를 예측하고 지도 머신러닝 작업으로 분류

 

머신러닝 분류예측

• 범주형 변수, 서열 목록의 범주를 목표형으로 구분

• 클래스 : 다수의 레벨로 구성

• 레벨 : 순위 또는 비순위로 구분

• 머신러닝에서 다양하게 활용되며, 유형별 입력 데이터에 다양한 분류별 알고리즘을 형성함

• 지도 학습자의 활용

  ✔ 급여, 실험 데이터 값, 점수 결과, 개수 등의 숫자 데이터를 예측하는 데 활용

 

---

머신러닝 선형회귀 모델

• 수치 값의 예측 형태는 선형 회귀 모델을 입력 데이터에 따라 구성

• 회귀 모델 : 관계의 불확실성과 크기를 모두 포함된 형태로 입력

• 목표 사이의 연관성을 정량화 하기 때문에 예측 면에서 광범위하게 활용 가능

 

---

머신러닝 서술모델

• 서술모델은 데이터 요약, 통찰 작업에 활용

• 관심 목표를 예측하는 모델과는 다르게 서술모델은 다수의 특징 중 하나의 특징만 유효함

• 실제 학습 목표가 없으므로 서술 모델의 훈련과정을 '비지도학습'이라 칭함

• 서술모델의 응용에는 어려움이 있으나 데이터마이닝에서 자주 사용함

 

---

머신러닝 패턴모델

• 패턴 발견의 서술형 모델링 작업은 데이터에 유용한 연관 검색에 활용

• 패턴 발견은 거래 데이터와 구매 데이터 분석에 사용

• 판매자는 구매품목의 식별을 통해 학습된 정보를 마케팅 전술에 반영하 후 수익 창출로 활용

 

---

머신러닝 동질 그룹

• 데이터 셋을 동질 유형 단위로 그룹화 👉 서술형 모델링 작업을 통해 군집화

• 군집화의 식별 : 유사한 행동 또는 비슷한 인구학적 정보를 개인 그룹 형태로 식별

• 광고 캠페인으로 특화 시키기 위해 전문적이고 세분화된 분석에 활용

• 기계로 진행된 클러스터 해석이 있더라도 전문화된 해석은 사람의 판단이 필요함

 

---

메타학습 알고리즘

• 머신러닝 알고리즘 분류

  ✔ 특정 작업에 국한되지 않고 효과적으로 '학습하는 방법'을 학습하는 것에 주력

  ✔ 메타학습 알고리즘은 새로운 정보 분석을 위해 기존 학습 결과를 활용함

  ✔ 머신러닝과 강화학습은 시간의 흐름에 따라 진화하는 알고리즘을 포함함

  ✔ 메타학습 : 문제 또는 알고리즘의 성능이 정확할 때 유용

  ✔ 악의적 공격 방어에 적합

  ✔ 고성능 컴퓨터 또는 클라우드 컴퓨팅 환경에서 대용량 데이터 셋을 모델링 함