[머신러닝] 머신러닝 알고리즘의 일반적인 종류
2022. 2. 21. 20:55
프로그래밍/머신러닝&딥러닝
머신러닝 알고리즘 분류 • 머신러닝 알고리즘 분류 ✔ 4종류의 학습 작업 구조인 수치 예측, 분류, 군집화, 패턴 감지 중에서 프로젝트에 적합한 작업 결정 • 작업 알고리즘 선정으로 유도 • 패턴 감지 수행 후 연관된 규칙 활용 유사 데이터와 알고리즘 매칭 • 유사한 군집화 문제 ✔ K-평균 알고리즘 활용 ✔ 수치 예측 활용 수단 : 회귀 분석 또는 회귀 트리 ✔ 분류에 적합한 학습 문제와 최적화된 분류기를 일치시키기 위해 많은 분석 필요 데이터와 알고리즘 차이 • 알고리즘의 다양한 차이 ✔ 분류 문제 구조 : 의사 결정 트리 유형은 이해하기 쉬운 모델로 구성 ✔ 신경망 모델 : 해석 면에서 고난이도로 구성 ✔ 신경망을 통해 잘 예측한 경우도 예측에 대해 설명할 수 없다면 응용 불가
[머신러닝] 머신러닝 알고리즘 형식
2022. 2. 18. 20:50
프로그래밍/머신러닝&딥러닝
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 범주..
[머신러닝] 실전 머신러닝
2022. 2. 14. 20:48
프로그래밍/머신러닝&딥러닝
실전 머신러닝 데이터 • 머신러닝 알고리즘의 단계적인 배포 : 데이터 수집을 통한 데이터 탐색과 준비 • 데이터 수집 ✔ 텍스트 파일, 스프레드 시트, 데이터베이스 등의 사용할 학습 자료를 수집한 후 알고리즘 실행 가능한 지식 생성 • 데이터 탐색과 준비 ✔ 머신러닝 프로젝트의 고품질 여부는 데이터의 품질에 따라 좌우됨 ✔ 데이터 탐색 작업은 데이터 간의 미묘한 차이에 따른 파악 필요 ✔ 학습 과정에 적합한 데이터의 준비와 추가 작업 필요 ✔ 데이터의 교정 또는 정리 ✔ 불필요한 데이터 제거 ✔ 학습자의 기대에 적합한 데이터 코드화 작업 실전 머신러닝 모델 • 모델 훈련 ✔ 분석용 데이터를 준비하여 데이터로 학습 ✔ 머신러닝 작업 : 적합한 알고리즘 선택 ✔ 알고리즘 : 모델화 한 형태로 데이터 표현 •..
[머신러닝] 기계학습 방법
2022. 2. 11. 20:20
프로그래밍/머신러닝&딥러닝
기계학습 방법 • 톰 미첼의 공식적인 머신러닝 정의 ✔ "미래 경험을 통한 성능이 향상되면 기계는 자신의 경험을 활용할 수 있을때마다 학습한다" • 미래의 실행에 따라 변환은 완전히 무시됨 • 학습은 실제 실행하는 데 어려움이 있음 • 인간의 뇌는 자연적인 학습 능력을 가지지만, 컴퓨터는 필요한 조건에 따라 명시적으로 학습 • 머신러닝 알고리즘은 이해와 구별을 위해 구현하는 데 도움을 줌 머신러닝과 인간학습 비뵤 • 인간과 기계의 기본적인 학습 과정은 유사함 • 학습 과정은 네 개의 구성 요소로 구분 1️⃣ 데이터 셋 저장소(Data Storage) 기억(Memory), 관찰(Observation), 소환(Recall)을 통한 미래 추론은 적합하고 현실적인 토대를 바탕으로 함 2️⃣ 추상화개념(Abstr..
[머신러닝] 머신러닝의 한계
2022. 2. 10. 20:26
프로그래밍/머신러닝&딥러닝
머신러닝의 한계 1️⃣ 머신러닝 알고리즘의 한계 • 알고리즘 ✔ 데이터를 통해 미래 예측의 기초 패턴 식별 ✔ 학습 내용을 정확하게 파악하고, 파라미터의 포괄적 영역에 실제로 적용 • 머신러닝 ✔ 인간 뇌의 상대적인 영역만 모방함 ✔ 학습한 파라미터의 범위 내에서 추정하고 적용 범위가 유연함 • 컴퓨터 ✔ 경험의 축적이 없음 ✔ 논리적인 단계를 상식적으로 추론하는 능력의 한계 2️⃣ 머신러닝 광고의 문제점 • 광고 방문 이력을 분석하여 학습한 데이터마이닝 패턴을 웹 사이트 광고 제시에 활용 👉 웹 사이트 광고에 사용자의 관심 상품에 대한 광고를 제시함 ✔ 고객은 광고 순환을 무한 반복하게 됨 ✔ 사람의 언어를 이해하거나 번역과 음성을 인식하는 등의 기능은 머신러닝 능력의 한계 ✔ 자신이 학습한 데이터만 ..
[머신러닝] 머신러닝 성공 유형 및 사용 사례
2022. 2. 9. 20:10
프로그래밍/머신러닝&딥러닝
머신러닝 사용과 한계 • 머신러닝의 문제 해결 시 이해하는 능력은 상대적인 한계가 존재함 • 기계 학습은 순수한 지적 능력에 해당 • 빅데이터에서 패턴을 찾는 것은 사람보다 컴퓨터가 더 적합함 • 분석하는 것에 동기를 부여하고 결과의 의미와 실행 측면에서 사람이 필요함 • 기계는 질문의 이해와 유형별 질문 파악에 취약함 • 컴퓨터가 이해 가능한 방식의 질문이라면 파악 용이 • 머신러닝의 성공적 활용, 개선 영역, 피해 상황을 고려하여 파악해야 함 머신러닝 성공 유형 • 전문적 지식의 대체보다는 지식의 증가 필요 • 인류의 생명 보호를 위해 전문 의사와 공유 • 스마트 홈, 자동차 제작에 엔지니어와 프로그래머 활용 • 사회학자는 사회적 지식을 쌓는데 도움이 됨 • 정부기관, 기업, 병원, 과학연구소 등에서..
[머신러닝] 머신러닝의 개념
2022. 2. 8. 20:59
프로그래밍/머신러닝&딥러닝
머신러닝의 개념 머신러닝의 기원 • 머신러닝 : 데이터의 지능적인 행동에 따른 컴퓨터 알고리즘 개발 및 연구 분야 • 대용량에 따른 연산 능력과 데이터셋을 통계적 방법으로 분석하는데 필요한 원동력 • 데이터, 통계적 방법, 연산 계산 능력을 신속하게 처리하는 환경 👉 머신러닝 발전 사이클 데이터마이닝 • 머신러닝과 상관관계인 데이터마이닝은 데이터베이스 측면에서 새로운 통찰력 관점 • 데이터마이닝 ✔ 실행 가능한 분야에서 체계적으로 추적 ✔ 문제 해결에 있어서 데이터마이닝은 컴퓨터를 통해 사람이 사용할 패턴을 검색하고, 가르치는데 집중함 (머신러닝은 컴퓨터의 데이터 사용법에 집중) ✔ 대부분의 데이터마이닝은 머신러닝을 활용하지만 모든 머신러닝은 데이터마이닝 영역을 포함하지 않음
머신러닝 소개
2021. 10. 8. 20:22
프로그래밍/머신러닝&딥러닝
빅 데이터와 머신러닝 머신러닝은 빅 데이터를 분석할 수 있는 강력한 툴 기존 통계학 및 시각화 방법의 한계를 해결 머신러닝이란? 명시적으로 프로그래밍을 하지 않고도 컴퓨터가 학습할 수 있는 능력을 갖게 하는 것 머신러닝 기법 구분