기계학습(머신러닝;Machine Learning)의 분류

대분류

• 지도학습 Supervised Learning
  • 정답이 있는 데이터를 활용해 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습
• 비지도학습 UnSupervised Learnig
  • 정답이 없는 데이터를 활용해 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습
• 강화학습 Reinforcement Learning
  • 어떤 환경(하이퍼파라미터) 안에서 에이전트(AI모델)가 선택 가능한 행동들 중 보상(타겟)을 최대화하는 행동 혹은 행동 순서를 선택하는 방법
  • 에이전트는 어떤 행동을 취하고, 환경으로부터 새로운 상태와 보상을 받는다. 이 상호작용에 기반하여 강화 학습을 하는 에이전트는 누적된 포상값을 최대화하는 정책을 개발한다.
  • 필요한 데이터가 다른 학습에 비해 적다.
  • 장기, 단기의 포상 사이 트레이드오프가 존재하는 문제를 다루는데 적합하다. ex) 로봇 제어, 엘리베이터 스케줄링, 통신망, 백개먼과 체스 같은 게임
• 자기 지도학습 Self Supervised Learning
  • GAN (Generative Adversarial Networks; 생성적 적대 신경망)
  • AE (Auto-Encoder; 오토인코더)

 

예측 결과값(목적변수 ; 반응변수)에 따른 분류

• 회귀 Regression
  • 예측 결과값이 연속형이 경우의 문제
• 분류 Classifier
  • 예측 결과값이 이산형/분류형인 경우의 문제

 

모델별 분류

• neighbors 알고리즘
  • k-neghbors
  • BallTree
  • KDTree
• 클러스터링
  • k-mean
• 선형모델 Linear Model
  • 정규성, 독립성, 등분산성을 만족할 경우 사용하기 좋다.
• 로지스틱 Rogistic
• 서포트 벡터 머신(SVM ; Support Vector Machine)
• 의사결정 나무(Decision Tree)
• 추천 시스템(Recommender System)
• XGBoost
• LightGBM
• 인공신경망(Artificial Neural Network)
  • 딥러닝 : DNN(Deep Neural Network)
    • 다층 퍼셉트론(MLP(Multi Layer Perceptron)
      • 가장 기본적인 타입의 딥러닝 모델
      • 모든 유닛들이 연결되어 파라미터 수가 많다
      • 분류, 회귀분석, 자연어 처리 등 대부분의 경우에 사용될 수 있다.
      • 계층을 많이 쌓거나 데이터가 많을 경우 계산량이 매우 많아진다.
    • 합성곱신경망(CNN ; Convolutional Neural Network)
      • 모든 유닛을 연결하는 파라미터를 사용하지 않고 커널(필터)라는 단위의 공용 파라미터를 사용한다
      • 전체 파라미터의 수와 계산량을 줄인 모델
      • 이미지 처리에 적합하다
    • 순환신경망(RNN ; Recurrent Neural Network)
      • 순서가 있는 시퀸스(sequence) 데이터에 적합한 타입
      • 자연어 처리에 많이 사용된다.
      • 개량된 타입인 LSTM(Long-Short Term Memory)이 주로 사용된다.
    • 생성적 적대 신경망(GAN ; Generative Adversarial Networks)

 

보통 모델과 예측 결과값의 조합하여 기계학습 알고리즘을 부른다.

k-neghbors Classifier, Logistic Regression 등

 

부록. 인공지능(AI), 기계학습(ML), 딥러닝(DL)의 차이