[Module3] ML개론 PART1 Introduction to ML

Part1. Introduction to ML

 

기계학습

• 정의 
  • 인공 지능의 한 분야
  • 컴퓨터 알고리즘을 다루는데 수 많은 경험 혹은 경험으로부터 얻은 Data로부터  기계학습 알고리즘이 스스로 좋아지는 상황
  • 잘 정의된 인공지능 알고리즘이란 세가지가 완벽하게 정의되어 있어야함 
    • T : classification, regression, detection
    • P: error rate, accuracy, likelihood, margin
    • E: data
• 목표
  • 알고리즘을 설계하는데 실험적으로 얻은 Data로부터 점점 개선되도록 할 수 있는 알고리즘 설계하고 개발하는 분야
  • 일반
• 기계학습을 하는 이유 
  • Generalization
    • 특정 사례들의 공통적인 특징을 일반적인 개념이나 주장으로 추상화하는 형태
    • 많은 별개의 객체들로부터 유사성을 분하여 개념의 본질 추출
  • Training이 잘되게하는게 목표가 아니라 어떤 패턴을 배워서 Training Data에서 보지 못한 새로운 Data가 오더라도 잘 하기를 기대하는 것이 목표 
• No Free Lunch Theorem
  • 매번 새로운 Task, 새로운 Data를 모을 때마다 최적의 알고리즘을 차즌 과정을 수행해야 한다.
  • 어떤 기계학습 알고리즘이 다른 기계학습 알고리즘보다 항상 좋다고 말할 수 없음 
• 기계학습 종류 
  • Supervised Learning (지도학습)
  • Unsupervised Learning (비지도학습)
    • 너무 큰 기대를 하지말아야 함
    • Clustering, Anomaly Detection, Outlier, Density Estimation
  • Semi-supervised Learning  (준지도학습)
    • LU learning 
      • 몇몇의 Data들은 Label을 주고 그 이외의 Data들은 Label을 안 주는 경우 
    • PU learning
      • One-class Classification의 일종
      • 특정 Class에 대한 Data만 주어지고 나머지 Class에 대해서는 Data가 주어지지 않은 경우
  • Reinforcement Learning (강화학습)
    • Dataset이 사전에 주어지는 것이 아니라 대신 환경이 주어짐
    • Supervisor가 있는 게 아니라 환경이랑 interaction하면서 학습하는 과정
    • 다른 방법보다 시간이 오래 걸리며 난이도 훨씬 높음