머신러닝이란?

머신러닝이란?

 

머신러닝( Machine Learning )은 인공지능( AI )에 포함되는 하위 분야로, 데이터를 기반으로 학습하거나 성능을 향상시켜주는 시스템을 구축하는 데 사용된다. 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야이다. 시장을 조사 및 예측한다던지 쇼핑몰에서 물건을 추천할 때 그리고 텍스트, 이미지, 영상 등을 분류할 때도 사용한다.

 

 

 

머신러닝의 종류

머신러닝은 지도 학습( Supervised Learning ), 비지도 학습( Unsupervised Learning ), 강화 학습( Reinforcement Learning )으로 총 3가지로 분류할 수 있습니다. 

 

 

• 지도 학습( Supervised Learning ) : 해답이 있는 데이터를 이용하여 학습

1. 회귀 학습( Regression ) : 원인( 독립 변수 ) -> 결과( 종속 변수 ), 결과는 연속형

ex) 기온 -> 아이스 커피 판매량, 수면시간 -> 피로도 등

 

 

2. 분류 학습( Classification ) : 원인( 독립 변수 ) -> 결과( 종속 변수 ), 결과는 범주형

ex) 공부 시간 -> 학점, 꽃 이미지 -> 꽃 종류 등

 

 

- 지도 학습은 원인 값으로부터 가장 적합한 결과값을 구해주는 방법이다.

- 구한 패턴의 정밀도를 점검 할 수 있으며 결과값의 예측이 주목적이다.

- 다양한 학습 데이터가 많을 수록 적중률이 상승하고 성능이 좋아진다.

 

 

• 비지도 학습( Unsupervised Learning ) : 해답이 없는 데이터를 이용하여 학습

1. 군집화( Clustering ) : 변수의 유사성을 이용하여 몇 개의 그룹으로 분류

ex) 초등학생들의 거주지 - 초등학교를 세울만한 위치

 

2. 연관 규칙 학습( Association Rule ) : 특성을 그룹화

ex) 라면을 살 때 계란을 추천( 추천에 사용 )

 

3. 잠재요인추출( latent factor extraction ) : 특성 변수에서 관측되지 않은 잠재요인울 추출하는 방법

 

 

- 비지도 학습은 자료에 숨겨진 구조를 찾는 경우에 사용된다.

- 비지도 학습은 전처리하는 과정에서 많이 사용되기도 한다.

 

 

• 강화 학습( Reinforcement Learning ) : 스스로 학습을 통해 시스템의 성능을 향상

- 시행착오를 통해 학습하는 방법이다.

- 보상과 벌을 통해 스스로 학습하여 목표를 찾아가는 알고리즘이다.

- 강화 학습의 목표는 가장 효율적이고 적합한 방법을 찾는 것이다.

 

 

 

머신러닝의 분석 절차

머신러닝을 사용하여 데이터를 분석하기 위한 과정은 다음과 같다.

 

 

1. 자료의 사전 과정( Data Preprocessing ) : 데이터 수집 및 데이터 전처리

 

↓

 

2. 학습과정( Learning Processing ) : 탐색적 데이터 분석 및 모델 선택, 적용

 

↓

 

3. 모형평가( Model Evaluation )  : 모델의 성능 평가

 

↓

 

4. 예측( Prediction ) : 모델을 활용하여 새로운 데이터 예측