머신러닝 학습의 종류

머신러닝의 학습 방법에는 세 가지 종류가 있다:

1. 지도 학습(Supervised Learning)

2. 비지도 학습(Unsupervised Learning)

3. 강화 학습(Reinforcement Learning)

 

 

1. 지도 학습 (Supervised Learning)

지도 학습에서는 입력 데이터와 해당 데이터에 대한 정답(레이블)을 제공하여 모델을 학습한다.

학습된 모델은 새로운 데이터에 대해 예측을 수행한다. 

• 훈련 데이터: 입력 특성과 정답이 쌍으로 제공된다.
• 모델 학습: 모델이 훈련 데이터의 입력과 정답 간의 관계를 학습한다.
• 예측: 학습된 모델을 사용하여 새로운 입력에 대해 예측을 수행다.

회귀 (Regression) 나 분류 (Classification)에서 주로 사용한다.

ex) 선형회귀, 다항 회귀, 로지스틱 회귀, 결정트리 등

 

2. 비지도 학습(Unsupervised Learning)

비지도 학습에서는 정답(레이블)이 없는 데이터(학습 데이터)에서 패턴이나 구조를 찾는다.

데이터의 숨겨진 구조를 이해하거나 클러스터를 찾는 데 사용된다.

• 훈련 데이터: 입력 특성만 제공된다.
• 모델 학습: 모델이 훈련 데이터의 입력들의 패턴이나 구조를 학습한다.

군집화 (Clustering)  나 연관 규칙 학습 (Association Rule Learning)에서 주로 사용한다.

ex) K-평균 군집화, 계층 군집화

3. 강화 학습(Reinforcement Learning)

강화 학습은 에이전트가 환경과 상호작용하며 최적의 행동을 학습하는 방법론이다.

목표는 장기적으로 최대의 보상을 얻는 정책을 찾는 것이며, 보상은 에이전트의 행동 결과로 환경이 제공하는 피드백이다. 보상은 긍정적일 수도, 부정적일 수도 있으며, 에이전트는 보상을 최대화하려고 노력한다.

 

우리에게 익숙한 알파고(AlphaGo)이 강화 학습으로 학습한 에이전트 중 하나이다.