01. introduction

 

1.  Machine Learning의 정의

• [Arthur Samuel의 정의] 프로그래밍 없이도 컴퓨터 스스로 학습할 수 있게 만들어 주는 연구

" Machine Learning is a field of study that gives computers the ability to learn without being explicitly programmed."

 

• [Tom Mitchell의 정의] 작업 T가 있고, P로 성능이 측정될 때, 그 P가 경험 E를 통해 학습하며 향상되는 프로그램

Tom Mitchell provides a more modern definition: 
"A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

Example: playing checkers.

E = the experience of playing many games of checkers

T = the task of playing checkers.

P = the probability that the program will win the next game.

 

응용분야

• data mining
• 손으로 프로그래밍할 수 없는 분야 (자율주행 자동차, 자연어 처리, 영상처리)
• Self-customizing programs
• understanding human learning(brain, real AI)

 

 

2.  Machine Learning 알고리즘

• Supervised Learning(지도 학습) : 정답을 알고 있는 데이터를 기반으로 예측 모델을 만드는 ML
• Unsupervised Learning(비지도 학습) :  정답을 모르는 데이터에서 유용한 정보를 분류, 추출하는 ML
• 추가적으로 사용자가 관심을 가질만한 정보를 추천하는 Recommender System도 ML의 한 분야이다. 

 

 

 

3.  Supervised Learning  (지도 학습)

정답(label)이 있는 dataset을 사용하여 컴퓨터를 학습시키는 방법.  data set의 형태는 [data(input) - label(output)]으로 주어진다. 

따라서 label이 정해지지 않은 data를 사용하여 label을 예측한다. 

Supervised Learning 의 세부 분류로는 'regression'과 'classification'이 있다. 

---

regression : 연속적인(continuous) 결과값 예측

ex) 부동산 집 값 예측

강의의 예제에서 input은 집의 넓이이고, output은 집의 가격이다. 

output에 해당하는 집의 가격은 연속적인 값을 가지므로 

이는 regression 문제이다. 

 

 

 

---

classification : 이산적인(descrete) 결과값 예측

ex ) 종양 크기에 따른 양성/음성 예측

그림의 예제에서 

input은 종양의 크기이고, output인 진단결과이다.

output에 해당하는 진단결과가 양성/음성으로 discrete category이므로 

이는 classification 문제이다.

 

 

 

아래 그래프처럼 종양의 크기에 나이 속성을 더하여 진단결과를 내릴 수 있다.

추가적으로 Clump 두께, 종양 세포크기의 균일함, 모양의 균일함 등 다양한 속성(feature)도 함께 고려하여 분류할 수 있다.

이렇듯 속성의 개수가 증가할수록, 그래프의 축(차원)의 개수 또한 증가한다.  증가한 차원에서 선형의 직선으로 구분짓는 함수를 찾는 것이 예측 모델을 찾는 것이라 할 수 있다.

 

 

4.  Unsupervised Learning (비지도 학습)

정답(label)이 없는 dataset을 사용하여 컴퓨터를 학습시키는 방법.  data set의 형태는 [data(input)]으로 주어진다.

따라서 데이터에 숨겨진 구조나 특징을 발견하는 데 사용된다.

 

• clustering : 주어진 데이터를 n개의 카테고리로 군집화
• non-clustering : cocktail party problem - 칵테일 파티장 녹음데이터에서 특정 음성만 분리해냄

 

 

---

참고 문헌

machine learning 강의 노트