Machine Learning 개요

Machine Learning : 명시적인 프로그래밍 없이 데이터를 이용하여 컴퓨터가 어떤 지식이나 패턴을 학습한 것 

- Supervised Learning : 레이블이 있는 데이터로 학습하여 학습결과로 입력 데이터를 예측

Label과 output을 비교하여 필요 시 문제 해결을 위한 연산을 개선 (이 과정이 학습)

대표 문제) MNIST(http://yann.lecun.com/exdb/mnist) , CIFAR-10(https://www.cstoronto.edu/-kriz/cifar.html)

 

Regression - 특정 실수 값을 예측하는 문제

ex) 주가 예측, 공부시간 대비 점수

Classification - 이분법적 분류 혹은 class 분류 (Binary-class, Multi-class)

ex) 스팸 메일 분류, 공부시간 대비 합격여부(binary), 공부시간 대비 학점(multi)

 

- Unsupervised Learning : 레이블이 없는 데이터로 학습하여 데이터들의 공통 구조/특징 에측

Clustering - 그룹 나누기 

 

- Reinforcement Learning : 보상시스템으로 학습하여 의사결정을 위한 최적 행동을 습득 

 

 

Machine Learning Process : 

Step1 : Hypothesis 설정 (문제해결을 위한 모델 수립) 

Step2 : Cost Function 설정 (성능을 평가할 함수 설정 = Loss Function) 

Step3 : Learning Algorithm 적용하여 Training (Cost minimization)

 

 

---

Neuron : 수상돌기(dendrite)를 통해 다른 뉴런으로 부터 전기신호를 받음. 수신한 전기신호를 축삭돌기 말단에서 다른 뉴런으로 전달하고 전달받은 전기 신호가 역치를 넘기지 못 하면 중간에 사라지기도 함

 

Perceptron : 생물학적 뉴런을 공학적인 구조로 변형한 것. 인공지능은 이 perceptron을 구성하는 것을 의미.

Input : 하나 혹은 그 이상의 perceptron입력

Active Function : step function, sigmoid, ReLU 등 입력에 가중치를 곱한 값의 총 합을 입력받아 정해진 출력을 내보내는 함수.

Output : 활성함수의 출력 결과

 

 

 

 

---