머신러닝 공부했던 것 요약

머신러닝 - 기계가 학습한다

• 컴퓨터가 스스로 학습하여 예측하고 판단하는 것
• 수치데이터, 2차원 형태의 데이터(테이블 데이터) 딥러닝 - 인간의 신경망을 본떠서 만든 학습하는 방법
• 수치데이터, 2차원 형태의 데이터, 사진/영상데이터, 음성데이터, 시계열 데이터

(1) 지도학습: 문제데이터 + 답데이터 학습시키는 방법

• 분류: 여러 classlabel로 정리된 답 중 1개를 판단하는 것. iris(0, 1, 2), titanic(0, 1)
• 회귀: 연속적인 수치 값을 예측하는 것
• 성적 데이터 예측, 집 값 예측, 미세먼지 지수 예측, % 개념 예측 (2) 비지도학습: 문제 데이터를 가지고 그 안의 패턴과 규칙을 학습하게 하는 방법
• 비슷한 특징을 가진 데이터 포인터들끼리 묶는 (군집화, clustering) 함.
• 차원 축소 (3) 강화학습: 행위의 주체자가 환경에 대해 행동하면서, 보상/패널티를 받으며 행동을 강화해 나가는 것
• 로봇에 대해서 학습시킬 때

지도학습

• 선형모델: 선 하나(선형 함수)로 데이터를 구분짓겠다.
• 입력한 데이터를 잘 포함하는 선형 함수를 찾자
• 새로운 데이터가 들어왔을 때 학습해서 나온 선형 함수로 예측하자

학습에서 나온 선형함수를 잘 구해보자(찾아보자)

어떤 선형함수가 학습을 잘 한것인가? 어떤 선형함수가 좋은 선형모델인가? 예측값과 실제 값의 차(오차)를 비교해서 확인, 오차가 낮은 선형이 좋은 모델이다. ((예측 - 실제) ** 2).mean() : MSE(평균제곱오차) MEAN SQUARED 여러 가설의 선형함수를 만들어낸다. y = ax + b a(기울기), b(절편) => y = wx + b w(가중치, weight) 경사하강법 MSE - W

일반화, 과대적합(과적합), 과소적합 일반화: 어떤 데이터가 들어와도 모델의 성능이 일반적으로 잘 나오는 것.(머신러닝 궁극적인 목표) 과대적합: Train, Test에서 Train데이터에 너무 맞춰서 학습하다보니. train에는 성능이 월등히 좋지만, test 성능은 현저히 떨어지는 상태 과소적합: train 데이터가 학습이 제대로 이루어지지 않았고, test에서도 성능이 떨어지는 상태

딥러닝

병렬적 다층 구조를 통해 학습하도록 하는 기술

감각기(입력층) ⇒ 중간층 ⇒ 출력층(반응기; 예측 판단 가능)

많은 뉴런의 결과를 종합하여 판단을 한다.

선형모델들이 의견이 종합적으로 판단되어 학습하고 예측한

딥러닝의 일반적인 구조는 입력층, 중간층, 출력층임

안에 뉴런하나들을 선형모델로 쓰더라(전부다 그런건 아닐듯?)