머신러닝 알고리즘(지도,비지도,강화학습)

 

머신러닝의 정의

머신러닝은 인공지능 학습법 중 한 분야로, 컴퓨터가 스스로 학습하여 결과를 도출하는 학습법이다.

 

알고리즘이란?

알고리즘은 과업을 달성하기 위해 법칙들을 모은 절차이다. 데이터 기반의 인공지능 개발을 위해서는 상황에 맞는 알고리즘을 찾아서 사용해야 한다.

• 데이터 처리 알고리즘 : 데이터 변환, 사전 준비, 데이터 처리
• 최적화 알고리즘 : 모수 추정을 위한 최적화 알고리즘
• 머신러닝 알고리즘

 

학습데이터에 따른 머신러닝 알고리즘

머신러닝 알고리즘은 학습데이터에 따라 다음과 같이 나눌 수 있다. 

 

1. 지도학습 : 학습데이터와 결과가 표시된 라벨 데이터를 이용해 학습하는 방법이다.

   - 알고리즘 : Linear/Logistic Regression, Regression/Decision Tree, Model Tree, SVM, Neural Network, Deep Learning, ARIMA, KNN, DNN, ANN, 나이브베이즈

   - 지도학습의 문제점 : 적은 라벨 데이터로 인한 편향 분산 딜레마 문제, 과적합/과소적합 문제

2. 비지도학습 : 결과가 표시된 라벨 데이터 없이, 데이터 특징을 찾아내는 학습법이다.

   - 알고리즘 : k-Means Clustering, DBSCAN, DHN, RBN, SVD, PCA, ICA, GAN

3. 준지도학습 : 학습데이터에 약간의 라벨을 주고 학습하는 방법이다.

4. 강화학습 : 라벨 없이 학습하며, 학습 결과에 대해 정답 여부만 알려주고 보상과 처벌을 주는 학습법이다.

   - 알고리즘 : MCTS, Q-Learning, DQN

머신러닝 알고리즘의 선택

1. 예측, 추정 문제

• 선형회귀(Linear Regression)
• 회귀나무(Regression Tree)
• 서포트 벡터 머신(SVM,Support Vector Machine)
• 신경망(Neural Network), 딥러닝(Deep Learning)
• 자기회귀 누적이동평균(ARIMA)

2. 분류 문제

• 의사결정나무(Decision Tree)
• 로지스틱 회귀(Logistic Regression)
• K-NN(K-Nearest Neighbor)
• SVM, Neural Network
• 앙상블(Ensemble-Bagging, Boosting, Random Forest)

3. 패턴 발견 문제

• Association Rule Analysis
• Network Analysis

4. 그룹화 문제

• K-Means Clustering
• DBSCAN
• SOM

5. 차원 축소 문제

• 주성분분석(PCA)
• SVD
• ICA

6. 보상 또는 처벌 문제

• MCTS
• Q-Learning
• DQN