(Beginner) Types of Machine Learning

  Machine Learning은 크게 3가지 분야로 나눌 수 있다.
"Supervised Learning, Unsupervised Learning, Reinforcement Learning"

 

 

이들은 

지도 학습(supervised learning), 

비지도 학습(unsupervised learning), 

강화 학습(reinforcement learning)

으로 불린다.

 

 

이것을 보고 어떤 사람들은 이런 생각이 들 수 있다.

"Machine Learning에는  Regression, RandomForest, Knn, SVM 이런 게 있다고 했는데 뭐가 다른 거지?"

 

그 차이는 다음 그림과 같다.

 

위 그림처럼 M.L은 크게 Supervised(지도), Unsupervised(비지도), Reinforcement(강화) Learning으로 나뉘게 되며, 그 안에서 여러 방법들이 존재한다.

 

 

 

그럼 어떤 기준으로 분류되는 것일까?

 

 

1. Supervised Learning (= 지도 학습)

    

지도 학습이란 컴퓨터에게 "지도(Supervise)" 하는 학습 방법이다.

즉, 컴퓨터에게 "정답을 알려주며" 학습시킨다는 의미가 된다.

 

Ex)

200장의 사진 중 1~100번 사진은 "사람"이고, 101번~200번 사진은 "강아지"라고 컴퓨터에 입력한 상태로 학습을 진행한다.

 

이 방법으로는 주로 데이터 출력과 미래 예측에 사용되며, 분류와 회귀 데이터에 쓰입니다.

- 분류 : 값이 이산(discrete)인 경우         

ex) 사진의 종류가 강아지/고양이/사람 인 경우

 

- 회귀 : 값이 연속(continuous)인 경우     

ex) 키에 따른 몸무게

 

 

2. Unspervised Learning (= 비지도 학습)

 

비지도 학습이란 "비지도(Unsupervise)" 

즉, 위 지도 학습과는 반대로 "정답을 '안'알려주며" 학습시킨다는 의미이다.

 

Ex)

200장의 사람과 강아지가 섞인 사진만 주고 무슨 사진이 사람이고, 강아지인지는 알려주지 않는다.

즉, 컴퓨터가 스스로 알아서 차이를 인식하고 비슷한 것끼리 분류하도록 학습을 진행한다.

 

이 기술은 주로 군집화, 차원 축소 등에 사용이 된다.

(- 군집화와 차원 축소 : 비슷한 데이터끼리 묶는(clustering) 기술)

 

  

※ (참고) 최근 들어 지도 학습과 비지도 학습을 함께 사용하는 기법이 관심받고 있다고 합니다. 

 

 

3. Reinforcement Learning (= 강화 학습)

 

흔히 "보상"을 통해 "성능 향상"하는 학습 방법이다.

 

위 두 가지 방법과는 다른 유형으로

데이터를 제공하는 위 지도 학습, 비지도 학습과 달리 데이터를 제공하지 않으며, 

데이터가 있더라도 정답을 따로 정해 놓지 않는다.

 

Ex)

로봇(= 에이전트)에 전진하는 것을 목표로 설정한 후, 움직이는 방법만 설정해둡니다.

그러면 로봇은 이리저리 움직이며 시행착오(= 보상)를 겪어, 어떻게 해야 전진하기에 가장 좋은 움직임(= 성능 향상)인지를 학습합니다.

 

다소 복잡하게 느껴질 수 있지만, 전체적인 느낌은 아래의 사진과 같습니다.