머신러닝(Machine Learning)은 명시적으로 프로그래밍하지 않고도 컴퓨터에 학습할 수 있는 기능을 제공하는 컴퓨터 과학 분야입니다. 지도 학습과 비지도 학습은 두 가지 주요 유형입니다. 기계 학습 .

~ 안에 지도 학습 , 기계는 레이블이 지정된 데이터 세트에 대해 훈련됩니다. 이는 입력 데이터가 원하는 출력과 쌍을 이룬다는 것을 의미합니다. 그런 다음 기계는 새로운 입력 데이터의 출력을 예측하는 방법을 학습합니다. 지도 학습은 분류, 회귀, 객체 감지와 같은 작업에 자주 사용됩니다.

비지도 학습에서는 기계가 레이블이 지정되지 않은 데이터 세트에 대해 훈련됩니다. 이는 입력 데이터가 원하는 출력과 쌍을 이루지 않음을 의미합니다. 그런 다음 기계는 데이터에서 패턴과 관계를 찾는 방법을 학습합니다. 비지도 학습은 다음과 같은 작업에 자주 사용됩니다. 클러스터링 , 차원 축소 및 이상 탐지.

지도 학습이란 무엇입니까?

지도 학습은 일종의 기계 학습 알고리즘 라벨이 붙은 데이터로부터 학습하는 것입니다. 라벨링된 데이터는 정답이나 분류가 태그된 데이터입니다.

지도 학습은 이름에서 알 수 있듯이 교사로서 감독자가 존재합니다. 지도 학습은 라벨이 잘 지정된 데이터를 사용하여 기계를 가르치거나 훈련시키는 것입니다. 이는 일부 데이터에 이미 정답 태그가 지정되어 있음을 의미합니다. 그 후, 지도 학습 알고리즘이 훈련 데이터(훈련 예제 세트)를 분석하고 레이블이 지정된 데이터에서 올바른 결과를 생성할 수 있도록 기계에 새로운 예제(데이터) 세트가 제공됩니다.

예를 들어, 코끼리, 낙타, 소 이미지의 레이블이 지정된 데이터 세트에는 각 이미지에 Elephant, Camelor Cow 태그가 지정됩니다.

키 포인트:

• 지도 학습에는 레이블이 지정된 데이터를 사용하여 기계를 훈련시키는 것이 포함됩니다.
• 라벨이 지정된 데이터는 정답 또는 분류가 포함된 예시로 구성됩니다.
• 기계는 입력(과일 이미지)과 출력(과일 라벨) 간의 관계를 학습합니다.
• 그러면 훈련된 기계는 레이블이 지정되지 않은 새로운 데이터에 대해 예측을 할 수 있습니다.

예:

식별하고 싶은 과일 바구니가 있다고 가정해 보겠습니다. 기계는 먼저 이미지를 분석하여 모양, 색상, 질감과 같은 특징을 추출합니다. 그런 다음 이러한 특징을 이미 배운 과일의 특징과 비교합니다. 새 이미지의 특징이 사과의 특징과 가장 유사하면 기계는 그 과일이 사과라고 예측합니다.

문자열을 int로 구문 분석

예를 들어 , 다양한 종류의 과일이 담긴 바구니가 주어졌다고 가정해 보겠습니다. 이제 첫 번째 단계는 다음과 같이 다양한 과일을 하나씩 사용하여 기계를 훈련시키는 것입니다.

• 물체의 모양이 둥글고 상단에 움푹 들어간 부분이 있고 색상이 빨간색이면 다음과 같이 표시됩니다. 사과 .
• 물체의 모양이 녹색-노란색을 갖는 긴 곡선 원통형인 경우 다음과 같이 표시됩니다. 바나나 .

이제 데이터를 훈련한 후 바구니에서 바나나라는 새로운 별도의 과일을 제공하고 이를 식별하도록 요청했다고 가정합니다.

기계는 이미 이전 데이터로부터 내용을 학습했기 때문에 이번에는 이를 현명하게 사용해야 합니다. 먼저 과일의 모양과 색상으로 분류한 후 과일 이름을 BANANA로 확인하고 바나나 카테고리에 넣습니다. 따라서 기계는 훈련 데이터(과일을 담은 바구니)로부터 내용을 학습한 다음, 그 지식을 테스트 데이터(새 과일)에 적용합니다.

지도 학습의 유형

지도 학습은 두 가지 범주의 알고리즘으로 분류됩니다.

• 회귀 : 회귀 문제는 출력 변수가 달러나 무게와 같은 실제 값인 경우입니다.
• 분류 : 분류 문제는 출력 변수가 빨간색 또는 파란색, 질병 또는 질병 없음과 같은 범주인 경우입니다.

지도 학습은 레이블이 지정된 데이터를 다루거나 학습합니다. 이는 일부 데이터에 이미 정답 태그가 지정되어 있음을 의미합니다.

1- 회귀

회귀는 주택 가격, 주가 또는 고객 이탈과 같은 연속 값을 예측하는 데 사용되는 지도 학습 유형입니다. 회귀 알고리즘은 입력 특성을 출력 값으로 매핑하는 함수를 학습합니다.

몇 가지 일반적인 회귀 알고리즘 포함하다:

• 선형 회귀
• 다항식 회귀
• 지원 벡터 머신 회귀
• 의사결정 트리 회귀
• 랜덤 포레스트 회귀

2- 분류

분류는 고객 이탈 여부, 이메일 스팸 여부, 의료 영상에 종양이 보이는지 여부 등 범주형 값을 예측하는 데 사용되는 지도 학습의 한 유형입니다. 분류 알고리즘은 입력 기능을 출력 클래스에 대한 확률 분포로 매핑하는 함수를 학습합니다.

알파베타 가지치기

몇 가지 일반적인 분류 알고리즘 포함하다:

• 로지스틱 회귀
• 서포트 벡터 머신
• 의사결정 트리
• 랜덤 포레스트
• 나이브 베이

지도 학습 모델 평가

지도 학습 모델을 평가하는 것은 모델의 정확성과 일반화를 보장하는 중요한 단계입니다. 다양한 종류가 있습니다 측정항목 지도 학습 모델을 평가하는 데 사용할 수 있지만 가장 일반적인 모델은 다음과 같습니다.

회귀용

• 평균 제곱 오차(MSE): MSE는 예측값과 실제값 간의 평균 제곱 차이를 측정합니다. MSE 값이 낮을수록 모델 성능이 더 우수함을 나타냅니다.
• RMSE(제곱 평균 오차): RMSE는 MSE의 제곱근으로 예측 오류의 표준 편차를 나타냅니다. MSE와 마찬가지로 RMSE 값이 낮을수록 모델 성능이 더 우수함을 나타냅니다.
• 평균 절대 오차(MAE): MAE는 예측값과 실제값 사이의 평균 절대차를 측정합니다. MSE 또는 RMSE에 비해 이상값에 덜 민감합니다.
• R-제곱(결정 계수): R-제곱은 모델에 의해 설명되는 목표 변수의 분산 비율을 측정합니다. R-제곱 값이 높을수록 모델 적합도가 더 우수함을 나타냅니다.

분류용

• 정확성: 정확도는 모델이 정확하게 예측한 비율입니다. 올바른 예측 수를 전체 예측 수로 나누어 계산합니다.
• 정도: 정밀도는 모델이 실제로 올바른 긍정적인 예측을 한 비율입니다. 이는 참 긍정 수를 전체 긍정 예측 수로 나누어 계산됩니다.
• 상기하다: 재현율은 모델이 올바르게 식별한 모든 긍정적인 예의 비율입니다. 이는 참 긍정 수를 전체 긍정 사례 수로 나누어 계산됩니다.
• F1 점수: F1 점수는 정밀도와 재현율의 가중 평균입니다. 정밀도와 재현율의 조화평균을 취하여 계산됩니다.
• 혼동 행렬: 혼동 행렬은 실제 클래스 레이블과 함께 각 클래스에 대한 예측 수를 표시하는 테이블입니다. 모델의 성능을 시각화하고 모델이 어려움을 겪고 있는 영역을 식별하는 데 사용할 수 있습니다.

지도 학습의 응용

지도 학습은 다음을 포함한 다양한 문제를 해결하는 데 사용될 수 있습니다.

지도 자바를 통해 반복

• 스팸 필터링: 지도 학습 알고리즘은 콘텐츠를 기반으로 스팸 이메일을 식별하고 분류하도록 훈련될 수 있으므로 사용자가 원치 않는 메시지를 피할 수 있습니다.
• 이미지 분류: 지도 학습은 이미지를 동물, 사물, 장면 등 다양한 카테고리로 자동 분류하여 이미지 검색, 콘텐츠 조정, 이미지 기반 제품 추천과 같은 작업을 촉진합니다.
• 의료 진단: 지도 학습은 의료 이미지, 테스트 결과, 환자 이력 등의 환자 데이터를 분석하여 특정 질병이나 상태를 암시하는 패턴을 식별함으로써 의료 진단을 지원할 수 있습니다.
• 사기 탐지: 지도 학습 모델은 금융 거래를 분석하고 사기 행위를 나타내는 패턴을 식별하여 금융 기관이 사기를 예방하고 고객을 보호할 수 있도록 돕습니다.
• 자연어 처리(NLP): 지도 학습은 감정 분석, 기계 번역, 텍스트 요약 등 NLP 작업에서 중요한 역할을 하며 기계가 인간 언어를 효과적으로 이해하고 처리할 수 있도록 해줍니다.

지도 학습의 장점

• 지도 학습을 통해 데이터를 수집하고 이전 경험에서 데이터 출력을 생성할 수 있습니다.
• 경험을 통해 성능 기준을 최적화하는 데 도움이 됩니다.
• 지도 기계 학습은 다양한 유형의 실제 계산 문제를 해결하는 데 도움이 됩니다.
• 분류 및 회귀 작업을 수행합니다.
• 결과를 추정하거나 새로운 샘플에 매핑할 수 있습니다.
• 우리는 훈련 데이터에서 원하는 클래스 수를 선택하는 것을 완벽하게 제어할 수 있습니다.

지도 학습의 단점

• 빅데이터를 분류하는 것은 어려울 수 있습니다.
• 지도 학습을 위한 훈련에는 많은 계산 시간이 필요합니다. 그래서 시간이 많이 필요합니다.
• 지도 학습은 기계 학습의 모든 복잡한 작업을 처리할 수 없습니다.
• 지도 학습의 경우 계산 시간이 엄청납니다.
• 레이블이 지정된 데이터 세트가 필요합니다.
• 훈련과정이 필요합니다.

비지도 학습이란 무엇입니까?

비지도 학습은 레이블이 지정되지 않은 데이터로부터 학습하는 일종의 기계 학습입니다. 이는 데이터에 기존 라벨이나 카테고리가 없음을 의미합니다. 비지도 학습의 목표는 명시적인 지침 없이 데이터의 패턴과 관계를 발견하는 것입니다.

비지도 학습은 분류되거나 표시되지 않은 정보를 사용하여 기계를 훈련하고 알고리즘이 안내 없이 해당 정보에 따라 작동하도록 허용하는 것입니다. 여기서 기계의 임무는 사전 데이터 교육 없이 유사성, 패턴 및 차이점에 따라 정렬되지 않은 정보를 그룹화하는 것입니다.

지도 학습과 달리 교사가 제공되지 않습니다. 이는 기계에 교육이 제공되지 않음을 의미합니다. 따라서 기계는 레이블이 지정되지 않은 데이터에서 숨겨진 구조를 스스로 찾는 것으로 제한됩니다.

비지도 학습을 활용하면 그동안 수집된 동물 데이터를 조사하고, 동물의 특성과 행동에 따라 여러 그룹을 구분할 수 있습니다. 이러한 그룹화는 다양한 동물 종에 해당할 수 있으므로 이미 존재하는 라벨에 의존하지 않고 생물을 분류할 수 있습니다.

키 포인트

• 비지도 학습을 통해 모델은 레이블이 지정되지 않은 데이터에서 패턴과 관계를 발견할 수 있습니다.
• 클러스터링 알고리즘은 고유한 특성을 기반으로 유사한 데이터 포인트를 그룹화합니다.
• 특징 추출은 데이터에서 필수 정보를 캡처하여 모델이 의미 있는 구별을 할 수 있도록 합니다.
• 레이블 연관은 추출된 패턴과 특성을 기반으로 클러스터에 카테고리를 할당합니다.

예

개와 고양이가 모두 포함된 레이블이 지정되지 않은 대규모 이미지 데이터 세트에 대해 훈련된 기계 학습 모델이 있다고 상상해 보십시오. 모델은 이전에 개나 고양이의 이미지를 본 적이 없으며 이러한 동물에 대한 기존 라벨이나 카테고리도 없습니다. 귀하의 임무는 비지도 학습을 사용하여 보이지 않는 새로운 이미지에서 개와 고양이를 식별하는 것입니다.

예를 들어 , 한 번도 본 적이 없는 개와 고양이가 함께 있는 이미지가 주어졌다고 가정해 보겠습니다.

따라서 기계는 개와 고양이의 특징을 전혀 모르기 때문에 '개와 고양이'로 분류할 수 없습니다. 하지만 유사점, 패턴, 차이점에 따라 분류할 수 있습니다. 즉, 위 그림을 두 부분으로 쉽게 분류할 수 있습니다. 첫 번째에는 다음과 같은 모든 사진이 포함될 수 있습니다. 개 두 번째 부분에는 다음과 같은 모든 사진이 포함될 수 있습니다. 고양이 그들 안에. 여기서는 이전에 아무것도 배우지 않았습니다. 즉, 훈련 데이터나 예제가 없다는 의미입니다.

이를 통해 모델이 자체적으로 작동하여 이전에는 감지되지 않았던 패턴과 정보를 발견할 수 있습니다. 주로 레이블이 없는 데이터를 다룹니다.

비지도 학습의 유형

비지도 학습은 두 가지 범주의 알고리즘으로 분류됩니다.

• 클러스터링 : 클러스터링 문제는 구매 행동에 따라 고객을 그룹화하는 것과 같이 데이터에 내재된 그룹화를 발견하려는 경우입니다.
• 협회 : 연관 규칙 학습 문제는 X를 구매하는 사람들이 Y도 구매하는 경향이 있는 것처럼 데이터의 많은 부분을 설명하는 규칙을 발견하려는 경우입니다.

클러스터링

클러스터링은 유사한 데이터 포인트를 그룹화하는 데 사용되는 비지도 학습의 한 유형입니다. 클러스터링 알고리즘 반복적으로 데이터 포인트를 클러스터 중심에 더 가깝게 이동하고 다른 클러스터의 데이터 포인트에서 더 멀리 이동하여 작업합니다.

1. 배타적(파티셔닝)
2. 응집성
3. 겹치는
4. 확률적

클러스터링 유형:-

문자열 하위 문자열 java

1. 계층적 클러스터링
2. K-평균 클러스터링
3. 주요 구성 요소 분석
4. 특이값 분해
5. 독립 성분 분석
6. 가우스 혼합 모델(GMM)
7. 잡음이 있는 애플리케이션의 밀도 기반 공간 클러스터링(DBSCAN)

연관 규칙 학습

연관 규칙 학습은 데이터의 패턴을 식별하는 데 사용되는 비지도 학습의 한 유형입니다. 연관 규칙 학습 알고리즘은 데이터 세트의 다양한 항목 간의 관계를 찾는 방식으로 작동합니다.

몇 가지 일반적인 연관 규칙 학습 알고리즘은 다음과 같습니다.

• 아프리오리 알고리즘
• 에클라 알고리즘
• FP-성장 알고리즘

비지도 학습 모델 평가

비지도 학습 모델을 평가하는 것은 모델이 효과적이고 유용한지 확인하는 중요한 단계입니다. 그러나 모델의 예측을 비교할 실제 데이터가 없기 때문에 지도 학습 모델을 평가하는 것보다 더 어려울 수 있습니다.

비지도 학습 모델을 평가하는 데 사용할 수 있는 다양한 측정항목이 있지만 가장 일반적인 측정항목은 다음과 같습니다.

• 실루엣 점수: 실루엣 점수는 각 데이터 포인트가 자체 클러스터 구성원과 얼마나 잘 클러스터링되고 다른 클러스터와 분리되는지를 측정합니다. 범위는 -1부터 1까지이며 점수가 높을수록 클러스터링이 더 우수함을 나타냅니다.
• Calinski-Harabasz 점수: Calinski-Harabasz 점수는 군집 간 분산과 군집 내 분산 간의 비율을 측정합니다. 범위는 0부터 무한대까지이며 점수가 높을수록 클러스터링이 더 우수함을 나타냅니다.
• 조정된 랜드 지수: 조정된 Rand 지수는 두 클러스터링 간의 유사성을 측정합니다. 범위는 -1부터 1까지이며, 점수가 높을수록 클러스터링이 더 유사함을 나타냅니다.
• 데이비스-볼딘 지수: Davies-Bouldin 지수는 클러스터 간의 평균 유사성을 측정합니다. 범위는 0부터 무한대까지이며 점수가 낮을수록 클러스터링이 더 우수함을 나타냅니다.
• F1 점수: F1 점수는 분류 모델을 평가하기 위해 지도 학습에서 일반적으로 사용되는 두 가지 지표인 정밀도와 재현율의 가중 평균입니다. 그러나 F1 점수는 클러스터링 모델과 같은 비지도 학습 모델을 평가하는 데에도 사용할 수 있습니다.

애플리케이션 비지도 학습

비지도 학습은 다음을 포함한 다양한 문제를 해결하는 데 사용될 수 있습니다.

• 이상 탐지: 비지도 학습은 데이터의 비정상적인 패턴이나 정상적인 동작과의 편차를 식별하여 사기, 침입 또는 시스템 오류를 탐지할 수 있습니다.
• 과학적 발견: 비지도 학습은 과학 데이터에 숨겨진 관계와 패턴을 밝혀 다양한 과학 분야에서 새로운 가설과 통찰력을 이끌어낼 수 있습니다.
• 추천 시스템: 비지도 학습은 사용자 행동 및 선호도의 패턴과 유사성을 식별하여 사용자의 관심사에 맞는 제품, 영화 ​​또는 음악을 추천할 수 있습니다.
• 고객 세분화: 비지도 학습을 통해 유사한 특성을 가진 고객 그룹을 식별할 수 있으므로 기업은 마케팅 캠페인을 타겟팅하고 고객 서비스를 보다 효과적으로 개선할 수 있습니다.
• 이미지 분석: 비지도 학습은 콘텐츠를 기준으로 이미지를 그룹화하여 이미지 분류, 객체 감지, 이미지 검색과 같은 작업을 촉진할 수 있습니다.

장점 비지도 학습

• 훈련 데이터에 레이블을 지정할 필요가 없습니다.
• 비지도 학습을 사용하면 차원 축소를 쉽게 수행할 수 있습니다.
• 데이터에서 이전에 알려지지 않은 패턴을 찾을 수 있습니다.
• 비지도 학습은 레이블이 지정되지 않은 데이터에서 다른 방법으로는 얻을 수 없는 통찰력을 얻는 데 도움이 됩니다.
• 비지도 학습은 무엇을 찾아야 할지 알려주지 않고도 데이터에서 패턴과 관계를 찾는 데 능숙합니다. 이는 데이터에 대한 새로운 사실을 배우는 데 도움이 될 수 있습니다.

단점 비지도 학습

• 훈련 중 미리 정의된 답변이 부족하여 정확성이나 효율성을 측정하기 어렵습니다.
• 결과의 정확도가 떨어지는 경우가 많습니다.
• 사용자는 해당 분류를 따르는 클래스를 해석하고 레이블을 지정하는 데 시간을 소비해야 합니다.
• 비지도 학습은 누락된 값, 이상치, 잡음이 있는 데이터를 포함한 데이터 품질에 민감할 수 있습니다.
• 레이블이 지정된 데이터가 없으면 비지도 학습 모델의 성능을 평가하기 어려울 수 있으므로 효율성을 평가하기가 어렵습니다.

감독 및 비지도 기계 학습

결론

지도 학습과 비지도 학습은 다양한 문제를 해결하는 데 사용할 수 있는 두 가지 강력한 도구입니다. 지도 학습은 원하는 결과가 알려진 작업에 적합하고, 비지도 학습은 원하는 결과를 알 수 없는 작업에 적합합니다.

자주 묻는 질문(FAQ)

1. 지도 기계어와 비지도 기계어의 차이점은 무엇인가요?

지도 학습과 비지도 학습은 훈련 데이터와 학습 목표가 서로 다른 기계 학습에 대한 두 가지 기본 접근 방식입니다.

• 지도 학습 각 데이터 포인트에는 해당 레이블 또는 출력 값이 있는 레이블이 지정된 데이터 세트에 대한 기계 학습 모델 교육이 포함됩니다. 알고리즘은 입력 데이터를 원하는 출력에 매핑하는 방법을 학습하여 보이지 않는 새로운 데이터를 예측할 수 있습니다.
• 비지도 학습 반면, 데이터 포인트에 관련 레이블이나 출력 값이 없는 레이블이 없는 데이터세트를 처리합니다.

2. 지도 학습이란 무엇입니까?

지도 학습은 알고리즘이 레이블이 지정된 데이터 세트에서 훈련되는 기계 학습 유형으로, 각 데이터 포인트에는 해당 레이블 또는 출력 값이 있습니다. 알고리즘은 입력 데이터를 원하는 출력에 매핑하는 방법을 학습하여 보이지 않는 새로운 데이터를 예측할 수 있습니다.

3. 일반적인 지도 학습 알고리즘은 무엇입니까?

일반적인 지도 학습 알고리즘은 다음과 같습니다.

• 분류: 데이터 요소에 범주를 할당하는 데 사용됩니다. 예로는 SVM(지원 벡터 머신), 로지스틱 회귀, 의사결정 트리 등이 있습니다.
• 회귀: 연속적인 숫자 값을 예측하는 데 사용됩니다. 예로는 선형 회귀, 다항 회귀, 능형 회귀 등이 있습니다.

4. 일반적인 비지도 학습 알고리즘은 무엇입니까?

일반적인 비지도 학습 알고리즘은 다음과 같습니다.

• 클러스터링: 유사성을 기준으로 데이터 포인트를 클러스터로 그룹화합니다. 예로는 k-평균 클러스터링 및 계층적 클러스터링이 있습니다.
• 차원성 감소: 가장 중요한 정보를 보존하면서 데이터 세트의 기능 수를 줄입니다. 예로는 주성분 분석(PCA)과 오토인코더가 있습니다.

5. 비지도 학습이란 무엇입니까?

비지도 학습은 데이터 포인트에 해당 레이블이나 출력 값이 없는 레이블이 지정되지 않은 데이터 세트에서 알고리즘이 훈련되는 일종의 기계 학습입니다. 알고리즘은 명시적인 지침 없이 데이터의 패턴과 구조를 식별하는 방법을 학습합니다.

k 최근접 이웃 알고리즘

6. 지도 학습과 비지도 학습을 언제 사용해야 합니까?

레이블이 지정된 데이터 세트가 있고 새 데이터에 대한 예측을 원할 때 지도 학습을 사용합니다. 레이블이 지정되지 않은 데이터 세트가 있고 데이터의 패턴이나 구조를 식별하려는 경우 비지도 학습을 사용합니다.