머신러닝 소개

강의

Machine Learing

"Machine Learning"은 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘 연구 입니다.

 

"Test Dataset"은 모델 평가를 위한 별도의 데이터 입니다.

 

 

학습 종류

• 지도 학습(Supervised Learning) : 목표값(Target)이 주어진 경우
  • 분류(Classfication) : 목표값이 이산적인 경우
  • 회귀(Regression) : 목표값이 연속적인 경우
• 비지도 학습(Unsupervised Learning) : 목표값(Target)이 없는 경우
  • 군집(Clustering)

 

이론

• 확률 이론(Probability Theory) : 예측값의 불확실성을 정량적으로 표현할 수 있는 수학적인 프레임워크
• 결정 이론(Decision Theory) : 최적의 예측을 수행할 수 있는 방법론

 

"오차 함수"(Error Function)은 모델의 품질을 수치화하여 나타내는 함수 입니다.

 

"일반화"(Generalization)은 모델에서 이전에 접하지 못한 새로운 데이터에 대해 올바른 예측을 수행하는 역량 입니다.

 

오류

• 과소적합(Under-fitting)
• 과대적합(Over-fitting)

 

 

---

머신러닝 프로젝트 과정

1. 큰 그림 확인
   • 문제 정의
   • 성능 측정 지표 선택
2. 데이터 수집
   • Test Dataset & Train Dataset
3. 데이터 탐색 및 시각화
4. 머신러닝 알고리즘 데이터 처리
   
   • 데이터 정제
   • 변환 파이프라인 구성
5. 모델 선택 및 훈련
   • 교차 검증
6. 모델 상세 조정
   
   • 그리드 탐색 혹은 랜덤 탐색
   • 특성 중요도, 에러 분석
7. 솔루션 제시
8. 시스템 론칭 및 모니터링, 유지 보수