기계 학습-카테고리

기계 학습은 다음과 같은 제목으로 광범위하게 분류됩니다.

기계 학습은 위의 다이어그램에 표시된 것처럼 왼쪽에서 오른쪽으로 진화했습니다.

  • 처음에 연구자들은지도 학습으로 시작했습니다. 이것은 앞서 논의한 주택 가격 예측의 경우입니다.

  • 그 다음에는 감독없이 기계가 스스로 학습하도록 만들어진 비지도 학습이 이어졌습니다.

  • 과학자들은 기계가 예상대로 작업을 수행하고 강화 학습이있을 때 기계에 보상하는 것이 좋은 생각 일 수 있음을 발견했습니다.

  • 얼마 지나지 않아 요즘 사용 가능한 데이터가 너무 커서 지금까지 개발 된 기존 기술로는 빅 데이터를 분석하고 예측을 제공하지 못했습니다.

  • 따라서 우리의 바이너리 컴퓨터에서 생성 된 인공 신경망 (ANN)에서 인간의 뇌가 시뮬레이션되는 딥 러닝이 시작되었습니다.

  • 이제 기계는 오늘날 사용할 수있는 높은 컴퓨팅 성능과 방대한 메모리 리소스를 사용하여 스스로 학습합니다.

  • 이제 딥 러닝이 이전에 풀지 못했던 많은 문제를 해결 한 것으로 나타났습니다.

  • 이 기술은 이제 딥 러닝 네트워크에 인센티브를 제공하여 더욱 발전했으며 마침내 딥 강화 학습이 제공됩니다.

이제 이러한 각 범주를 더 자세히 살펴 보겠습니다.

지도 학습

지도 학습은 아이가 걸을 수 있도록 훈련하는 것과 유사합니다. 아이가 스스로 걷는 법을 배울 때까지 아이의 손을 잡고 발을 앞으로 뻗는 방법을 보여주고 시연을 위해 스스로 걷는 등의 방법을 보여줍니다.

회귀

마찬가지로지도 학습의 경우 컴퓨터에 알려진 구체적인 예를 제공합니다. 주어진 특성 값 x1에 대해 출력은 y1, x2의 경우 y2, x3의 경우 y3 등이라고 말합니다. 이 데이터를 기반으로 컴퓨터가 x와 y 사이의 경험적 관계를 파악하도록합니다.

머신이 충분한 수의 데이터 포인트로 이러한 방식으로 훈련되면 이제 주어진 X에 대해 Y를 예측하도록 머신에 요청합니다.이 주어진 X에 대한 Y의 실제 값을 알고 있다고 가정하면 다음을 추론 할 수 있습니다. 기계의 예측이 올바른지 여부.

따라서 알려진 테스트 데이터를 사용하여 머신이 학습했는지 여부를 테스트합니다. 기계가 원하는 수준의 정확도 (예 : 80 ~ 90 %)로 예측을 수행 할 수 있다고 만족하면 기계 훈련을 더 이상 중지 할 수 있습니다.

이제 기계를 사용하여 알려지지 않은 데이터 포인트에 대한 예측을 수행하거나 Y의 실제 값을 모르는 주어진 X에 대해 Y를 예측하도록 기계에 요청할 수 있습니다.이 훈련은 우리가 이야기 한 회귀에서 이루어집니다. 일찍이.

분류

분류 문제에 기계 학습 기술을 사용할 수도 있습니다. 분류 문제에서는 유사한 성격의 개체를 단일 그룹으로 분류합니다. 예를 들어 100 명의 학생이 키에 따라 짧게, 중간, 길게 세 그룹으로 그룹화 할 수 있다고 말합니다. 각 학생의 키를 측정하여 적절한 그룹에 배치합니다.

이제 새로운 학생이 들어 오면 키를 측정하여 적절한 그룹에 배치합니다. 회귀 훈련의 원칙에 따라 기계를 훈련하여 학생의 특징 인 키를 기준으로 학생을 분류합니다. 기계가 그룹이 어떻게 형성되는지 학습하면 알려지지 않은 새로운 학생을 올바르게 분류 할 수 있습니다. 다시 한 번 테스트 데이터를 사용하여 개발 된 모델을 프로덕션에 배치하기 전에 기계가 분류 기술을 습득했는지 확인합니다.

지도 학습은 AI가 실제로 여정을 시작한 곳입니다. 이 기술은 여러 경우에 성공적으로 적용되었습니다. 컴퓨터에서 필기 인식을 수행하는 동안이 모델을 사용했습니다. 지도 학습을 위해 여러 알고리즘이 개발되었습니다. 다음 장에서 이에 대해 배울 것입니다.

비지도 학습

비지도 학습에서는 기계에 대한 목표 변수를 지정하지 않고 기계에 "X에 대해 무엇을 알려줄 수 있습니까?"라고 질문합니다. 더 구체적으로, 우리는 거대한 데이터 세트 X가 주어지면 "X에서 만들 수있는 최고의 그룹은 무엇입니까?"와 같은 질문을 할 수 있습니다. 또는 "X에서 가장 자주 발생하는 기능은 무엇입니까?" 이러한 질문에 대한 답을 얻으려면 기계가 전략을 추론하는 데 필요한 데이터 포인트 수가 매우 많다는 것을 이해할 수 있습니다. 지도 학습의 경우 약 수천 개의 데이터 포인트로 기계를 훈련 할 수 있습니다. 그러나 비지도 학습의 경우 학습에 합리적으로 허용되는 데이터 포인트의 수는 수백만에서 시작됩니다. 요즘에는 데이터가 일반적으로 풍부하게 제공됩니다. 데이터에는 이상적으로 큐레이팅이 필요합니다. 그러나 소셜 영역 네트워크에서 지속적으로 흐르는 데이터의 양은 대부분의 경우 데이터 큐 레이션이 불가능한 작업입니다.

다음 그림은 감독되지 않은 기계 학습에 의해 결정된 노란색과 빨간색 점 사이의 경계를 보여줍니다. 기계가 상당히 정확한 정확도로 각각의 검은 색 점의 등급을 결정할 수 있다는 것을 분명히 알 수 있습니다.

출처:

https://chrisjmccormick.files.wordpress.com/2013/08/approx_decision_boun dary.png

비지도 학습은 얼굴 감지, 물체 감지 등과 같은 많은 최신 AI 애플리케이션에서 큰 성공을 거두었습니다.

강화 학습

애완견 훈련을 고려하고, 우리는 우리에게 공을 가져 오도록 애완 동물을 훈련시킵니다. 우리는 공을 일정한 거리로 던지고 개에게 공을 다시 가져 오도록 요청합니다. 개가 제대로 할 때마다 우리는 개에게 보상합니다. 천천히, 개는 일을 올바르게하는 것이 그에게 보상을 준다는 것을 알게되고, 개는 미래에 매번 올바른 방식으로 일을 시작합니다. 정확히이 개념은 "강화"유형의 학습에 적용됩니다. 이 기술은 처음에는 기계가 게임을하기 위해 개발되었습니다. 기계에는 게임의 각 단계에서 가능한 모든 동작을 분석하는 알고리즘이 제공됩니다. 기계는 무브 중 하나를 무작위로 선택할 수 있습니다. 이동이 옳다면 기계는 보상을 받고 그렇지 않으면 불이익을받을 수 있습니다. 천천히, 기계는 옳고 그름을 구별하기 시작할 것이고, 몇 번의 반복 후에 더 나은 정확도로 게임 퍼즐을 푸는 법을 배울 것입니다. 기계가 점점 더 많은 게임을할수록 게임 승리의 정확성이 향상됩니다.

전체 프로세스는 다음 다이어그램에 설명되어 있습니다.

이 기계 학습 기술은 레이블이 지정된 입력 / 출력 쌍을 제공 할 필요가 없다는 점에서지도 학습과 다릅니다. 초점은 새로운 솔루션 탐색과 학습 된 솔루션 활용 사이의 균형을 찾는 데 있습니다.

딥 러닝

딥 러닝은 ANN (인공 신경망), 특히 CNN (Convolutional Neural Network)을 기반으로 한 모델입니다. 심층 신경망, 심층 신념 네트워크, 순환 신경망 및 컨볼 루션 신경망과 같은 심층 학습에 사용되는 여러 아키텍처가 있습니다.

이러한 네트워크는 컴퓨터 비전, 음성 인식, 자연어 처리, 생물 정보학, 약물 설계, 의료 이미지 분석 및 게임 문제를 해결하는 데 성공적으로 적용되었습니다. 딥 러닝이 능동적으로 적용되는 다른 여러 분야가 있습니다. 딥 러닝에는 엄청난 처리 능력과 방대한 데이터가 필요하며 요즘에는 일반적으로 쉽게 사용할 수 있습니다.

다음 장에서 딥 러닝에 대해 더 자세히 이야기 할 것입니다.

심층 강화 학습

심층 강화 학습 (DRL)은 심층 학습과 강화 학습의 기술을 결합합니다. 이제 Q- 학습과 같은 강화 학습 알고리즘이 딥 러닝과 결합되어 강력한 DRL 모델을 생성합니다. 이 기술은 로봇 공학, 비디오 게임, 금융 및 의료 분야에서 큰 성공을 거두었습니다. 이전에 해결할 수 없었던 많은 문제가 이제 DRL 모델을 생성하여 해결됩니다. 이 분야에서 많은 연구가 진행되고 있으며 이것은 산업계에서 매우 적극적으로 추구하고 있습니다.

지금까지 다양한 기계 학습 모델에 대해 간략히 소개했습니다. 이제 이러한 모델에서 사용할 수있는 다양한 알고리즘에 대해 조금 더 자세히 살펴 보겠습니다.