Python Deep Basic 머신 러닝

인공 지능 (AI)은 컴퓨터가 인간의인지 행동 또는 지능을 모방 할 수 있도록하는 모든 코드, 알고리즘 또는 기술입니다. 기계 학습 (ML)은 통계적 방법을 사용하여 기계가 경험을 통해 학습하고 개선 할 수 있도록하는 AI의 하위 집합입니다. 딥 러닝은 머신 러닝의 하위 집합으로 다층 신경망의 계산을 가능하게합니다. 머신 러닝은 얕은 학습으로 간주되는 반면 딥 러닝은 추상화를 통한 계층 적 학습으로 간주됩니다.

기계 학습은 다양한 개념을 다룹니다. 개념은 다음과 같습니다.

• supervised
• unsupervised
• 강화 학습
• 선형 회귀
• 비용 함수
• overfitting
• under-fitting
• 초 매개 변수 등

지도 학습에서는 레이블이 지정된 데이터에서 값을 예측하는 방법을 배웁니다. 여기서 도움이되는 ML 기술 중 하나는 분류이며, 여기서 대상 값은 이산 값입니다. 예를 들어, 고양이와 개. 도움이 될 수있는 기계 학습의 또 다른 기술은 회귀입니다. 회귀는 목표 값에서 작동합니다. 목표 값은 연속 값입니다. 예를 들어 주식 시장 데이터는 회귀를 사용하여 분석 할 수 있습니다.

비지도 학습에서는 레이블이 지정되거나 구조화되지 않은 입력 데이터에서 추론합니다. 백만 개의 의료 기록이 있고이를 이해하고 기본 구조, 이상 값을 찾거나 이상 값을 감지해야하는 경우 클러스터링 기술을 사용하여 데이터를 광범위한 클러스터로 나눕니다.

데이터 세트는 훈련 세트, 테스트 세트, 검증 세트 등으로 나뉩니다.

2012 년의 획기적인 발전으로 딥 러닝 개념이 눈에 띄게되었습니다. 알고리즘은 2 개의 GPU와 빅 데이터와 같은 최신 기술을 사용하여 1 백만 개의 이미지를 1000 개의 범주로 성공적으로 분류했습니다.

딥 러닝과 전통적인 머신 러닝의 관계

전통적인 기계 학습 모델에서 직면하는 주요 과제 중 하나는 특성 추출이라는 프로세스입니다. 프로그래머는 구체적이어야하며 컴퓨터에주의해야 할 기능을 알려야합니다. 이러한 기능은 의사 결정에 도움이됩니다.

알고리즘에 원시 데이터를 입력하는 것은 거의 작동하지 않으므로 특징 추출은 전통적인 기계 학습 워크 플로의 중요한 부분입니다.

이것은 프로그래머에게 막대한 책임을 부여하며 알고리즘의 효율성은 프로그래머가 얼마나 창의적인지에 크게 의존합니다. 물체 인식이나 필기 인식과 같은 복잡한 문제의 경우 이것은 큰 문제입니다.

다중 표현 계층을 학습 할 수있는 딥 러닝은 자동 특징 추출에 도움이되는 몇 안되는 방법 중 하나입니다. 하위 계층은 프로그래머의 안내가 거의 또는 전혀 필요하지 않은 자동 기능 추출을 수행한다고 가정 할 수 있습니다.