[5분 AI] 머신러닝 학습 방법 4가지

 

 

 

1. 머신러닝 학습 방법 

 

1.1 지도학습 (Supervised Learning) 

 

 지도학습은 입력 데이터와 해당 데이터에 대한 정답(label)이 있는 상태에서 모델을 학습시키는 방법입니다. 예를 들어, 고양이와 개의 이미지를 분류하는 모델을 만들기 위해, 각 이미지에 '고양이' 또는 '개'라는 레이블을 붙여 학습합니다. 주요 알고리즘에는 선형 회귀, 로지스틱 회귀, 서포트 벡터 머신, 의사결정 나무, 랜덤 포레스트, 그리고 신경망 등이 있습니다. 

 

- 정답이 있는 데이터를 활용하여 데이터를 학습시키는 방법 

 

 

 

1.2 비지도 학습 (Unsupervised Learning) 

 

 비지도 학습은 입력 데이터에 레이블이 없는 상태에서 데이터의 구조를 학습하는 방법입니다. 주요 목적은 데이터의 패턴이나 군집을 찾는 것입니다. 예를 들어, 고객 데이터를 클러스터링하여 고객 세그먼트를 나누는 작업 등이 있습니다. 주요 알고리즘에는 K-평균 클러스터링, 계층적 클러스터링, 주성분 분석(PCA), 그리고 이상치 탐지가 있습니다. 

 

- 정답이 없는 데이터를 군집화하여 새로운 데이터에 대한 결과를 예측하는 방법 

 

 

 

1.3 준지도 학습 (Semi-Supervised Learning) 

 

준지도 학습은 일부 데이터에만 레이블이 있고, 나머지 데이터는 레이블이 없는 상태에서 모델을 학습시키는 방법입니다. 이 방법은 레이블을 얻는 비용이 높은 상황에서 유용합니다. 모델은 레이블이 있는 데이터로 초기 학습을 하고, 레이블이 없는 데이터를 이용해 추가 학습을 진행합니다. 

 

- 명확한 정답이 존재하나 정답이 있는 데이터를 구하기 어려울 때사용 

 

 

1.4 강화 학습 (Reinforcement Learning) 

 

강화 학습은 에이전트가 환경과 상호작용하면서 보상을 최대화하도록 학습하는 방법입니다. 에이전트는 특정 상태에서 행동을 취하고, 그 결과로 보상을 받으며, 이 보상을 최대화하기 위한 정책을 학습합니다. 주로 게임, 로봇 제어, 자율 주행 등의 분야에서 사용됩니다. 주요 알고리즘에는 Q-러닝, SARSA, 심층 Q-네트워크(DQN) 등이 있습니다. 

 

- 주어진 환경에서 어떤 행동을 취하고 이로부터 어떤 보상을얻으면서 학습을 진행 

 

 

 

2. 학습 방법별 장단점 

 

학습방법	장점	단점
지도학습	- 높은 예측 정확도 - 명확한 목표 및 평가 기준 - 다양한 알고리즘 사용 가능	- 많은 레이블된 데이터 필요 - 데이터 레이블링 비용이 높음 - 새로운 클래스에 대해 일반화 어려움
비지도 학습	- 레이블 없는 데이터에서도 학습 가능 - 데이터의 패턴 및 구조 발견 - 데이터 차원 축소 가능	- 예측 정확도가 낮을 수 있음 - 결과 해석이 어려울 수 있음 - 레이블이 없어 평가가 어려움
준지도 학습	- 적은 레이블된 데이터로도 학습 가능 - 레이블링 비용 절감 - 성능 향상 가능	- 모델 복잡성 증가 - 레이블된 데이터가 필요함 - 데이터 품질에 민감
강화 학습	- 장기적인 보상 최적화 - 자율적 의사결정 가능 - 다양한 환경에 적용 가능	- 학습 시간이 길 수 있음 - 대규모 데이터 필요 - 잘못된 보상 설정 시 학습 실패 가능

 

 

 

<참고사이트> 

1. 머신 러닝(Machine Learning)의 3가지 학습 방식 

https://strongai.tistory.com/3 

2. 시각딥러닝을 이용한 영상처리 5강