기계 학습 및 초보자를 위한 4가지 주요 유형에 대한 키 노트

빅 데이터가 미래 기술 발전의 주요 부분임에는 의심의 여지가 없습니다. 그러나 머신 러닝(ML)과 인공 지능(A.I)은 모두 이 개발에서 중요한 역할을 합니다. 빅 데이터는 재료, 머신 러닝은 방법, 인공 지능은 결과의 세 가지 관계를 간략하게 설명합니다.

머신 러닝이란 무엇입니까?

기계 학습(ML)은 인공 지능(A.I) 유형 중 하나로서 명시적으로 프로그래밍하지 않고도 시스템이 경험을 통해 자동으로 학습, 적응 및 개선할 수 있는 능력을 시스템에 부여하는 방식으로 알고리즘을 작성합니다. .
머신 러닝 알고리즘은 학습 대상 데이터 유형을 기반으로 하는 모범적인 모델을 구축하며, 이러한 유형의 데이터를 '훈련 데이터'라고 합니다.

머신 러닝의 유형?

머신 러닝 알고리즘에는 다양한 유형이 있으며 일반적으로 4가지 범주로 나눌 수 있습니다. 머신 러닝의 유형은 다음과 같습니다.-

• 지도 학습.
• 비지도 학습.
• 반 지도 학습.
• 강화 학습.
  

지도 학습 

기계가 "학습" 단계에 있는 동안 감독되는 경우 이러한 유형의 교육을 감독 학습이라고 합니다. 기계가 감독 대상이라고 할 때 실제로 의미하는 바는 무엇입니까? ?. 기계가 이전 데이터(과거에 제공된 데이터)를 사용하는 방법을 학습하고 이를 사용하여 입력된 데이터 유형, 즉 이전 데이터를 둘러싼 미래 이벤트를 예측할 수 있도록 하는 방식으로 알고리즘을 적용하는 것이 실제로 의미하는 바는 무엇입니까?

분석이 시작되고 교육 데이터 세트의 모든 자료와 레이블이 지정된 자료는 올바른 출력 값을 예측할 수 있는 방식으로 기계와 상관 관계가 있습니다. 이는 특정 사례에 대한 많은 정보를 기계에 제공한 다음 사례 결과를 제공한다는 의미입니다. 결과는 레이블이 지정된 데이터라고 하며 나머지 정보는 입력 기능으로 사용됩니다. 그런 다음 시스템은 충분한 교육 후에 새로운 입력에 대한 목표를 제공할 수도 있습니다. 알고리즘은 출력을 의도한 출력과 비교하고 차이점을 찾아 그에 따라 모델을 변경할 수 있습니다.

이미지 제공 Artificialintelligence.oodles.io/

대부분 이 방법은 수동 분류로 컴퓨터에서는 가장 쉽고 인간에게는 가장 어렵다. 이 방법의 예는 기계의 표준 응답을 알려주고 기계가 테스트될 때 기계가 항상 표준 응답에 따라 응답하므로 신뢰성도 더 높아집니다.

비지도 학습

지도 학습과 달리 비지도 학습 알고리즘은 기계를 훈련하는 데 사용되는 정보가 분류되거나 레이블이 지정되지 않은 경우에 사용됩니다. 비지도 학습에서 이름에서 알 수 있듯이 사용자가 컴퓨터에 도움을 제공하지 않습니다. 배웁니다.

제공된 재료에는 라벨이 없으며 기계는 데이터의 특성을 일치시켜 재료를 분류합니다. 레이블이 지정된 훈련 세트가 없기 때문에 기계는 데이터에서 사람에게 그다지 명확하지 않은 패턴을 식별합니다.

image Courtesy data-flair.training/

이 방법에는 수동 분류가 없습니다. 사람에게는 가장 쉽지만 컴퓨터에게는 가장 어렵고 훨씬 더 많은 오류를 일으킬 수 있습니다. 시스템은 대부분 의도한 출력을 파악하지 못하지만 제공된 데이터를 조사하고 레이블이 지정되지 않은 데이터에서 숨겨진 구조를 설명하기 위해 데이터 세트에서 관계를 그릴 수 있습니다. 따라서 데이터 비지도 학습의 패턴을 인식하는 것은 매우 유용하며 결정을 내리는 데에도 도움이 됩니다.

반 지도 학습

반 지도 학습은 모든 데이터 관찰에 대한 레이블이 없거나 레이블이 존재하는 지도 학습 및 비지도 학습과 다릅니다.

Semi-supervised에서는 레이블이 지정된(감독) 데이터와 레이블이 지정되지 않은(비감독) 데이터가 모두 훈련에 사용됩니다. SSL은 소량의 데이터에 레이블이 지정되고 많은 양의 데이터에 레이블이 지정되지 않은 두 가지 유형의 학습이 혼합된 것입니다. 기계는 레이블이 지정된 데이터를 통해 기능을 찾은 다음 기본 모델을 사용하여 그에 따라 다른 데이터를 분류해야 합니다. SSL 시스템은 학습 정확도를 크게 향상시킬 뿐만 아니라 더 정확한 예측을 할 수 있습니다.

숙련된 인력이 필요하기 때문에 라벨링 비용이 많이 들기 때문에 가장 많이 사용되는 방법이다. 레이블이 지정되지 않은 데이터를 수집하는 데 일반적으로 추가 리소스가 필요하지 않은 반면 학습하고 학습하려면 관련 리소스가 필요합니다. 대부분의 관찰에는 레이블이 없지만 소수의 경우에는 반 지도 알고리즘이 모델 구축에 가장 적합한 후보로 선호됩니다.

이러한 방법은 레이블이 지정되지 않은 데이터가 더 일반적이기 때문에 그룹 구성원을 알 수 없는 경우에도 매개변수에 대한 정보가 레이블에 포함되어 있고 이를 사용하여 찾을 수 있다는 아이디어의 이점이 있습니다.

강화 학습

강화 학습은 인간이 배우는 방식에 가장 가깝습니다. RML 알고리즘은 기계가 새로운 작업을 구성하여 환경과 반복적으로 상호 작용하고 오류 또는 보상을 발견하는 학습 방법입니다. 긍정적이거나 부정적인 보상 기반 시스템을 사용합니다.

지연 보상을 통한 시행착오 탐색은 강화 학습의 가장 관련성이 높은 특성입니다. 기계는 환경과의 상호 작용에서 수집한 관찰을 사용하여 행동을 구성하고 보상을 최대화하거나 위험을 최소화하는 조치를 취합니다. 이 방법을 사용하면 기계가 특정 컨텍스트 내에서 이상적인 동작을 자동으로 결정하여 성능을 높일 수 있습니다. 강화 학습에는 레이블이 지정된 자료가 없지만 대신 어느 단계가 맞고 그 단계가 틀렸는지에 대한 간단한 피드백이 필요합니다. 이것을 강화 신호라고 합니다.

피드백의 기준에 따라 기계는 최종적으로 올바른 결과를 얻을 때까지 분류를 점진적으로 수정합니다. 비지도 학습에서 일정 수준의 정밀도를 달성하려면 강화 학습의 통합이 필요합니다. 

RML은 아마도 비즈니스 환경에서 가장 생산하고 실행하기 어려울 것입니다. 그러나 자율주행차에 일반적으로 사용되고 있습니다.