[머신러닝, 딥러닝]모두를 위한 딥러닝 lec - 0, 1
모두를 위한 딥러닝 - 1
목표
- 머신러닝 알고리즘에 대한 기본적인 이해
- 딥러닝을 이해하기 위한 기본적인 알고리즘 Linear regression, Logistic regression(이 두 개만 제대로 이해해도 머신러닝은 나름 이해했다고 생각할 수 있다.)
모두를 위한 딥러닝 - 2
용어와 개념 정리
목차
- what is ML?
- what is learning?
- what is supervise?
- what is unsupervised?
- what is regression?
- what is classification?
머신러닝은 명시적 프로그램의 한게 때문에 나오게 됐다. ex) 스팸필터, 자율주행
Supervised learning(지도 학습)
- 레이블이 정해져있는 데이터(training set)를 가지고 학습함.
- ex) 이미지가 무엇인지 알아내는 것
Unsupervised learning : un-labeled data
- 구글 뉴스 (자동적으로 비슷한 뉴스를 grouping함)
- Word clustering(비슷한 단어를 모음)
- 데이터를 보고 스스로 학습함. 그래서 비지도학습이라고 함.
Supervised learning
Training data set
- 지도학습에서 사용되는 머신러닝은 이렇게 생각할 수 있다.
- 머신러닝이라는 모델이 있고, 이미 답(레이블, y값)이 정해져있고, x라는 feature가 있다. 이런 데이터를 가지고 학습을 한 레이블을 가지고 학습을 하게된다. 그럼 모델이 생겨난다.
- Xtest = [9,3,6] 이런 값이 주어지면, ML모델은 내 생각은 답(Y)가 3이다 하고 결과가 나온다. 이것이 지도학습의 형태이다.
지도학습의 종류
- 소비한 시간을 이용해서 시험 성적 예측 시스템을 만든다. 성적이란 것은 범위가 0~100점인데 범위가 넓다. 이런 예측을 하는 것을 regression이라고 한다.
- regression
- 시험을 단순히 소비한 시간을 이용해서 pass/non-pass 인지 확인해보자.
- binary classification
- 시간에 따라서 어떤 학점을 받을까 예측하는 시스템
- multi-label classficaion
지도학습을 다룰 때는 대개 3가지인 위의 것을 다룬다. 지도학습은 training data가 주어진다.
적용 예시
시험 점수 예측 예시
regression이다.
패스 / 논패스 예측 예시
binary classification이다.
학점 예측
multilevel-classification이다.