Machine Learing

• 지도 학습 알고리즘

다양한 알고리즘과 계산 기술이 지도형 머신러닝 프로세스에 사용되며, 종종 Python과 같은 프로그램을 사용하여 계산됩니다. 지도 학습 알고리즘에는 다음이 포함됩니다.

1.  에이다부스트 or 그래디언트 부스팅 : 적응형 부스팅이라고도 하는 이 기법은 성능이 떨어지는 회귀 알고리즘을 더 약한 알고리즘과 결합하여 오류가 적은 더 강력한 알고리즘을 구축합니다. 부스팅은 여러 기본 추정기의 예측 능력을 결합합니다.

2. 인공 신경망 : ANN, 신경망 또는 시뮬레이션 신경망(SNN)이라고도 알려진 인공 신경망은 머신 러닝 기술의 하위 집합으로 딥 러닝 알고리즘의 핵심입니다. 학습자 알고리즘은 뉴런이라는 빌딩 블록을 사용하여 입력 데이터의 패턴을 인식하고, 지속해서 훈련되고 수정되는 인간 뇌의 뉴런을 근사화합니다.

3. K-최근접 이웃 : KNN이라고도 하는 이 비모수 알고리즘은 사용 가능한 다른 데이터와의 근접성 및 연관성을 기준으로 데이터 포인트를 분류합니다. 유사한 데이터 포인트가 서로 근처에서 발견될 수 있다고 가정합니다. 그 결과, 일반적으로 유클리드 거리를 사용해 데이터 포인트 간의 거리를 계산한 다음 가장 빈도가 높은 카테고리 또는 평균을 기준으로 카테고리를 할당합니다. 

• 비지도 학습 알고리즘

지도 학습과 달리 비지도 학습은 레이블이 지정되지 않은 데이터를 사용합니다. 알고리즘은 이 데이터로부터 클러스터링 또는 연관 문제를 해결하는 데 도움이 되는 패턴을 발견합니다. 이는 주제별 전문가가 데이터 세트 내의 공통 속성을 잘 모를 때 특히 유용합니다. 일반적인 클러스터링 알고리즘은 계층적, K-평균, 가우스 혼합 모델 및 PCA 및 t-SNE와 같은 차원 감소 방법입니다.

1.  클러스터링 : 이 알고리즘은 데이터의 패턴을 식별하여 그룹화할 수 있습니다. 클러스터링 알고리즘은 인간이 간과한 데이터 항목 간의 차이점을 식별하여 데이터 과학자를 도울 수 있습니다.

2.  계층적 클러스터링 : 데이터를 클러스터 트리로 그룹화합니다. 계층적 클러스터링은 모든 데이터 포인트를 별도의 클러스터로 처리하는 것으로 시작됩니다. 그런 다음, 이러한 단계를 1) 서로 가장 가까운 두 개의 클러스터를 식별하는 단계, 2) 최대 비교 가능한 두 개의 클러스터를 병합하는 단계의 순서로 반복적으로 실행합니다. 이 단계는 모든 클러스터가 병합될 때까지 계속됩니다.

3.  K-평균 클러스터링 : 레이블이 없는 데이터 내 그룹을 서로 유사한 데이터 그룹을 찾아 다른 클러스터로 식별합니다. 'K-평균'이라는 이름은 클러스터를 정의하는 데 사용하는 구심점에서 유래했습니다. 특정 클러스터의 중심에 있는 포인트가 다른 중심에 있는 포인트보다 더 가까우면 특정 클러스터에 할당됩니다.

• 준지도 학습 알고리즘

이 경우 학습은 주어진 입력 데이터의 일부에만 레이블이 지정되었을 때 발생하므로 알고리즘에 약간의 '유리한 출발점'을 제공합니다. 이 접근 방식은 지도 머신러닝과 관련된 정확도 향상과 비지도 머신러닝의 경우와 같이 비용 효율적인 레이블이 없는 데이터를 사용할 수 있는 능력이라는 두 가지 장점을 결합합니다.