기계학습의 유형
기계학습은 데이터를 활용하는 방식에 따라 지도학습, 비지도학습, 강화학습으로 구분 할 수 있다.
데이터를 이용하여 학습할 때 사전에 정답이 있는 데이터를 활용하여 학습하는 것을 지도학습이라고 하며, 정답을 알려주지 않고 데이터만을 제시하여 학습하는 방법을 비지도학습이라고 한다.
이 외에 강화학습은 답을 직접 알려주지 않고 컴퓨터가 제시한 답안에 대해 보상을 다르게 줌으로써 정답에 가까워지도록 하는 방법으로, 행동을 할 때마다 외부 환경에서 주어지는 보상이 최대치가 되도록 학습한다. 기계학습 유형에 따라 이를 실제적으로 구현하는 절차나 방법을 기계학습 알고리즘이라고 한다. 기계학습 알고리즘에는 대표적으로 지도학습에 해당하는 회귀, 분류 알고리즘이 있으며, 비지도학습에는 군집 알고리즘 등이 있다.
지도학습
지도학습은 입력 데이터와 정답 데이터를 함께 사용하여 기계학습 모델을 학습시키는 방법이다. 입력 데이터와 그 정답에 해당하는 속성도 함께 제공되므로 학습 결과에서의 오류 여부와 성능을 쉽고 명확하게 평가할 수 있다. 지도학습에서는 훈련데이터와 테스트 데이터를 사용한다. 훈련 데이터는 학습 모델을 만들기 위해 사용되며, 테스트 데이터는 모델의 성능을 평가하기 위해 사용된다. 인공지능은 훈련 데이터를 기반으로 지도학습이 끝난 후 회귀와 분류 등의 작업을 할 수 있다. 지도학습은 회귀와 분류를 통해 문자 인식, 음성 인식, 이미지 인식, 스팸 메일 분류, 유전자를 통한 질병 여부 진단, 주식가격 예측 등의 여러분야에서 활용되고 있다.
비지도학습
비지도학습은 정답 데이터 없이 입력 데이터만으로 이루어진 훈련 데이터를 사용하여 모델을 학습시키는 방법이다. 데이터를 입력하면 컴퓨터는 자체적인 방식으로 데이터를 유사한속성값을 갖는그룹으로 묶는다. 정답 데이터가 주어지지 않기 때문에 컴퓨터는 입력 데이터의 특징을 분석하여 패턴이나 특정 규칙을 찾아내야 한다. 비지도학습은 훈련 데이터에 숨겨진 새로운 정보를 찾고자 할 때 유용하다. 또한 고차원 데이터의 복잡성을 낮추어 특징을 추출하는 차원 축소, 서로 비슷한 특징을 가진 데이터끼리 그룹화하는 군집, 이상치를 탐색하는 이상 탐지 등의 작업에 활용된다.
강화학습
강화학습은 판단할 때마다 외부 환경에서 보상을 제공하고, 이 보상의 값을 최대화하기 위한 방향으로 학습을 진행한다. 사람이 상을 받으면 특정 행동을 더 늘리고 벌을 받으면 특정행동을 줄이는 것과 같이, 현재 상태에서 선택 가능한 행동들 중 보상이 가장 큰 경우를 선택하여 해당 방향으로 학습을 진행한다. 강화학습은 사전에 환경에 대한 명확한 정답이 없는 상황에서 학습하고 적응하는 과정을 따르기 때문에 지능 에이전트의 학습 과정에 유용하게 활용된다. 또한 소비 패턴 분석을 통한 마케팅 전략 수립 등의 최적화 문제에 주로 활용되고 있다.