머신러닝 처음 시작하기(인프런) - 01강 머신러닝 개념 및 정의

https://www.inflearn.com/course/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D-%EC%B2%98%EC%9D%8C-%EC%8B%9C%EC%9E%91%ED%95%98%EA%B8%B0/dashboard

머신러닝 처음 시작하기 (기초 원리 + 초급 실습) - 인프런 | 강의

01 머신러닝 개념 및 정의

• 인공지능 > 머신러닝 > 딥러닝
• 지도학습 : 분류 / 회귀
  데이터에 대해서 올바른 정답이 있는 데이터 집합이 주어지는 경우
  올바른 정답 = label ex) 주가 예측 - 가격이라는 정답이 input data에 주어져 있음.
  회귀 = 연속적인 값을 찾는 것. 예측 변수를 이용하여 예측하는 것.
  분류 = 미리 정의된 여러 레이블 중 하나를 예측하는 것. 이진 분류와 다중분류.
• 비지도학습 : 군집 / 시각화
  input data에 대해서 올바른 정답이 없는 데이터 집합이 주어지는 경우
  군집 = 구글 뉴스. 특정 토픽들 간 유사도가 있으면 묶음. 비슷한 것들끼리 하나의 cluster로..
• 준지도학습: 지도학습+비지도학습
  ex 사진 속에서 얼굴을 알아보고 태그하는 기능.
• 강화학습: ex 알파고.
  에이전트, 환경, 보상, 상태.
  에이전트가 환경을 탐색하며 자신의 상태를 인지하고 행동을 취하는 데 올바른 행동을 할 경우 보상이 주어짐. 먼저 해보고 판단을 하는 것.
  배고픈 쥐를 상자에 넣고 지렛대를 설치. 돌아다니다가 우연히 지렛대를 눌러서 먹이를 발견하게 되고 이게 반복되면 쥐가 지렛대와 먹이의 상관관계를 발견하게 됨.

피카츄배구.. 어쩌라고...

• 일반화 : Training 데이터와 Input 데이터가 달라져도 똑같은 성능으로 출력하기 위한 목적.
  과대적합 / 과소 적합
  과대적합: Training일때는 정확도가 너무 잘 맞는데 input 데이터는 그 정확도에 미치지 못할 때. 훈련 데이터를 더 많이 모으거나 정규화를 시키거나 훈련 데이터의 잡음을 줄여 해결할 수 있음.
  과소적합: 과대적합과 반대되는 경우. 너무 단순해서 ... 제대로 파악할 수 없을 때... 충분히 학습시켜야함..

첫 강의를 들어보니.. 정말 겉핥기 식으로 알려주는 것 같고 전공 시간에 짧게 배운 것보다도 간단해서 실망스럽긴 한데, 책을 사놓고도 안 읽을 걸 알기 때문에 일단 한 번 시작이라도 해보려고 한다.

다음학기 졸프를 하려면 뭐라도 해놔야 하지 않을까..😥