• AL과 ML
  • AL과 ML 소개 영상
  • Linear Regression
  • Naive Bayes 모형

AL과 ML

AL과 ML 소개 영상

머신러닝과 통계학과는 아주 밀접한 관계가 있다.

지도학습(Supervised Learning) - 자동차 사진을 주고 training시킨다. 자동차를 분류(classfication)할 수 있도록 학습하는 것. 결정 트리로 예측할 수 있다?

비지도학습(Unsupervised Learning) - 여러 개의 사진을 주고 비슷한 사진을 찾아라. 예를 들어서 x축이 키, y축이 나이라고 했을 때 분류할 수 있도록.

k-means 알고리즘. 각각의 데이터 포인트를 계산해서 기준점에서 얼마나 가까운지?

딥러닝(Representation Learning) - 의미가 있는 dimension은 남겨줘야 한다. 예를 들어 얼굴 인식을 할 때 처음에는 픽셀단위, 그다음은 경계선, 그 다음은 눈, 그 다음은 얼굴 순으로, layer 순으로 하게 된다. 눈 알고리즘, 입 알고리즘 등…

Visual Intelligence. 숫자 필기 인식. ImageNet. Language Intelligence, Machine Translation

강화학습

Linear Regression

분류와 차이가 있다. 이것의 결과는 3.5 6.2처럼 값을 내주는 것이 Regression. 가격을 예측할 때, 돈을 얼마나 쓸 것이냐 이런 것도 regression. 어떤 라인이 맞는지 컴퓨터가 알아들을 수 있도록 해야한다.

여러 regression이 있다. w가 좋은 w인지, 안 좋은 w인지 기준을 판단해주는 것이 RSS(Residual Sum of Squares) 예측된 y값과 현재 y값의 차이를 가장 줄일 수 있도록 하는 것.

ridge regression은 w를 찾는데 w는 아주 큰 값들은 좋지 않다. 큰 값들은 빼도록… y값을 잘 찾아주는 w와 큰 값이 아닌 w를 찾자.

overfiting은 ?? 차이가 얼마나 나느냐.

Naive Bayes 모형

기본 모형이다. 베이스 라인같은 개념.

Featrue - data detail

아이를 안고 있는 남자의 결혼했을 확률.

어떤 색깔을 가지고 있나… 데이터를 feature화 시킨 것.

각각의 픽셀 값을 정하는 것. 잘 구해내와야 한다.

단어의 빈도수.

확률을 곱할 때 0이 있으면 모두 0이 되기 때문에 조심.

데이터가 1000개 있다면 나눠서 써야 한다. 한 꺼번에 못 쓴다. 어떤 feature를 등록해야 분류를 잘 할 수 있을까.