[IT/AI] 머신러닝의 세 가지 유형(지도학습, 비지도학습, 강화학습)

📌레이블이란? 

- 머신러닝 모델이 무언가를 학습할 때 정답에 해당하는 개념입니다. 

- 예를 들어, 스팸 메일 필터링에서 레이블은 각 이메일이 스팸인지 아닌지에 대한 정보입니다. 이메일을 학습할 때 "이 메일은 스팸" 또는 "이 메일은 스팸이 아님"과 같은 레이블을 사용하여 모델은 스팸을 구별하는 방법을 학습하고, 이후에 새로운 이메일이 도착하면 스팸 여부를 예측할 수 있게 됩니다. 간단히 말하면, 레이블은 모델이 원하는 결과를 학습하도록 도와주는 정보입니다.

---

1. 지도학습 (Supervised Learning)

정의:

지도학습은 모델이 입력 데이터와 함께 레이블을 학습하여 새로운 데이터에 대한 예측을 할 수 있게 하는 방법입니다.

특징:

• 레이블이 주어진 데이터 학습: 모델은 입력 데이터와 해당하는 레이블을 이용하여 학습합니다.
• 예측 모델 구축: 학습된 모델은 새로운 입력에 대한 예측을 수행합니다.

장단점:

• 장점: 정확한 예측이 가능하며, 데이터의 패턴을 잘 학습합니다.
• 단점: 레이블이 필요하고, 학습에 많은 양의 데이터가 필요합니다.

사례:

• 이미지 분류: 손글씨 숫자를 인식하는 모델
• 스팸 필터: 이메일이 스팸인지 아닌지 분류하는 모델

---

2. 비지도학습 (Unsupervised Learning)

정의:

비지도학습은 레이블이 없는 데이터에서 패턴이나 구조를 찾아내는 방법입니다.

특징:

• 레이블 없는 데이터: 모델은 레이블 없이 입력 데이터의 구조를 학습합니다.
• 패턴 발견: 모델은 데이터의 내재된 패턴이나 구조를 찾아냅니다.

장단점:

• 장점: 데이터에서 의미 있는 특징을 발견하고, 레이블이 없는 데이터에 적용 가능합니다.
• 단점: 모델의 성능을 평가하기가 어려울 수 있습니다.

사례:

• 군집 분석: 비슷한 특성을 갖는 데이터끼리 그룹화
• 차원 축소: 데이터의 특성을 보존하면서 차원을 축소

---

3. 강화학습 (Reinforcement Learning)

정의:

강화학습은 에이전트가 환경과 상호작용하며 보상을 최대화하기 위해 행동을 선택하는 학습 방법입니다.

특징:

• 시행착오 학습: 에이전트가 환경에서 시행착오를 통해 학습합니다.
• 보상 기반 학습: 좋은 행동에 대한 보상을 최대화하려고 합니다.

장단점:

• 장점: 동적이고 변화하는 환경에서 효과적으로 학습 가능합니다.
• 단점: 보상 함수를 정의하는 것이 어려울 수 있습니다.

사례:

• 게임 AI: 게임에서 최적의 전략을 학습하는 AI
• 자율 주행 자동차: 환경에서 안전하게 운전하는 데 사용

---

머신러닝의 정의, 특징, 유형

https://riwltnchgo.tistory.com/101

[AI] 머신러닝 (정의, 특징, 유형 )