케라스 창시자에게 배우는 딥러닝 - 4.1 - 머신 러닝의 네 가지 분류

지도 학습(Supervised learning)

• 지도 학습의 목표는 훈련 데이터의 입력과 타깃 사이에 있는 관계를 학습하는 것이다.
• 샘플 데이터가 주어지면 알고있는 타깃(꼬리표(annotation)라고도 합니다)에 입력 데이터를 매핑하는 방법을 학습한다.
• 변종
  • 시퀀스 생성(sequence generation) : 사진이 주어지면 이를 설명하는 캡션(주석)을 생성한다.
  • 구문 트리(syntax tree) 예측 : 문장이 주어지면 분해된 구문 트리를 예측한다.
  • 물체 감지(object detection) : 사진이 주어지면 사진 안의 특정 물체 주위에 경계 상자(bounding box)를 그린다.
  • 이미지 분할(image segmentation) : 사진이 주어졌을 때 픽셀 단위로 특정 물체에 마스킹(masking)을 한다.

 

 

비지도 학습(Unsupervised learning)

• 타깃을 사용하지 않고 입력 데이터에 대한 변환을 찾는다.
• 차원 축소(dimensionality reduction)와 군집(clustering)이 비지도 학습에서 잘 알려진 범주다.
• 대아터 시각화, 데이터 압축, 데이터의 노이즈 제거

 

자기 지도 학습(Self-Supervised learning)

• 지도 학습의 특별한 경우
• 사람이 만든 레이블을 사용하지 않는다.
• 경험적인 알고리즘(heuristic algorithm)을 사용해 입력 데이터로부터 레이블을 생성한다.
• 오토인코더(autoencoder)가 잘 알려진 자기 지도 학습의 예

 

강화 학습(reinforcement learning)

• 에이전트(agent)는 환경에 대한 정보를 받아 보상을 최대화하는 행동을 선택하도록 학습된다.
• 대부분 연구 영역이고 게임 분야에서 성공 사례가 존재한다.

 

 

오토인코더(autoencoder)

• 타깃이 있고 손실 함수를 최소화하도록 학습되기 때문에 지도 학습으로 보이지만, 입력 데이터의 차원 축소 용도로 사용될 때는 비지도 학습으로 볼 수 있다.