주요 학습 방법론 (지도학습, 비지도학습, 강화 학습)

https://www.google.com/url?sa=i&url=https%3A%2F%2Fm.blog.naver.com%2Fk0sm0s1%2F221863569856&psig=AOvVaw3c5phcKBw_Vizu0LOqdAhM&ust=1683447517554000&source=images&cd=vfe&ved=0CBEQjRxqFwoTCPihpuyg4P4CFQAAAAAdAAAAABAZ 

 

지도 학습 (Supervised Learning)

지도 학습은 입력 데이터와 그에 상응하는 정답 레이블이 제공되는 학습 방법입니다. 지도 학습에서 모델은 입력 데이터와 정답 레이블 간의 관계를 학습하며, 새로운 입력 데이터에 대해 정확한 예측을 수행하게 됩니다. 지도 학습의 대표적인 예로는 회귀(Regression)와 분류(Classification) 문제가 있습니다.

회귀와 분류를 설명하는 그림

회귀는 입력 데이터와 관련된 연속적인 값을 예측하는 문제입니다. 회귀 모델은 입력 특성(독립 변수)과 출력 값(종속 변수) 사이의 관계를 찾아 예측을 수행합니다. 예를 들어, 주택의 면적, 위치, 건축 연도 등의 특성을 바탕으로 주택 가격을 예측하는 것이 회귀 문제에 해당합니다.

 

분류는 입력 데이터를 미리 정의된 여러 범주(Class) 중 하나로 분류하는 문제입니다. 분류 모델은 주어진 특성을 기반으로 데이터가 어느 범주에 속하는지 판단합니다. 예를 들어, 이메일의 제목과 내용을 바탕으로 스팸 메일인지 아닌지를 구분하는 것이 분류 문제에 해당합니다.

 

• KNN (K Nearest Neighbors) 
• Linear Regression
• Naive Bayes
• Logistic Regression 
• Support Vector Machine 
• Random Forest 
• ...

---

비지도 학습 (Unsupervised Learning)

비지도 학습은 정답 레이블이 제공되지 않은 상태에서 입력 데이터의 패턴을 찾는 학습 방법입니다. 비지도 학습에서 모델은 입력 데이터의 구조와 패턴을 파악하여, 데이터의 특성을 기반으로 그룹화(Clustering)하거나 차원 축소(Dimensionality Reduction) 등의 작업을 수행합니다. 대표적인 비지도 학습 알고리즘으로는 K-평균 클러스터링(K-means Clustering)과 주성분 분석(PCA, Principal Component Analysis)이 있습니다.

---

강화 학습 (Reinforcement Learning)

강화 학습은 에이전트(Agent)가 환경(Environment)과 상호작용하며, 행동(Action)에 대한 보상(Reward)을 최대화하는 방향으로 학습하는 방법입니다. 강화 학습은 지도 학습과 달리 정답 레이블이 없고, 보상을 통해 학습이 진행됩니다. 강화 학습은 게임, 로봇 제어, 자원 관리 등 다양한 분야에서 활용되며, 대표적인 알고리즘으로는 Q-러닝(Q-Learning)과 딥 Q 네트워크(DQN, Deep Q-Network) 등이 있습니다.