안녕하세요.
나는 오늘부터 기계를 배우고 싶다.나는 배운 것을 총결하고 싶다.

기계 학습

기계 학습이라는 단어는 몇 가지 정의가 있다.아서 세무어는 1959년 일반 신문과의 인터뷰에서'프로그래밍이 명확하지 않고 컴퓨터 학습 능력을 부여하는 연구 분야'라고 정의했다.또한 톰 M 미첼은 더욱 엄격한 정의를 내렸다. "컴퓨터 프로그램은 특정한 임무 T와 평가 척도 P에서 경험 E를 배워서 임무 T의 성능을 P로 평가할 때 경험 E가 그 상황을 개선시켰다."
예를 들어 일기예보를 하고 싶다고 가정해 보세요.이때'모종의 임무 T'는'날씨 예측'을 가리키고,'평가 척도 P'는'이 일기예보가 얼마나 정확한지 평가하는 기준'을 가리키며,'경험 E'는 실제 기상 데이터를 가리킨다.
즉, 머신러닝은'어떤 과제의 구체적인 지시가 이루어지지 않아도 컴퓨터는 추리와 모델을 이용하여 이 과제를 해결할 수 있는 알고리즘'이라고 할 수 있다.

교사의 학습이 있다

교사의 학습이 있고'정확한 답안'이 있다는 것은 알고리즘으로 하여금 그런 답안을 예측하게 하는 학습을 가리킨다.교사의 학습은 다음과 같은 두 가지가 있다.

분류 문제

어떤 정보를 정할 때, 때때로 그것이 A인지 B인지 C인지 분류하려고 한다.이런 문제를'분류문제'라고 한다.우선 구체적으로 살펴보자.
예를 들어 다음 그림은 X군의 시험 성적과 다음날 학교에 올지 안 올지를 보여 준다.

이때 전날 시험 점수로 X군이 다음날 학교에 올지 안 올지 예측한다.20분 정도면 다음 날 X군이 올지 상상하기 힘든 반면 80분 정도면 올지 짐작할 수 있다.
이 그림도 아래와 같이 쓸 수 있다.

빨간색 X는 결석, 파란색 X는 출석을 표시한다.혹은

이렇게 분수와 강수량처럼 때로는 두 개 이상의 데이터를 사용한다.

이렇게 선을 그으면 다음날 X군이 학교에 올지 안 올지 추측할 수 있다.여기에는 2개의 특징이 사용되어 3개, 4개의 무한한 특징량을 사용할 수 있다.
이렇게 문제를 분류하여 이산적인 문제를 처리하다.

회귀 문제

다른 한편, 회귀 문제 처리의 연속적인 값.예를 들면 집의 가격.아래 그림은 Y역에서 그 집까지의 거리와 집의 가격을 조사한 데이터입니다.

이 데이터에 근거하여 어떤 집의 가격을 추측하는 수단 중 하나는 다음과 같은 몇 가지가 있다.

이렇게 직선을 그리면 역까지의 거리와 집 가격의 대체적인 관계를 알 수 있다.혹은

이렇게 2차 함수로 근사할 수도 있다.이처럼 아까의 분류 문제와 달리 연속적이다.
여기까지 교사의 공부를 봤어요.다음은 정답 데이터를 제공하지 않는 무교사 학습을 살펴보자.

무교사 학습

어떤 교사는 학습이'정답'이 있는 학습 방법이라고 말한다.그럼 교사의 학습 없이'정확한 답안'이 없나요?말하자면, 그렇다.나는 너에게 정확한 답안을 주지 않을 것이다.그럼 뭘 할 수 있을까요?주로 다음과 같은 두 가지가 있다.

집합

교사가 없는 공부에서 할 수 있는 일의 대표적 예에는 군집이라고 불리는 것이 있다.

그래서 우리가 어떤 분포된 데이터를 제시할 때

이렇게 분포가 집중된 곳을 판별할 수 있다.

데이터 세트 변환 (교사 변환 없음)

예를 들어 Y군의 특징을 물어보면 ↓이라고 한다.

이런 상황에서'중요한 것은 Y군이 똑똑하고 일을 잘한다'는 생각이 들겠지.이처럼 더 적은 데이터로 여러 특징량으로 구성된 데이터를 요약하는 것을'차원 삭감'이라고 한다.이런 상황에서'열심가','철이 든다','언어를 잘한다'등 Y군의 특징은 여러 가지 특징량으로 구성된 데이터로'똑똑하고 유능한 사람'이후의 데이터를 요약한 것이다.이 차원 감소는 데이터 집합 변환에서 가장 자주 사용하는 방법이다.
그럼 이번 기계학습은 도대체 어떻게 된 일입니까?전체적인 개념.