고전적 머신러닝

인공지능 개념 (COMP5511) 6강에 오신 것을 환영합니다. 본 세션은 이론적 기초에서 실용적인 알고리즘 구현으로 나아가는 다리 역할을 합니다. 현대 AI는 종종 딥러닝을 강조하지만, 고전적 머신러닝은 데이터 분석의 근간을 이룹니다. 이러한 알고리즘은 높은 해석 가능성 및 계산 효율성, 따라서 구조화된 데이터 및 산업 표준 분석에 선호되는 선택입니다.

1. 지도 학습

이 패러다임은 레이블이 지정된 데이터셋을 사용하여 모델을 훈련시키는 것으로, 알고리즘은 입력 특징과 특정 목표 출력 간의 관계를 학습합니다. 이를 통해 모델은 새로운 미지의 데이터에 대해 정확하게 결과를 예측할 수 있습니다.

• 결정 트리: 분류 또는 수치 결정을 내리기 위해 데이터를 분기하는 모델입니다.
• 서포트 벡터 머신 (SVM): 서로 다른 데이터 클래스 간의 마진을 최대화하기 위한 최적의 초평면을 찾는 알고리즘입니다.

2. 비지도 학습

이러한 알고리즘은 레이블이 없는 데이터를 분석하여 출력에 대한 사전 안내 없이 숨겨진 패턴, 구조 또는 그룹을 발견합니다. 주요 기술은 다음과 같습니다.

• K-평균 군집화: 특징 유사성에 따라 데이터 포인트를 K개의 서로 다른 그룹으로 그룹화합니다.
• 주성분 분석 (PCA): 필수 분산을 유지하면서 복잡한 데이터를 단순화하는 데 사용되는 차원 축소 기술입니다.