인공지능(AI) 학습 방법

인공지능(AI) 학습 방법

지도 학습(Supervised Learning)

• 개념: 지도 학습은 입력 데이터(독립 변수, X)와 정답(종속 변수, y)을 모두 제공하여 학습하는 방법입니다. 학습 시 데이터에 대해 명확한 정답을 제공하므로, 모델은 입력 데이터와 정답 간의 관계를 학습하게 됩니다.
• 용도: 주로 회귀와 분류 문제를 해결하는 데 사용됩니다.
• 세부 유형:
  • 분류(Classification) 모델: 정답(y)이 특정 클래스(범주형)로 분류되도록 학습하는 모델입니다. 예를 들어, 이진 분류는 두 가지 범주로 분류하고, 다중 클래스 분류는 여러 범주로 분류합니다. 텍스트 분류, 이미지 분류와 같이 자연어 처리와 영상 처리에서도 자주 사용됩니다.
  • 회귀(Regression) 모델: 정답(y)이 연속적인 값인 예측을 수행하는 모델입니다. 예를 들어, 주택 가격 예측에서는 단순 선형 회귀 모델, 비선형 회귀 모델, 다중 선형 회귀 모델을 사용합니다. 회귀 모델은 연속형 변수의 값을 예측하며, 독립 변수의 개수와 학습 알고리즘에 따라 모델의 종류가 달라질 수 있습니다.

비지도 학습(Unsupervised Learning)

• 개념: 비지도 학습은 입력 데이터(독립 변수, X)만을 제공하여 모델이 스스로 데이터를 분석하고 패턴을 찾아내도록 학습하는 방법입니다. 정답이 없기 때문에 데이터의 군집화, 이상치 탐지, 차원 축소와 같은 작업에 많이 활용됩니다.
• 용도: 데이터 전처리, 패턴 발견, 관계 파악 등에 사용됩니다.
• 세부 유형:
  • 군집(Clustering)과 계층 군집(Hierarchical Clustering): 데이터를 유사한 그룹으로 나누는 작업입니다. 예를 들어, 고객 세그먼테이션에서는 소비자들의 구매 패턴을 바탕으로 그룹화하여 마케팅에 활용합니다.
  • 이상치 탐지(Outlier Detection): 데이터 중에서 일반적인 패턴과 다른 이상 데이터를 찾아내는 작업입니다. 주로 사기 탐지나 품질 관리 등에 사용됩니다.
  • 특이치 탐지(Novelty Detection): 정상적인 데이터 범주 내에서 벗어난 새로운 특이한 데이터(새로운 유형의 이상 데이터)를 탐지하는 작업입니다.
  • 시각화(Visualization): 고차원의 데이터를 2D 또는 3D 형태로 시각화하여 인간이 데이터를 직관적으로 이해할 수 있도록 변환하는 작업입니다.
  • 차원 축소(Dimensionality Reduction): 데이터의 특성 수를 줄여 더 간단하게 표현하는 작업입니다. 데이터 간소화와 속도 개선에 유용하며, 주로 PCA(주성분 분석)가 사용됩니다.
  • 연관 규칙 학습(Association Rule Learning): 데이터 내의 변수 간 관계를 파악하는 작업입니다. 예를 들어, 장바구니 분석에서는 자주 함께 구매되는 제품 간의 연관성을 분석하여 마케팅 전략에 활용할 수 있습니다.

강화 학습(Reinforcement Learning)

• 개념: 강화 학습은 보상과 벌칙이라는 피드백을 통해 에이전트가 학습하는 방식입니다. 에이전트가 환경 내에서 특정 행동을 수행하고, 그 결과에 따라 보상이나 벌칙을 받으며, 최적의 정책을 찾도록 학습합니다.
• 용도: 자율주행, 로봇 공학, 게임 AI 등에 사용됩니다.
• 주요 개념:
  • 에이전트(Agent): 학습을 통해 환경에서의 최적의 행동을 찾는 역할을 합니다.
  • 환경(Environment): 에이전트가 상호작용하는 시스템을 의미하며, 보상과 벌칙이 제공되는 곳입니다.
  • 정책(Policy): 에이전트가 각 상태에서 어떤 행동을 선택해야 할지 결정하는 전략입니다.
  • 보상(Reward): 에이전트의 행동이 긍정적이었는지를 알려주는 피드백입니다.