기계 학습와 지도 학습

바로 가기: 차이점, 유사점, Jaccard 유사성 계수, 참고 문헌.

기계 학습와 지도 학습의 차이

기계 학습 vs. 지도 학습

학습(機械學習) 또는 머신 러닝()은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말. 가령, 기계 학습을 통해서 수신한 이메일이 스팸인지 아닌지를 구분할 수 있도록 훈련할 수 있. 기계 학습의 핵심은 표현(representation)과 일반화(generalization)에 있. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이. 학습 (Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이.

데이터 마이닝

이터 마이닝(data mining)은 대규모로 저장된 데이터 안에서 체계적이고 자동적으로 통계적 규칙이나 패턴을 찾아 내는 것이.

기계 학습와 데이터 마이닝 · 데이터 마이닝와 지도 학습 · 더보기 »

비 지도 학습

비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속. 이 방법은 지도 학습(Supervised Learning) 혹은 강화 학습(Reinforcement Learning)과는 달리 입력값에 대한 목표치가 주어지지 않. 자율 학습은 통계의 밀도 추정(Density Estimation)과 깊은 연관이 있. 이러한 자율 학습은 데이터의 주요 특징을 요약하고 설명할 수 있. 자율 학습의 예로는 클러스터링(Clustering)을 들 수 있. 또 다른 하나의 예로는 독립 성분 분석(Independent Component Analysis)이 있.

기계 학습와 비 지도 학습 · 비 지도 학습와 지도 학습 · 더보기 »

인공지능

인공지능(人工知能)은 기계로부터 만들어진 지능을 말. 컴퓨터 공학에서 이상적인 지능을 갖춘 존재, 혹은 시스템에 의해 만들어진 지능, 즉 인공적인 지능을 뜻. 일반적으로 범용 컴퓨터에 적용한다고 가정.

기계 학습와 인공지능 · 인공지능와 지도 학습 · 더보기 »

인공신경망

인공 신경망은 노드들의 그룹으로 연결되어 있으며 이들은 뇌의 방대한 뉴런의 네트워크과 유사하다. 위 그림에서 각 원모양의 노드는 인공 뉴런을 나타내고 화살표는 하나의 뉴런의 출력에서 다른 하나의 뉴런으로의 입력을 나타낸다. 인공신경망(人工神經網)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이.

기계 학습와 인공신경망 · 인공신경망와 지도 학습 · 더보기 »

준 지도 학습

준 지도 학습()이란 기계 학습(Machine Learning) 의 한 범주로 목표값이 표시된 데이터와 표시되지 않은 데이터를 모두 훈련에 사용하는 것을 말. 대개의 경우 이러한 방법에 사용되는 훈련 데이터는 목표값이 표시된 데이터가 적고 표시되지 않은 데이터를 많이 갖고 있. 이러한 준 지도 학습은 목표값이 충분히 표시된 훈련 데이터를 사용하는 지도 학습과 목표값이 표시되지 않은 훈련 데이터를 사용하는 자율 학습 사이에 위. 많은 기계 학습 연구자들이 목표값이 없는 데이터에 적은 양의 목표값을 포함한 데이터를 사용할 경우 학습 정확도에 있어서 상당히 좋아짐을 확인하였.

기계 학습와 준 지도 학습 · 준 지도 학습와 지도 학습 · 더보기 »

컴퓨터 비전

비전(Computer Vision)은 기계의 시각에 해당하는 부분을 연구하는 컴퓨터 과학의 최신 연구 분야 중 하나이.

기계 학습와 컴퓨터 비전 · 지도 학습와 컴퓨터 비전 · 더보기 »

패턴 인식

인식()은 인지과학(Cognitive Science)과 인공지능(Artificial Intelligence) 분야에 속하는 문제 중 하나이.

기계 학습와 패턴 인식 · 지도 학습와 패턴 인식 · 더보기 »

서포트 벡터 머신

선형 SVM이 두 자료(흰색 원, 검은색 원)을 직선으로 분리하고 있다. 서포트 벡터 머신(support vector machine, SVM* 은 기계 학습의 분야 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용한다. 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, SVM 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만든다. 만들어진 분류 모델은 데이터가 사상된 공간에서 경계로 표현되는데 SVM 알고리즘은 그 중 가장 큰 폭을 가진 경계를 찾는 알고리즘이다. SVM은 선형 분류와 더불어 비선형 분류에서도 사용될 수 있다. 비선형 분류를 하기 위해서 주어진 데이터를 고차원 특징 공간으로 사상하는 작업이 필요한데, 이를 효율적으로 하기 위해 커널 트릭을 사용하기도 한다.

기계 학습와 서포트 벡터 머신 · 서포트 벡터 머신와 지도 학습 · 더보기 »