고전적 머신러닝

인공지능 개념 (COMP5511) 6강에 오신 것을 환영합니다. 이번 세션은 이론적 기초에서 실용적이고 알고리즘적인 구현으로 이어지는 다리 역할을 합니다. 현대 AI가 종종 딥러닝을 강조하지만, 고전적 머신러닝 데이터 분석의 근간으로 남아 있습니다. 이러한 알고리즘은 높은 해석 가능성 과 계산 효율성을 제공하여 정형 데이터와 업계 표준 분석에서 선호되는 선택지가 되고 있습니다.

1. 지도 학습

이 패러다임은 레이블이 있는 데이터셋에서 모델을 훈련시키는 방식으로, 알고리즘은 입력 특성과 특정 목표 출력 사이의 관계를 학습합니다. 이를 통해 모델은 결과를 예측할 수 있으며, 새로운 미지의 데이터에 대해서도 정확하게 수행할 수 있습니다.

• 의사결정 트리: 데이터를 분기로 나누어 분류 또는 수치적 결정에 도달하는 모델.
• 서포트 벡터 머신 (SVM): 서로 다른 데이터 클래스 간의 마진을 최대화하기 위해 최적의 초평면 을 찾는 알고리즘.

2. 비지도 학습

이 알고리즘들은 레이블이 없는 데이터 를 분석하여 출력이 무엇이어야 하는지에 대한 사전 정보 없이 숨겨진 패턴, 구조 또는 그룹을 발견합니다. 주요 기법은 다음과 같습니다:

• K-평균 클러스터링: 특성 유사성을 기반으로 데이터 포인트를 K개의 서로 다른 그룹으로 묶는 방법.
• 주성분 분석 (PCA): 본질적인 분산을 유지하면서 복잡한 데이터를 단순화하는 차원 축소 기법.