지도학습

클러스터링

회귀분석

강화학습

로봇이 물체를 조작하는 방법을 배우는 것

게임에서 캐릭터가 점수를 얻기 위해 행동을 학습하는 것

자동차가 연료를 절약하는 방법을 배우는 것

사람이 요리를 배우는 과정

정답 레이블이 있는 데이터 사용

정답 레이블이 없는 데이터 사용

비지도학습의 데이터 사용

데이터의 정답을 예측하지 않음

에이전트가 데이터를 수집한다.

에이전트가 주어진 정보를 그대로 사용한다.

에이전트가 무작위로 행동한다.

에이전트가 보상을 통해 학습한다.

특징만 포함된 데이터

무작위 데이터

레이블만 포함된 데이터

특징과 레이블이 포함된 데이터

데이터를 정렬하는 것.

데이터를 유사한 그룹으로 나누어 패턴을 발견하는 것.

데이터를 무작위로 섞는 것.

데이터의 크기를 줄이는 것.

에이전트는 보상을 최소화하기 위해 행동을 선택합니다.

에이전트는 환경을 관찰만 하고 행동을 선택하지 않습니다.

에이전트는 환경과 상호작용하며 보상을 최대화하기 위해 행동을 선택하고 학습하는 역할을 합니다.

에이전트는 환경을 변경하는 역할을 합니다.

강화 학습

주성분 분석

K-평균 군집화

선형 회귀, 로지스틱 회귀, 서포트 벡터 머신(SVM), 결정 트리, 랜덤 포레스트, 신경망

K-평균 군집화(K-means clustering)

의사결정 나무(Decision Tree)

회귀 분석(Regression Analysis)

주성분 분석(Principal Component Analysis)

보상은 에이전트의 학습 속도를 늦춘다.

보상은 에이전트의 행동을 무시한다.

보상은 에이전트의 전략을 고정시킨다.

보상은 에이전트의 행동에 대한 피드백 역할을 하여 최적의 전략을 학습하도록 돕는다.

입력 데이터만 수집하고 레이블은 생략한다.

데이터는 무작위로 수집하여 사용한다.

전처리 없이 원본 데이터를 그대로 사용한다.

지도학습의 데이터는 입력과 정답(레이블)을 포함하여 수집하고 전처리하여 준비합니다.

데이터의 양을 늘리기 위함이다.

데이터의 정확성을 높이기 위함이다.

데이터를 무작위로 선택하기 위함이다.

데이터의 복잡성을 줄이고 분석을 용이하게 하기 위함이다.

정책은 에이전트가 행동을 선택하지 않는 경우의 규칙이다.

정책은 에이전트가 모든 상태에서 동일한 행동을 선택하는 규칙이다.

정책은 에이전트가 상태를 무시하고 행동을 선택하는 방법이다.

정책은 에이전트가 상태에 따라 선택할 행동을 결정하는 전략이다.

이미지 분류, 스팸 이메일 탐지, 주가 예측 등

영화 리뷰 분석

음악 추천

날씨 예보

고객 만족도 조사

제품 가격 책정

판매량 예측

고객 세분화

게임에서 점수를 높이는 문제

데이터를 분류하는 문제

로봇이 장애물을 피하면서 목표 지점에 도달하는 문제

로봇이 정해진 경로를 따라 이동하는 문제

지도학습은 모델이 스스로 정답을 찾는 비지도 학습입니다.

지도학습은 데이터 없이 모델을 학습시키는 과정입니다.

지도학습은 정답 레이블 없이 입력 데이터만으로 이루어집니다.

지도학습은 입력 데이터와 정답 레이블을 통해 모델을 학습시키는 과정입니다.

비지도학습의 학습 과정은 레이블이 없는 데이터에서 패턴을 찾는 것이다.

비지도학습은 데이터의 레이블을 수동으로 생성하는 과정이다.

비지도학습은 레이블이 있는 데이터에서 학습한다.

비지도학습은 주어진 데이터의 정확한 예측을 목표로 한다.