위키원
"비지도학습"의 두 판 사이의 차이
| 2번째 줄: | 2번째 줄: | ||
==개요== | ==개요== | ||
| + | 학습 훈련 데이터(training data)로 출력 없이 입력만 제공되는 상황을 문제(입력)의 답(출력)을 가르쳐 주지 않는 것에 비유해 비지도형 기계 학습, 비지도학습 이라고 한다. 비지도학습은 사람의 해석을 통해 유용한 지식을 추출하는 데 활용되거나 지도학습에서의 원래 입력보다 데이터 특징을 더 잘 표현하는 새로운 입력을 만드는 특징 추출기(feature extractor)로 활용된다. 비지도학습은 통계의 밀도 추정(Density Estimation)과 깊은 연관이 있으며, 데이터의 주요 특징을 요약하고 설명할 수 있다. 비지도학습의 예로는 클러스터링(Clustering), 독립 성분 분석(Independent Component Analysis)이 있다. | ||
| + | |||
==특징== | ==특징== | ||
| + | 비지도학습은 기계학습 중 컴퓨터가 입력값만 있는 훈련 데이터를 이용하여 입력들의 규칙성을 찾는 학습 방법으로 입력의 규칙성에 따라 군집 분석(Cluster analysis), 의존 구조(dependency structure) 학습, 벡터 양자화(vector quantization), 데이터 차원 축소(data dimensionality reduction) 등으로 구분한다. 군집 분석과 의존 구조 학습은 주로 데이터에 내재하는 유용한 정보나 지식을 추출하는 데 활용된다. 예를 들어, 유전자 데이터에서 학습된 유전자 사이의 의존 구조는 생의학 연구자들에게 새로운 지식을 제공할 수 있다. 벡터 양자화와 데이터 차원 축소는 데이터의 잡음과 불필요한 입력을 제거하며, 지식 추출, 데이터 압축 및 특징 추출(feature extraction) 등에 적용된다. 특징 추출은 원래 입력보다 데이터를 더 잘 표현하는 새로운 입력을 만드는 것을 의미하며, 추출된 특징은 지도 학습의 성능을 향상시키는 데 이용된다. | ||
| + | ;군집 분석(Cluster analysis) | ||
| + | :군집 분석(Cluster analysis)은 | ||
| + | |||
| + | ;의존 구조(dependency structure) 학습 | ||
| + | :의존 구조(dependency structure) | ||
| + | ;벡터 양자화(vector quantization) | ||
| + | :벡터 양자화(vector quantization) | ||
| + | ;데이터 차원 축소(data dimensionality reduction) | ||
| + | :데이터 차원 축소(data dimensionality reduction) | ||
==문제점== | ==문제점== | ||
| 8번째 줄: | 20번째 줄: | ||
==참고자료== | ==참고자료== | ||
| + | *한국정보통신기술협회 공식 홈페이지 - http://www.tta.or.kr/ | ||
*〈[https://ko.wikipedia.org/wiki/%EB%B9%84%EC%A7%80%EB%8F%84_%ED%95%99%EC%8A%B5 비지도학습]〉, 《위키백과》, 2019-04-11 | *〈[https://ko.wikipedia.org/wiki/%EB%B9%84%EC%A7%80%EB%8F%84_%ED%95%99%EC%8A%B5 비지도학습]〉, 《위키백과》, 2019-04-11 | ||
| + | *〈[https://terms.naver.com/entry.nhn?docId=5714728&cid=42346&categoryId=42346 비지도형 기계학습]〉, 《네이버 지식백과》, 2018-12-13 | ||
==같이 보기== | ==같이 보기== | ||
2019년 9월 17일 (화) 09:38 판
비지도학습은 기계 학습의 일종으로, 데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속한다. 이 방법은 지도 학습(Supervised Learning) 혹은 강화 학습(Reinforcement Learning)과는 달리 입력값에 대한 목표치가 주어지지 않는다.
개요
학습 훈련 데이터(training data)로 출력 없이 입력만 제공되는 상황을 문제(입력)의 답(출력)을 가르쳐 주지 않는 것에 비유해 비지도형 기계 학습, 비지도학습 이라고 한다. 비지도학습은 사람의 해석을 통해 유용한 지식을 추출하는 데 활용되거나 지도학습에서의 원래 입력보다 데이터 특징을 더 잘 표현하는 새로운 입력을 만드는 특징 추출기(feature extractor)로 활용된다. 비지도학습은 통계의 밀도 추정(Density Estimation)과 깊은 연관이 있으며, 데이터의 주요 특징을 요약하고 설명할 수 있다. 비지도학습의 예로는 클러스터링(Clustering), 독립 성분 분석(Independent Component Analysis)이 있다.
특징
비지도학습은 기계학습 중 컴퓨터가 입력값만 있는 훈련 데이터를 이용하여 입력들의 규칙성을 찾는 학습 방법으로 입력의 규칙성에 따라 군집 분석(Cluster analysis), 의존 구조(dependency structure) 학습, 벡터 양자화(vector quantization), 데이터 차원 축소(data dimensionality reduction) 등으로 구분한다. 군집 분석과 의존 구조 학습은 주로 데이터에 내재하는 유용한 정보나 지식을 추출하는 데 활용된다. 예를 들어, 유전자 데이터에서 학습된 유전자 사이의 의존 구조는 생의학 연구자들에게 새로운 지식을 제공할 수 있다. 벡터 양자화와 데이터 차원 축소는 데이터의 잡음과 불필요한 입력을 제거하며, 지식 추출, 데이터 압축 및 특징 추출(feature extraction) 등에 적용된다. 특징 추출은 원래 입력보다 데이터를 더 잘 표현하는 새로운 입력을 만드는 것을 의미하며, 추출된 특징은 지도 학습의 성능을 향상시키는 데 이용된다.
- 군집 분석(Cluster analysis)
- 군집 분석(Cluster analysis)은
- 의존 구조(dependency structure) 학습
- 의존 구조(dependency structure)
- 벡터 양자화(vector quantization)
- 벡터 양자화(vector quantization)
- 데이터 차원 축소(data dimensionality reduction)
- 데이터 차원 축소(data dimensionality reduction)
문제점
각주
참고자료
- 한국정보통신기술협회 공식 홈페이지 - http://www.tta.or.kr/
- 〈비지도학습〉, 《위키백과》, 2019-04-11
- 〈비지도형 기계학습〉, 《네이버 지식백과》, 2018-12-13
같이 보기
| ||||||||||||||||||||||||||||||||||
