본문 바로가기

📖 Theory/AI & ML15

전통적인 머신러닝 모델: SVM, Decision Tree, Random Forest, Gradient Boosting 오늘은 머신러닝에서 전통적이고 기본이 되는 네 가지 주요 알고리즘을 개념적으로 살펴볼 거예요. SVM(Support Vector Machine), Decision Tree, Random Forest, Gradient Boosting은 각각 독특한 특징과 강력한 예측 성능을 가진 알고리즘으로, 머신러닝의 기초를 이루는 중요한 모델들입니다.1. SVM (Support Vector Machine)1.1. 개념SVM은 주어진 데이터에서 두 클래스를 가장 잘 구분하는 경계(Decision Boundary)를 찾는 데 초점이 있어요.이 경계를 Hyperplane이라고 부르며, 데이터를 분리하는 선 또는 면을 의미합니다. SVM의 핵심은 이 Hyperplane과 데이터를 구분하는 마진을 최대한으로 넓히는 것입니다. .. 2024. 12. 9.

[AI/ML] Matrix Factorization(행렬 분해)와 머신러닝 머신러닝 관련 공부를 하다보면 행렬에 관한 이야기가 참 많이 나오죠. 정말 지긋지긋한데 그렇다고 또 늘 완벽히 이해하지는 못하는 분야이기도 해요...ㅠ 오늘은 생각난 김에 행렬 분해에 대한 내용을 정리해 보려 합니다. 행렬 분해(Matrix Factorization)는 하나의 행렬을 더 작은 행렬들의 곱으로 분해해 표현하는 방법입니다. 이러한 행렬 분해를 사용하면, 데이터의 크기를 줄이면서도 중요한 정보를 보존할 수 있어요. 데이터를 단순히 압축하는 데 그치지 않고, 그 안에 숨겨진 패턴이나 관계를 찾아내는 데도 정말 유용하답니다. 예를 들어, 추천 시스템에서 사용자와 아이템 간의 선호도를 나타내는 대규모 행렬이 있을 때, 이를 분해하면 각 사용자와 아이템의 잠재적인 특징을 발견할 수 있어요. 이렇게 발.. 2024. 12. 9.

[AI/ML] 경사 하강법 (Gradient Descent Algorithms): 딥러닝 모델 최적화를 위한 알고리즘 오늘은 딥러닝에서 핵심적인 최적화 알고리즘인 Gradient Descent (경사 하강법) 에 대해 알아보려고 해요. 이 알고리즘이 딥러닝 모델을 학습하고 최적화하는 데 어떻게 활용되는지 함께 살펴보겠습니다. 경사 하강법의 개념Gradient Descent는 함수의 기울기(Gradient)를 이용하여 함수의 최솟값을 찾아가는 최적화 알고리즘입니다. 딥러닝에서는 손실 함수(Loss Function)의 값을 최소화하기 위해 많이 사용됩니다. 동작 원리기본 개념:경사 하강법은 초기에 임의의 파라미터에서 시작하여, 각 단계에서 손실 함수의 그래디언트를 계산하고, 그래디언트의 반대 방향으로 파라미터를 조정하여 최적화를 수행합니다.주요 단계:초기화(Initialization): 파라미터(가중치와 편향)를 임의의 값.. 2024. 7. 11.

[AI/ML] 딥러닝 핵심 개념: Back Propagation (오차 역전파)의 이해와 응용 오늘은 딥러닝에서 핵심적인 개념인 Back Propagation (오차 역전파) 에 대해 깊이 있는 설명을 해보려고 해요. 이 개념을 이해하는 것은 딥러닝 모델을 구축하고 최적화하는 데 매우 중요한 요소입니다. Back Propagation이란? Back Propagation은 딥러닝에서 신경망 모델을 학습시킬 때 사용되는 알고리즘입니다. 모델의 출력 값과 실제 값 사이의 오차를 역방향으로 전파하여 각 파라미터가 오차에 얼마나 기여했는지 계산하고, 이를 기반으로 모델의 파라미터를 업데이트합니다. 동작 원리 1. 순전파 (Forward Propagation) : 입력 데이터를 신경망에 입력하고, 각 레이어에서 가중치와 활성화 함수를 사용하여 출력을 계산하는 과정입니다. 2. 오차 계산 (Error Cal.. 2024. 7. 11.

[AI/ML] 머신러닝 : 지도학습, 비지도학습, 강화학습 이해하기 🌟 머신러닝의 핵심, 지도학습, 비지도학습, 강화학습을 자세히 알아보아요! 🤖 지도학습지도학습은 입력 데이터와 그에 대응하는 정답 데이터(라벨)을 함께 사용하여 모델을 학습시키는 방법입니다. 이 방법은 데이터의 각 샘플이 입력과 정답으로 구성되어 있어야 합니다. 예를 들어, 이메일이 스팸인지 아닌지를 구분하는 분류 문제나 이미지에서 객체를 인식하는 문제 등에서 사용될 수 있어요.주요 예시:분류(Classification): 예측하려는 값이 범주형 데이터인 경우 사용됩니다. 예를 들어, 이메일이 스팸인지 아닌지 분류하거나 고객이 특정 제품을 구매할지 예측하는 문제 등이 있어요.회귀(Regression): 예측하려는 값이 연속적인 숫자인 경우 사용됩니다. 예를 들어, 주식 가격 예측이나 주택 가격 예측 .. 2024. 7. 11.

[AI/ML] 머신러닝의 정의와 기본 개념 머신러닝이란 무엇일까요? 🤔머신러닝은 인공지능의 한 분야로, 컴퓨터가 데이터를 학습하고 패턴을 찾아 작업을 수행할 수 있게 만드는 기술입니다. 여기서 '학습'이라 함은 데이터로부터 규칙이나 패턴을 추출하여 문제를 해결하는 과정을 말해요. 🤖 📚 기본 개념을 살펴보면, 머신러닝은 크게 지도학습, 비지도학습, 강화학습으로 나뉩니다. - 지도학습: 입력 데이터와 그에 상응하는 정답(라벨)을 이용해 모델을 학습시키는 방식입니다. 예를 들어, 이메일이 스팸인지 아닌지를 구분하는 분류 문제나 손글씨를 인식하는 문제 등이 여기에 속해요. - 비지도학습: 정답 데이터 없이 데이터의 패턴이나 구조를 발견하려는 학습 방식입니다. 데이터를 스스로 분류하거나 군집화하거나 차원을 축소하는 방법 등이 있어요. 이런 기술은 .. 2024. 7. 11.

이전 1 2 3 다음

티스토리툴바