머신러닝 문제 유형의 구분
- 머신러닝 문제는 크게 지도학습, 비지도학습, 강화학습으로 나눌 수 있음
- 지도학습은 정답이 있는 과거 데이터로 예측이나 분류를 수행
- 비지도학습은 정답 없이 데이터 안의 구조와 숨은 패턴을 탐색
- 강화학습은 선택 결과를 보상으로 받아 더 나은 행동을 학습
지도학습
- 지도학습(supervised learning): 정답이 있는 과거 데이터로 배우는 방식
- 입력(
x)과 출력(y)이 짝지어진 데이터셋이 있을 때, x로부터 y를 예측하는 함수를 학습
- 새 데이터의 결과를 예측하거나 분류
- 아직
y가 관찰되지 않은 x에 학습된 함수를 적용해 y를 예측
- 머신러닝의 90% 이상을 차지하는 학습 형태
회귀와 분류
- 회귀(regression): 종속변수(
y)가 연속적인 경우
- 숫자 값을 예측하는 문제
- 오차를 줄이는 것이 중요
- 예: 선박 제원과 운항 조건으로 연료 소모량 예측
- 분류(classification): 종속변수(
y)가 이산적인 경우
- 여러 범주 중 하나를 고르는 문제
- 오분류를 줄이는 것이 중요
- 예: 용접 조건으로 불량 여부 예측
비지도학습
- 비지도학습(unsupervised learning): 정답 없이 데이터 안의 구조를 찾는 방식
- 비슷한 대상을 묶거나 많은 변수를 요약
- 답을 맞히기보다 숨은 패턴을 탐색
- 군집분석(clustering): 서로 비슷한 대상을 같은 그룹으로 묶기
- 차원 축소(dimensionality reduction): 많은 변수를 적은 축으로 요약
- 예: 여러 설비 센서 값을 2차원으로 줄여 상태 변화 확인
강화학습
- 강화학습(reinforcement learning): 선택의 결과를 보상으로 받아 더 나은 행동을 배우는 방식
- 구성 요소: 상태(state), 행동(action), 보상(reward)
- 목표: 여러 번의 선택 끝에 누적 보상이 커지는 의사결정 규칙 찾기
- 정답표보다 시행착오, 결과 피드백, 장기 성과가 중요
- 예시
- 설비 제어 조건을 조정하며 품질과 에너지 사용량 균형 탐색
- 물류 로봇의 이동 경로를 반복 학습해 이동 시간과 충돌 위험 감소
