[모두의 딥러닝2] 2. 기본적인 ML의 용어와 개념 설명

https://youtu.be/qPMeuL2LIqY

 

모두의 딥러닝 LEC1 강에서는 기본적인 용어에 대한 설명을 해주셨다.  

 

Supervised learning: 지도학습

• learning with labeled examples - training set
• ex) 이미지 라벨링, 스팸 필터링, 시험성적 예측기 등...

Unsupervised learning: 비지도학습

• ex) 뉴스 그룹핑, 단어 분류기 등...

[데이터에 따른 학습 분류]

 

말그대로 답안지가 되는 데이터셋을 주고 학습을 시키느냐, input의 특징을 머신이 잡아내어 분류하게 하느냐로

지도학습과 비지도학습을 나눌 수 있다. 

 

그 중에서도 이 강의에서는 지도학습을 더 상세히 다루었다. 

좀 더 세부적인 분류로 들어가보자면,

 

Supervised learning

• regression (ex. 0~100점 스케일에서 투자한 시간 대비 시험 성적 데이터 기반으로 점수 예측)
• binary classification (ex. pass/non-pass로 시험 성적 예측)
• multi-label classification (ex. A,B,C,D,F로 시험 성적 예측)

 

여기서 'regression'이란 용어는 선형 회귀 분석, 로지스틱 회귀 등 정말 많이 접했다.

그런데 regression이 뭐냐고 묻는다면 명확히 설명할 수 없었는데,

이번 강의를 계기로 regression에 대해 정확하게 알아보게 되었다.

 

[위키백과]

 

결국 종속변수와 독립변수 사이의 인과관계를 밝히는 분석 방법인데, 어째서 '회귀'라는 용어를 붙이냐?

[위키백과]

위 그래프를 보면, y값은 조금씩의 오차는 있지만 결국은 하나의 직선으로 회귀하고 있다. 

따라서 위와 같은 회귀를 보인다면, 그 다음 x값에 대한 y값도 위 관계를 근거로 예측해낼 수 있는 것이다. 

여기서 몇 개의 변수 사이의 관계를 규명하느냐, 구체적으로 어떤 회귀 분석 방법을 선택하느냐에 따라

회귀의 종류가 달라지긴 하지만, 어쨌든 기반이 되는 원리는 이러하다.

 

 

 

---

 

앞으로의 강의는 regression을 좀 더 상세하게 다룰 예정인 듯 하다.

하루 하루 듣는 강의만 똑바로 이해하고 성실히 공부해나가자!

할 수 있다!