기계 학습

위키백과, 우리 모두의 백과사전.
이동: 둘러보기, 검색

기계 학습(machine learning)은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 가령, 기계 학습을 통해서 수신한 이메일이 스팸인지 아닌지를 구분할 수 있도록 훈련할 수 있다.

기계 학습의 핵심은 표현(representation)과 일반화(generalization)에 있다. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이다. 이는 전산 학습 이론 분야이기도 하다. 다양한 기계 학습의 응용이 존재한다. 문자 인식은 이를 이용한 가장 잘 알려진 사례이다.

정의[편집]

1959년, 아서 사무엘은 기계 학습을 "컴퓨터에게 배울 수 있는 능력, 즉 코드로 정의하지 않은 동작을 실행하는 능력에 대한 연구 분야"라고 정의하였다.

일반화[편집]

기계 학습에서의 일반화는 훈련 이후 새롭게 들어온 데이터를 정확히 처리할 수 있는 능력을 말한다.

기계 학습과 데이터 마이닝[편집]

  • 기계 학습은 훈련 데이터를 통해 이미 알려진 속성을 기반으로 예측하는 능력을 의미한다.
  • 데이터 마이닝은 데이터의 미처 몰랐던 속성을 발견하는 것에 집중한다. 이는 데이터베이스지식 발견 부분의 분석 절차에 해당한다.

이론[편집]

이론 전산학의 한 갈래이다. 훈련 데이터는 유한한데, 결과는 불확실하며, 학습 이론을 통해 알고리즘의 결과를 장담할 수 없기 때문이다. 또한 다른 용어를 사용함에도 불구하고 통계적 추론과도 많은 유사점이 있다.

알고리즘 유형[편집]

접근 방법별 알고리즘[편집]

결정 트리 학습법[편집]

연관 규칙 학습법[편집]

인공 신경망[편집]

유전 계획법[편집]

귀납 논리 계획법[편집]

서포트 벡터 머신[편집]

클러스터링[편집]

베이지안 네트워크[편집]

강화 학습법[편집]

표현 학습법[편집]

동일성 계측 학습법[편집]

주제별 알고리즘[편집]

같이 보기[편집]