본문으로 이동

특징 공학

위키백과, 우리 모두의 백과사전.

(특징 추출에서 넘어옴)

기계 학습과 데이터 마이닝

패러다임 지도 학습 비지도 학습 준지도 학습 자기 지도 학습 강화 학습 메타 학습 온라인 기계 학습 배치 학습 커리큘럼 학습 규칙 기반 기계 학습 신경-기호 AI 뉴로모픽 엔지니어링 양자 기계 학습
문제 분류 생성 모델링 회귀 군집화 차원 축소 밀도 추정 이상 탐지 데이터 정제 AutoML 연관 규칙 의미 분석 구조적 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (분류 • 회귀) 도제 학습 결정 트리 앙상블 배깅 부스팅 랜덤 포레스트 k-NN 선형 회귀 나이브 베이즈 인공 신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신 (RVM) 서포트 벡터 머신 (SVM)
군집화 BIRCH CURE 계층적 k-평균 퍼지 기댓값 최대화 (EM) DBSCAN OPTICS 평균 이동
차원 축소 인자 분석 CCA ICA LDA NMF PCA PGD t-SNE SDL
구조적 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형
이상 탐지 RANSAC k-NN 국소 특이점 요인 고립 포레스트
인공 신경망 오토인코더 딥 러닝 순방향 신경망 순환 신경망 LSTM GRU ESN 리저버 컴퓨팅 볼츠만 머신 제한된 GAN 확산 모델 SOM 합성곱 신경망 U-Net LeNet 알렉스넷 딥드림 신경장 신경 방사장 물리정보 신경망 트랜스포머 비전 맘바 스파이킹 신경망 멤트렌지스터 ECRAM
강화 학습 Q 러닝 정책 경사법 SARSA 시간차 학습 (TD) 다중 에이전트 셀프 플레이
인간 참여 학습 액티브 러닝 크라우드소싱 휴먼인더루프 기계적 해석 가능성 RLHF
모델 진단 결정계수 혼동 행렬 러닝 커브 ROC 곡선
수학적 이론 커널 머신 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 오캄 학습 PAC 러닝 통계적 학습이론 VC 이론 위상 수학적 딥 러닝
회의/저널 AAAI ECML PKDD NeurIPS ICML ICLR IJCAI ML JMLR
관련 문서 인공지능 용어집 기계 학습 연구를 위한 데이터 세트 목록 컴퓨터 비전 및 이미지 처리 데이터 세트 목록 기계 학습 개요
v t e

특징 공학(feature enginnering) 또는 피처 엔지니어링은 도메인 지식을 이용해 원자료를 가공하여 특징을 추출하는 작업이다.^[1]

과정

특징 공학 과정은 다음과 같다.^[2]

특징을 브레인스토밍하거나 테스트^[3]
어떤 특징을 만들지 결정
특징 만들기
확인된 기능이 작업에 미치는 영향을 테스트
필요하다면 특징을 개선
반복

같이 보기

각주

↑ “Machine Learning and AI via Brain simulations”. 《Stanford University》. 2019년 8월 1일에 확인함.
↑ “Big Data: Week 3 Video 3 - Feature Engineering”. 《youtube.com》.
↑ Jalal, Ahmed Adeeb (2018년 1월 1일). “Big data and intelligent software systems”. 《International Journal of Knowledge-based and Intelligent Engineering Systems》 22 (3): 177–193. doi:10.3233/KES-180383. S2CID 56487811 – content.iospress.com 경유.

이 글은 공학에 관한 토막글입니다. 여러분의 지식으로 알차게 문서를 완성해 갑시다.

원본 주소 "https://ko.wikipedia.org/w/index.php?title=특징_공학&oldid=39660682"

기계 학습

숨은 분류: