3.tensorflow, 머신러닝에서 태스크, 알고리즘,모델에 대해서 간단하게 정리하고 알아보자.

블로그 목적

• 머신러닝안에서 태스크 / 알고리즘 / 모델에 대해서 알아본다.

머신러닝에서 말하는 태스크란?

• 머신러닝이 해결해야 하는 문제임.
• 그럼, 태스크의 대한 성능이란 의미는?
  • 문제가 해결될 수 있다고 확신할 수 있는 일종의 수준을 의미함.
  • 여러 종류 데이터셋 / 다양한 알고리즘을 적용 하면,
    • 결과적으로, 많은 종류의 모델이 만들어 짐.
  • 결론적으로, 여러종류의 모델에 대한 일관성 있는 성능 측정이 필요함.

머신러닝에서 말하는 알고리즘이란?

• 머신러닝에서 알고리즘 적용 시 필요한것은 ?
  • 하나, 문제를 명확하게 이해해야함.
  • 둘,  문제 파악의 명확함속에서, 어떤데이터에 해당하는 알고리즘이 적합한지와 적용가능한지 여부를 아는 것이 중요함.
    • 왜냐하면, 세상에 알고리즘이 너무많이 때문에....-_-;;;
• 그럼, 알고리즘은 어떻게 나눌 수 있을까?
  • 하나, 학습법 기준으로 나눴을때, 
    • 지도학습
    • 비지도 학습
    • 강화학습
    • 준지도 학습
    • 딥러닝
    • 기타 등등
  • 둘, 어떤 문제를 해결하느냐를 기준으로 나눴을때,
    • 분류
    • 회귀
    • 클러스터링
    • 최적화
    • 기타 등등
  • 정리하자면,
    • 다양한 데이터에 위에 열거한 알고리즘을 반복적으로 적용해서 결과적으로 생성된 모델은 신규 데이터를 통한 지속적 성능향상이 가능해질 수 있음.

머신러닝에서 말하는 모델이란?

• 모델은 데이터셋에 알고리즘을 적용한 결과물을 말함.
  • 즉, 머신러닝 구현의 핵심요소라고 볼 수 있음.
  • 새로운 패턴을 학습 / 예측 할 수 있도록, 신규 데이터에 적용됨.
• 그럼, 모델을 한번 구분해 보자.
  • 논리적 모델
    • 논리적 모델은, 알고리즘을 반복적으로 실행시켜서 규칙을 만들 수 있음.
      • 즉, 알고리즘에 더 가까운 모습을 띔
  • 기하 모델
    • 기하 모델은, 선/면/거리 같은 기하학 개념을 활용함
    • 그리고, 대규모 데이터를 다루는데 사용됨.
  • 확률 모델
    • 확률 모델은, 통계적 기법을 이용하는 통계 모델을 말함.
      • 즉, 핵심은 확률변수사이에 있는 관계를 정의하는 것을 말함.

결론

• 머신러닝을 공부할때, 태스크 / 알고리즘 / 모델에 대한 기초적인 정의는 꼭 머리에 입력해 두자.
• 오늘도, 머신러닝안에서 태스트 / 알고리즘 / 모델에 대한 지식 한가지 획득완료! 감사합니다.

---