[AI] 머신러닝의 비지도 학습(K-means 클러스터링)과 강화 학습

2. 머신러닝의 비지도 학습 + 강화 학습

 

 

 

# 비지도 학습

: 주어진 입력에 대응하는 출력 정보 없이 학습하며 데이터 분류에 대한 정보가 전혀 없이 패턴을 찾거나 데이터를 분류하려고 할 때 사용하는 학습 방법

 

- 데이터에 레이블을 사용하지 않는다.

- 주로 블로그에서 주제별로 구분할때나 네트워크상에서의 비정상적인 접근을 탐지할 때 활용된다,

 

 

 

 

# 비지도 학습 방법 - 1. K-means 클러스터링

: 유사한 특성을 가진 k개의 데이터 그룹으로 묶는 방법으로, 우리말로 'K-평균 군집화'라고도 한다. 네트워크 침입과 악의적 활동을 탐지하거나 유사한 이미지를 그룹화하는 데에 사용된다.

 

- 클러스터와 클러스터 중심점

: 각 클러스터에는 클러스터 중심이 있고, 주어진 데이터 집합에 대해 k개의 클러스터 중심점을 찾는다.

이때 각 점은 다른 중심점보다 지정된 클러스터 중심점에 더 가깝다

 

 

- K-means 클러스터링의 장단점

장점	단점
알고리즘이 비교적 간단하고 수행 속도가 빠르다.	클러스터링의 개수 k와 최초로 지정하는 중심점들에 따라 결과가 달라질 수 있다.

 

 

 

 

 

# 비지도 학습 방법 - 1. K-means 클러스터링

: 추천을 위해 연관 데이터 정의에 도움을 주는 클러스터링 방법으로, 사용자의 선호도를 예측하는 정보 필터링의 일종이다. 상업적으로 활용되기도 하며, 금융 서비스 추천, 식당 추천 등에 널리 활용된다.

 

 

 

 

# 강화 학습

: 시행착오를 통해 보상하는 행동 학습으로 최적의 값을 추구하기 위해 당근과 채찍을 사용한다.

 

- 일반적인 지도 학습과는 달리 입출력이 쌍으로 된 훈련 집합으로 제시되지 않는다.

- 보상이 주어지는 문제 해결에 효과적이며, 로봇이나 엘리베이터 제어 및 체스나 바둑같은 게임에 주로 응용된다.