Machine Learning

모두의 딥러닝

강의 목표

• 머신러닝에 대한 기본적인 이해
  • Linear regression
  • Logistic regression
• Tensorflow 사용

목차

1. Machine Learning Basics(머신러닝이란 무엇인가)
2. Linear Regression(선형 회귀)
3. Logistic Regression(로지스틱 회귀)
4. Multivariable linear/logistic regression(다중 선형/로지스틱 회귀)
5. Neural networks(뉴럴 네트워크)
6. Deep Learning(딥러닝)
   1. CNN
   2. RNN
   3. Bidirectional Neural networks
7. Machine Learning Basics(머신러닝이란 무엇인가)

1959년 Arthur Samel

• 개발자가 아닌 프로그램이 스스로 데이터를 학습하는 개념 제시

머신러닝의 종류

• Supervised Learning(지도 학습)
  • 데이터와 정답을 같이 학습한다(예측,분류)
• Unsupervised Learning(비지도 학습)
  • 데이터로만 학습하여 정답값을 스스로 유추한다(군집화)
• Reinforsement Leaning(강화 학습)
  • 맞췄을 때는 보상을 틀렸을 때는 패널티를 줘서 스스로 학습 (알파고)

일반적인 문제는 지도학습으로 해결이 가능하다.

• Image Labeling
• Email spam filter
• Predicting exam score

Supervised Leaning(지도 학습)

지도학습은 크게 2가지 종류로 나눌 수 있다.

1. Regression
   1. 연속된 값을 예측
2. Classificaion
   1. 개와 고양이와 같이 이산적인 값을 분류할 때 사용
      • Binary Classification(2가지 분류)
      • Multi-label Classification(3가지 이상 분류) 1959년 Arthur Samel

• 개발자가 아닌 프로그램이 스스로 데이터를 학습하는 개념 제시

머신러닝의 종류

• Supervised Learning(지도 학습)
  • 데이터와 정답을 같이 학습한다(예측,분류)
• Unsupervised Learning(비지도 학습)
  • 데이터로만 학습하여 정답값을 스스로 유추한다(군집화)
• Reinforsement Leaning(강화 학습)
  • 맞췄을 때는 보상을 틀렸을 때는 패널티를 줘서 스스로 학습 (알파고)

일반적인 문제는 지도학습으로 해결이 가능하다.

• Image Labeling
• Email spam filter
• Predicting exam score

Supervised Leaning(지도 학습)

지도학습은 크게 2가지 종류로 나눌 수 있다.

1. Regression
   1. 연속된 값을 예측
2. Classificaion
   1. 개와 고양이와 같이 이산적인 값을 분류할 때 사용
      • Binary Classification(2가지 분류)
      • Multi-label Classification(3가지 이상 분류)

1. Machine Learning Basics(머신러닝이란 무엇인가)

1959년 Arthur Samel

• 개발자가 아닌 프로그램이 스스로 데이터를 학습하는 개념 제시

머신러닝의 종류

• Supervised Learning(지도 학습)
  • 데이터와 정답을 같이 학습한다(예측,분류)
• Unsupervised Learning(비지도 학습)
  • 데이터로만 학습하여 정답값을 스스로 유추한다(군집화)
• Reinforsement Leaning(강화 학습)
  • 맞췄을 때는 보상을 틀렸을 때는 패널티를 줘서 스스로 학습 (알파고)

일반적인 문제는 지도학습으로 해결이 가능하다.

• Image Labeling
• Email spam filter
• Predicting exam score

Supervised Leaning(지도 학습)

지도학습은 크게 2가지 종류로 나눌 수 있다.

1. Regression
   1. 연속된 값을 예측
2. Classificaion
   1. 개와 고양이와 같이 이산적인 값을 분류할 때 사용
      • Binary Classification(2가지 분류)
      • Multi-label Classification(3가지 이상 분류)

Regression
x(hours)	y(score)
10	90
9	80
3	50
2	30

Classification	Binary
x(hours)	y(pass/fail)
10	P
9	P
3	F
2	F

Classification	Multi-label
x(hours)	y(grade)
10	A
9	B
3	D
2	F