머신러닝 분류 2

기준 : 입력 데이터의 스트림으로부터 점진적으로 학습할 수 있는가?

 

NO! 배치학습 (오프라인 학습)

• 시스템 훈련 후 제품 시스템에 적용하면 더 이상 학습없이 실행된다.(학습한 것을 적용만 함)
• 시간과 자원을 많이 소비하므로 오프라인에서 수행된다. 
  • 보통 24시간마다 또는 매주 훈련시킴(잦은 훈련 필요)
  • 전체 데이터셋 사용하는 훈련 - 많은 컴퓨팅 자원(CPU 메모리공간, 디스크공간 등)필요
• 새로운 데이터에 대해 학습할 땐 전체 데이터셋을 사용하여 시스템의 새로운 버전을 처음부터 다시 훈련

 

YES! 온라인 학습

 

• 데이터를 순차적으로 한 개씩 또는 미니배치(mini-batch)라 부르는 작은 묶음 단위로 주입하여 훈련시킴
• 매 학습 단계가 빠르고 적은 비용이 듦 -- 제품 론칭 후에도 새로운 데이터 도착하는 대로 학습 가능
• 연속적으로 데이터 받고 빠른 변화에 적응 필요한 시스템, 컴퓨팅 자원에 제한된 경우에 적합 (주식 가격)
• 대량의 데이터 처리, 외부메모리학습(점직적 학습) - 데이터 부분으로 나누어 훈련
• 학습률 변화하는 데이터에 얼마나 빠르게 적응하는가?
  • 높은 학습률 = 빠른적응, 예전 데이터를 금방 잊어버림
  • 낮은 학습률 = 느린 학습
• 온라인 학습의 문제점 : 시스템에 나쁜 데이터가 주입되었을 때 시스템 성능 점진적으로 감소
• 해소 : 이전 운영상태로 되돌리기, 모니터링- 감지 시 즉각 학습 중지, 이상치 탐지 알고리즘 등으로 비정상 데이터 잡아내기

 

---

 

기준 : 어떻게 일반화되는가?

 

사례 기반 학습

-훈련 샘플을 기억, 유사도 측정을 이용해 비교하는 방식으로 일반화

 

모델 기반 학습

- 샘플들의 모델을 만들어 예측에 사용

-  모델 : 모델의 종류( 선형 회귀 등) , 완전히 정의된 모델 구조( 하나의 입출력을 가진 선형 회귀), 예측 위해 준비된 훈련된 모델

-  모델 선택 : 모델의 종류 혹은 완전히 정의된 모델 구조를 선택하는 것

- 모델 훈련 : 훈련 데이터에 가장 잘 맞는 모델 파라미터를 찾기 위해 알고리즘 실행하는 것

 

 

 

 

 

 

머신러닝 프로젝트 작업

 

1. 데이터 분석

2. 모델 선택

3. 훈련 데이터로 모델 훈련(모델 파라미터 찾기)

4. 새로운 데이터에 모델 적용해 예측 (추론)

 

 

---