머신러닝 정리 1장

1. 머신러닝의 정의?

머신러닝은 기계가 데이터로부터 스스로 학습할 수 있게 하는 것.

학습은 어떤 작업에서 주어진 성능지표가 더 나아지는 것

 

 

  2. 머신러닝이 도움을 줄 수 있는 문제 유형 네가지?   

  

  데이터 마이닝이 필요한 문제 , 복잡한 문제, 변화하는 환경에 적응해야 하는 시스템을 만드는 경우 , 수작업으로 만든 긴 규칙 리스트를 대체해야 하는 경우

 

 

  3. 레이블된 훈련 세트란?

 

  각 샘플에 대한 정답(레이블)을 가지고 있는 훈련 세트

 

 

  4. 가장 많이 사용되는 지도학습 두가지?

  

  회귀, 분류

 

 

  5. 보편적인 비지도학습 네가지?

  

  군집, 시각화, 차원 축소, 연관규칙학습

 

 

 

  6. 사전 정보가 없는 여러 지형에서 로봇이 걸어가게 하려면 어떤 알고리즘을 사용해야 하는가?

  

  강화 학습

 

 

  7. 고객을 여러 그룹으로 분할하는데 사용하는 알고리즘?

 

  그룹이 정의되어있지 않다면 비지도학습(군집 알고리즘), 그룹이 정해져 있다면 지도학습(분류 알고리즘)

 

 

  8. 스팸 감지의 문제는 비지도 학습과 지도학습 중 어느 것?

 

  지도학습 ( 스팸과 아닌것)

 

 

  9. 온라인 학습 시스템이란?

 

  점진적인 학습을 바탕으로 변화에 빠른 적응, 많은 양의 데이터 훈련 가능

 

 

  10. 외부 메모리 학습이란?

 

  컴퓨터 주메모리에 들어갈 수 없는 많은 양의 뎅터 다루기 가능, 데이터를 미니배치로 나누고 온라인 학습기법을 통해 훈련

 

 

  11.예측 위해 유사도 측정에 의존하는 학습 알고리즘은?

 

  사례 기반 학습 시스템

 

 

  12. 모델 파라미터와 학습 알고리즘의 하이퍼파라미터의 차이?

  

  모델은 하나 이상의 파라미터 (선형 학습의 기울기)를 이용해 새로운 샘플이 주어지면 무엇을 예측할지 결정. 학습알고리즘은 이런 파라미터의 최적값을 찾는다. 하이퍼파라미터는 이러한 학습 알고리즘 자체의 파라미터. 예를 들면 적용할 규제 정도

 

 

  13. 모델 기반 알고리즘이 찾는 것은? 이 알고리즘의 전략은? 예측은 어떻게 만드는가?

 

모델 기반 알고리즘은 새로운 샘플에 잘 일반화되기위한 모델 파라미터의 최적값을 찾는다. 일반적으로 훈련 데이터에서 시스템의 예측이 얼마나 나쁜지 측정하고 모델에 규제가 있다면 모델 복잡도에 대한 패널티를 더한 비용 함수를 최소화함으로써 시스템을 훈련시킨다. 예측을 만들려면 학습 알고리즘이 찾은 파라미터를 사용하는 모델의 예측 함수에 새로운 샘플의 특성을 주입한다.

 

 

  14. 머신러닝의 주요 도전 과제?

 

  데이터 부족, 낮은 데이터 품질 대표선 없는 데이터 훈련데이터에 과대적합|과소적합된 모델 

 

 

  15. 모델이 훈련 데이터에서의 성능은 좋지만 새로운 샘플에서의 일반화 성능이 좋지않다면 어떤 문제가 있는것인가 해결책은?

 

  훈련데이터에 과대적합되었을 가능성이 있다 . 또는 운이 좋은 경우만 훈련데이터에 있거나. 과대적합의 해결책으로는 데이터를 더 많이 모으거나 모델을 단순화(간단한 알고리즘, 파라미터 수 줄이기, 규제 추가 등)하거나 훈련데이터의 잡음 감소

 

 

 

  16. 테스트 세트란? 사용해야 하는 이유?

 

  실전에 배치되기 전 새로운 샘플에 대한 일반화 오차를 추정하기 위해 사용한다

 

 

  17. 검증 세트의 목적?

 

  검증 세트는 모델을 비교하는데 사용한다. 가장 좋은 모델 선택하고 하이퍼파라미터 튜닝한다

 

 

  18. 훈련-개발 세트란? 언제 필요하고 어떻게사용해야 하는가?

 

  테스트세트와 훈련세트 사이 데이터 불일치의 위험이 있을 때, 검증이 필요할 때 사용한다. 훈련 세트 일부에서 모델을 훈련하고 훈련-개발 세트와 검증 세트에서 평가한다.

 

 

  19.  테스트 세트를 사용해 하이퍼파라미터를 튜닝하면 생기는 문제?

 

  테스트 세트에 과대적합될 위험이 있고 일반화 오차를 낙관적으로 측정하게 된다. 모델 출시시 나쁜 성능을 낼 것이다.