[머신러닝] Supervised and Unsupervised , MLE - 컴도리돌이

---

Supervised learning

 

지도 학습(Supervised learning)은 입출력 관계의 쌍을 사용하여 매핑(mapping)을 학습한다.

 

<example>

 

표본이 n개인 데이터 집합 '(x1, y1, y1,…(xn, yn)'을 고려할 때, 예시는 "만약 집의 평방 피트가 x 평방피트라면 가격을 예측하라"이다.

 

주어진 샘플 집합

regression- 주황색은 임의로 만든 특정 function(h)

-> 목표 함수(빨간색 그래프)와 가설(주황색 그래프)의 차이를 최소화하고자 함 = 오류 함수( error function)

-> Regression(회귀-회귀 분석 입력을 연속 출력으로 매핑) : 어떤 데이터들의 특징(feature)을 토대로 값을 예측하는 것. 결과 값은 실수 값을 가질 수 있다.

 

 

classification

-> classification(분류 - 입력 내용을 클래스 집합 중 하나로 매핑) : 어떤 데이터에 대해 두 가지 중 하나로 분류할 수 있는 것.

---

 

MLE ( Maximum likelihood estimation)

 

최대우 도법(Maximum Likelihood Estimation, 이하 MLE)은 모수적인 데이터 밀도 추정 방법으로써 파라미터 θ=(θ1,⋯,θm)θ=(θ1,⋯,θm)으로 구성된 어떤 확률 밀도 함수 P(x|θ)에서 관측된 표본 데이터 집합을 x=(x1, x2,⋯, xn) x=(x1, x2,⋯, xn) x=(x1, x2,⋯, xn) x=(x1, x2,⋯, xn)이라 할 때, 이 표본들에서 파라미터 θ=(θ1,⋯,θm)θ=(θ1,⋯,θm)를 추정하는 방법이다.

 

<example>

 

Task: rolling coins
Data: observed set D of P(x = h) = θ and P(x = t) = 1- θ

 

if Data D : h, t, t, h, h (binomial trial)

 

 

Learning (estimating) of θ by MLE : 관측 데이터의 확률을 최대화하는 θ 선택

 

---

unsupervised learning

 

->비지도 학습

->패턴을 찾기 위해 데이터를 입력한다.

->비슷한 데이터들을 군집화 시킨다.