This is an old revision of the document!
기초 개념과 데이터
머신러닝이란
전처리 : 데이터를 학습 가능한 상태로 만듬
임베딩 : 사람의 언어를 컴퓨터가 이해하는 숫자로 변환
특징 : 모델의 입력값 x
레이블 : 모델이 맞춰야할 정답 y
클래스 : 정답이 속한 카테고리
랭크 : 데이터 배열의 차원 수
모델의 내부 구성 요소
파라미터 : 모델이 스스로 학습하는 내부 변수(w,b)
하이퍼파라미터 : 사람이 직접 정해줘야하는 변수
노드: 연산 단위
가중합 : 입력값과 가중치를 곱해서 더한 값
편향 : 결과를 조정하는 실수
학습 원리 : 에러를 줄이는 방법
비용함수 : 정답과 예측값의 차이를 계산하는 식
비용 : 실제 방생한 오차 값
옵티마이저 : 최적화를 수행하는 도구/알고리즘
학습률 : 학습의 보폭 결정
배치크기 : 한번에 학습할 데이터의 양
평균제곱오차 : 회귀 문제에서 주로 쓰이는 비용함수
엔트로피 : 오차 측정 시 사용
경사하강법 : 오차를 줄이는 방향으로 파라미터 수정하는 방법
알고리즘
선형회귀 : 가장 기초적인 예측 선 긋기
k-최근접이웃 : 나랑 가까운 애들을 보고 판단
나이브베이즈 : 확률 기반 분류
의사결정트리 : 스무고개 방식
서포트백터머신 : 데이터 사이의 간격을 최대로 넓힘
앙상블 : 여러 모델을 합쳐서 성능 높임
주성분분석 : 데이터를 압축해서 핵심만 남김
군집화 / 클러스터 : 비슷한끼리 묶기
k평균알고리즘 : 대표적인 군집화 방법
딥러닝