당신이 모르는 머신러닝의 5가지 학교

머신 러닝은 명시적인 프로그래밍 없이도 컴퓨터가 데이터로부터 학습하고 성능을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다.

1. 기호학파

상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 기호를 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존 지식과 규칙을 사용하여 철학, 심리학 및 논리에서 통찰력을 찾는 역 추론 과정이라고 믿습니다. 기호학의 기원은 초기 철학자, 논리학자, 심리학자가 상징을 사용하여 인지를 연구했던 고대로 거슬러 올라갑니다. 그러나 진정한 체계적인 기호학은 19세기 말과 20세기 초 프랑스 문화에서 시작되었으며, 주로 작가, 예술가 및 철학자 그룹

• 대표 인물

Herbert· Herbert Simon: 창립자 중 한 명 기호학파의 그와 Allen Newell은 일반 문제 해결사(GPS) 개념을 공동으로 제안했습니다.

Allen Newell: 기호학파의 창시자 중 한 명인 그와 Herbert Simon은 일반 문제 해결사(GPS) 개념을 공동으로 제안했습니다.

존 매카시: 존 매카시는 인공지능 분야의 선구자 중 한 명이자 기호학파의 대표자입니다. 그는 1956년에 "인공 지능"이라는 용어를 제안하고 상징주의 연구에 중요한 도구가 된 LISP 프로그래밍 언어를 개발했습니다. McCarthy의 작업은 주로 논리적 추론과 지식 표현에 중점을 두었으며 컴퓨터가 기호를 통해 인간의 사고 과정을 시뮬레이션할 수 있다고 믿었습니다.

마빈 리 민스키(Marvin Lee Minsky): MIT 인공 지능 연구소의 창립자 중 한 명. 그는 프레임워크 이론을 제안하고 인공 지능 분야에 큰 공헌을 했습니다. 마빈 민스키(Marvin Minsky)는 선도적인 컴퓨터 과학자이자 인지 과학자입니다. 그는 1950년대부터 인공지능을 연구하기 시작했고 이 분야의 선구자 중 한 사람이 되었습니다. 그의 연구 초점

• 주요 알고리즘

귀납적 논리 프로그래밍(ILP)은 역추론 방법입니다. 역추론은 일반적으로 논리적 추론을 사용하여 특정 예에서 일반적인 규칙을 추출하여 지식을 발견합니다.

2. 연결주의 학교

연결주의라고도 알려진 연결주의는 신경과학과 물리학에서 영감을 받아 뇌의 역분석을 강조하고 신경망의 구조와 기능을 시뮬레이션합니다. 이 학파는 지능이 수많은 단순 단위(뉴런) 사이의 연결과 상호 작용을 통해 발생한다고 믿습니다. 이론에서는 뉴런 간의 연결과 상호 작용을 시뮬레이션하면 지능적인 행동을 생성할 수 있다고 주장합니다. 이러한 연결과 상호작용은 단순한 단위(뉴런) 간의 연결을 통해 이루어집니다. 신경망 연결의 강도와 가중치를 조정함으로써 인간 두뇌의 뉴런 간의 연결과 정보 전달을 시뮬레이션할 수 있습니다. 커넥토믹스의 주요 장점 중 하나는 다수의 간단한 단위를 통해 지능을 생성할 수 있다는 점입니다.

• 대표

Yann LeCun은 컴퓨터 비전용 컨볼루셔널 신경망을 개발하고 성공적으로 적용한 뛰어난 과학자입니다. 필기 숫자 인식과 같은 작업. LeCun의 작업은 실제 응용 분야에서 딥 러닝의 개발을 크게 촉진했습니다.

Geoffrey Hinton: 딥 러닝의 선구자인 그는 CNN(컨벌루션 신경망) 및 DBN(심층 신념 네트워크)과 같은 중요한 아키텍처를 제안했습니다.

Yoshua Bengio: 딥 러닝의 선구자로서 LSTM(장단기 기억) 네트워크와 같은 중요한 아키텍처를 제안했습니다.

David Rumelhart: 심리학자이자 병렬 분산 처리(PDP) 모델의 창시자 중 한 명인 그는 역전파 알고리즘을 제안했습니다.

Frank Rosenblatt: 심리학자이자 퍼셉트론의 발명가인 그는 퍼셉트론 학습 알고리즘을 제안했습니다.

• Main Algorithm

연결학파의 주요 알고리즘은 역전파(Backpropagation)입니다. 역전파는 손실 함수의 기울기를 계산하여 신경망의 가중치를 업데이트하는 알고리즘으로, 심층 신경망 훈련의 효율성을 크게 향상시킵니다.

3. Evolutionary Computation

Evolutionary Computation은 유전학과 진화 생물학에서 영감을 받아 생물학적 진화 과정을 시뮬레이션하여 학습과 최적화를 수행합니다. 이 학교의 핵심 아이디어는 선택, 교배, 돌연변이와 같은 유전적 연산을 사용하여 생물학적 진화 과정을 컴퓨터에서 시뮬레이션하여 문제에 대한 최적의 해결책을 찾는 것입니다.

• 대표자

John Holland

John Holland는 1960년대에 유전 알고리즘(Genetic Algorithm)을 제안한 진화 컴퓨팅 분야의 선구자입니다. 홀랜드의 연구는 진화 계산의 기초를 마련했으며, 그의 유전 알고리즘은 자연 선택과 유전 연산을 사용하여 복잡한 최적화 문제를 해결했습니다.

David E. Goldberg

David E. Goldberg는 유전자 알고리즘의 연구 및 응용에 중요한 공헌을 했습니다. 그의 저서 『유전자 알고리즘(Genetic Algorithm)』은 유전 알고리즘의 이론과 응용을 자세하게 소개하고 있어 이 분야에서 폭넓은 관심과 발전을 불러일으켰다.

• 주요 알고리즘

진화학파의 주요 알고리즘은 유전자 프로그래밍(GP)입니다. 유전자 프로그래밍은 진화 컴퓨팅 기술을 사용하여 자동으로 컴퓨터 프로그램을 생성하는 알고리즘으로, 생물학적 진화 과정을 시뮬레이션하여 특정 문제를 해결하기 위해 프로그램을 점진적으로 최적화합니다.

4. 베이지안주의

베이지안주의는 통계에 기반을 두고 학습이 확률론적 추론의 과정이라고 믿습니다. 이 사고 방식은 베이즈 정리를 활용하여 사전 확률 분포를 업데이트하여 학습 및 추론을 수행합니다.

• 대표인물

Thomas Bayes

Thomas Bayes는 영국의 수학자이며 베이지안 추론의 기초가 되었습니다. Bayes 자신은 기계 학습 연구에 직접 관여하지는 않았지만 그의 작업은 베이지안 학파의 형성과 발전에 큰 의미를 가졌습니다.

Judea Pearl

Judea Pearl은 베이지안 네트워크와 인과 추론에 탁월한 기여를 했습니다. 그의 베이지안 네트워크 개발은 복잡한 시스템에서 확률적 추론을 보다 효율적이고 직관적으로 만드는 중요한 도구입니다. Pearl의 작업은 인공 지능과 통계 모두에 지대한 영향을 미쳤습니다.

• 주요 알고리즘

베이지안 학파의 주요 알고리즘은 베이지안 추론입니다. 베이지안 추론은 사후 확률을 계산하여 예측과 결정을 내리며, 불확실성과 복잡한 시스템을 다루는 데 상당한 이점을 가지고 있습니다.

5. School of Analogy

유비주의는 유사성 판단의 외삽을 통해 학습하며 심리학과 수학적 최적화의 영향을 받습니다. 이 사고 학교는 새로운 지식을 발견하고 문제를 해결하기 위해 알려진 사례를 통한 유추 추론을 강조합니다.

• 대표 인물

Vladimir Vapnik

Vladimir Vapnik은 유추학파의 중요한 대표자 중 한 명입니다. 그와 Ali Alexey Chervonenkis는 SVM(Support Vector Machine)을 공동 제안했습니다. 서포트 벡터 머신(Support Vector Machine)은 통계 학습 이론을 기반으로 한 지도 학습 방법으로 분류 및 회귀 문제에 널리 사용됩니다.

Tom Michael Mitchell

Tom Michael Mitchell은 기계 학습 분야에서 광범위한 공헌을 했으며, 그의 책 "Machine Learning"은 이 분야의 중요한 교과서입니다. 유추 학습과 귀납적 논리 프로그래밍에 대한 Kowalski의 연구는 유추 학파의 발전에 중요한 이론적 뒷받침을 제공했습니다.

• 주요 알고리즘

유비학파의 주요 알고리즘은 SVM(Support Vector Machine)입니다. 서포트 벡터 머신은 서로 다른 범주 간의 분리를 최대화하기 위해 초평면을 구성하여 분류 작업을 구현합니다. 고차원 데이터 공간에서 SVM은 잘 작동하며 특히 복잡한 패턴 인식 문제에 적합합니다.

6. 머신러닝 5개 주요 학교 비교

school	대표	주요 아이디어	주요 알고리즘	응용 분야
상징	Herbert Simon, Alan Newell Er, John McCarthy, Marvin 이민스키	학습은 기호 조작의 과정	역연역	지식 표현, 자연어 처리
연결학교	Jan LeCun, Jeffrey Hinton, Joshua Bengio, David Rummelhart, Frank Rosenblatt	학습은 뇌의 신경망을 시뮬레이션하는 과정입니다	역전파	이미지 인식, 음성 인식, 자연어 처리
진화학교	John Holland, David Goldberg	학습은 생물학적 진화를 시뮬레이션하는 과정입니다	유전 알고리즘, 진화 전략	로봇 제어 및 최적화 문제 해결
베이지안 학교	토마스 베이즈, 유대 펄	학습은 확률적 추론의 과정입니다	베이즈 정리	스팸 필터링, 의료 진단, 정보 검색
유추 학교	Vladimir Vapnik, Tom Michael Mitchell	학습은 유사성 판단을 외삽하는 과정입니다	유추 기반 학습 알고리즘	Recom 수정 시스템, 사례 추론, 기계 번역

7. 요약

머신러닝의 5개 주요 학교는 서로 다른 관점과 이론적 기반에서 고유한 특성을 가지고 있습니다. 시작하고 다양하고 복잡한 학습 문제를 해결하세요. 기호학파는 논리적 추론과 지식 표현을 강조하고, 연결학파는 신경망의 구조와 기능을 시뮬레이션하며, 진화학파는 최적화를 위해 생물학적 진화 과정을 사용하며, 베이지안학파는 확률적 추론을 통해 불확실성을 처리하고, 유추학파는 유추적 추론을 수행합니다. 유사 판단 . 각 학파에는 대표자와 주요 알고리즘이 있으며, 이들의 기여는 머신러닝 분야의 발전과 발전을 공동으로 촉진합니다.

이 다섯 학파는 이론과 방법의 차이가 있지만 상호 배타적이지 않고 보완하고 통합할 수 있습니다. 실제 적용에서 연구자들은 복잡하고 변화하기 쉬운 문제를 처리하기 위해 여러 가지 방법을 결합하는 경우가 많습니다. 기술이 발전하고 학제간 연구가 심화됨에 따라 머신러닝은 인공 지능의 모든 측면에서 계속해서 중요한 역할을 수행하여 더 많은 혁신과 돌파구를 가져올 것입니다.

위 내용은 당신이 모르는 머신러닝의 5가지 학교의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!