회귀와 분류는 아래 그림에 표시된 것처럼 기계 학습 문제의 가장 일반적인 두 가지 유형입니다.
회귀 문제는 일반적으로 레이블 값이 연속적인 값을 예측하는 데 사용됩니다. 예를 들어 주택 가격, 미래 날씨 등 지속적인 추세와 가치를 예측합니다. 보다 일반적인 회귀 알고리즘은 선형 회귀 알고리즘과 딥 러닝의 신경망입니다.
분류 문제는 카테고리 라벨을 사용하여 사물에 라벨을 붙이는 것이며, 그 결과는 카테고리의 옵션인 이산 값입니다. 예를 들어 사진 속 동물이 고양이인지 개인지 판단하는 것입니다. 분류에는 이진 분류와 다변량 분류가 포함되며 각 클래스에 대한 최종 올바른 결과는 하나만 있습니다. 분류는 기계 학습의 고전적인 응용 분야입니다. 가장 기본적인 로지스틱 회귀 알고리즘, 고전적인 의사 결정 트리 알고리즘, 딥 러닝의 신경망을 포함하여 많은 기계 학습 알고리즘을 분류에 사용할 수 있습니다. 다중 카테고리 분류에서 파생된 다중 라벨 분류 문제도 있습니다. 일반적인 응용 프로그램에는 소셜 네트워킹 사이트에 사진을 업로드할 때 이름 자동 라벨링 및 추천 시스템(웹 사이트나 앱에서 동일한 사용자에게 여러 제품 추천)이 포함됩니다. 특정 제품을 여러 사용자에게 제공합니다.
물론 회귀 문제, 분류 문제 외에도 기계 학습의 응용 시나리오가 많이 있습니다. 예를 들어, 비지도 학습에서 가장 일반적인 클러스터링 문제는 레이블 없이 기능의 특성에 따라 데이터를 여러 클러스터로 나누는 것입니다(실제로는 데이터 분류입니다). 또 다른 유형의 비지도 학습은 관계에 영향을 미치는 연관 규칙입니다. 사이의 기능을 찾을 수 있습니다.
또 다른 예는 시계열입니다. 이는 추세 데이터, 계절에 따라 변하는 데이터 등 시간이 지남에 따라 내부 구조가 정기적으로 변하는 데이터 세트를 말합니다. 시계열 문제는 실제로 시간과 기간과 밀접한 관련이 있는 회귀 문제입니다. 특정 응용 시나리오에는 금융 시장 변동 예측, 태양 활동, 조수, 날씨 추론, 별과 은하 형성의 탄생, 전염병 확산 예측 등이 포함됩니다.
구조화된 출력도 있습니다. 보통 머신러닝은 답안이나 선택지를 출력하지만 때로는 학습을 통해 구조를 출력해야 하는 경우도 있습니다. 그게 무슨 뜻이에요? 예를 들어, 음성 인식에서 기계는 문장을 출력합니다. 문장은 단지 숫자 0부터 9까지가 아닌 표준 구조를 가지고 있습니다(0부터 9까지 인식하는 것은 분류 문제입니다). 특정 애플리케이션 시나리오에는 음성 인식(올바른 문법 구조로 문장 출력)과 기계 번역(규정을 준수하는 기사 출력)이 포함됩니다.
문제 해결이 아닌 세상을 더욱 다채롭게 만드는 것이 목표인 일부 머신러닝 문제도 있으므로 AI는 다음과 같이 아티스트가 수행한 작업도 수행할 수 있습니다. Google의 Dreamwork는 예술적 스타일 전환을 위해 두 사진의 스타일을 결합할 수 있습니다. 생성적 적대 네트워크(Generative Adversarial Network) GAN은 가짜처럼 보이는 그림을 만들 수 있습니다. 음악, 뉴스, 스토리 등을 만들기 위해 디지털 특징 벡터의 잠재 공간을 마이닝합니다.
이를 머신러닝 애플리케이션 생성 학습이라고 부를 수 있습니다.
머신러닝의 목표가 의사결정 문제라고 하는 의사결정인 경우도 있습니다. 의사결정 문제는 여전히 본질적으로 분류 문제입니다. 각 결정은 실제로 환경의 특정 상태를 분류하기 위해 가장 적절한 동작을 사용하기 때문입니다. 예를 들어 자율주행의 방향(왼쪽, 중앙, 오른쪽)이나 바둑의 착지점은 여전히 19×19 카테고리 중 하나다. 특정 응용 시나리오에는 자율 주행, 게임을 하는 지능형 에이전트, 체스를 두는 로봇 등이 포함됩니다. 많은 의사 결정 문제에서 기계는 어떤 결정이 효과적이고 보상을 가져올 수 있는지, 어떤 결정이 비효율적이고 부정적인 결과를 가져오는지, 어떤 결정이 장기 목표에 유익한지 학습해야 합니다. 따라서 이 경우에는 강화 학습이 일반적인 기술입니다.
일반적으로 머신러닝의 비결은 자신의 문제를 이해하고 문제에 가장 적합한 머신러닝 방법(알고리즘)을 선택하는 것, 즉 이 상황에 가장 적합할 것 같은 기술을 찾는 것입니다. 시나리오나 작업을 적절한 기술과 연결할 수 있다면 문제가 생겼을 때 아이디어를 얻을 수 있고 빠르게 해결책을 찾을 수 있습니다. 아래 그림은 몇 가지 일반적인 기계 학습 애플리케이션 시나리오와 기계 학습 모델을 연결합니다
위 내용은 머신러닝의 응용 분야는 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!