[KT 에이블스쿨 4기 DX트랙] 머신러닝 (비지도 학습) 후기

 

# 머신러닝 (비지도 학습) 이란?

 

지난번 머신러닝 (지도 학습) 부분에 이어서 이번에는 머신러닝 (비지도 학습) 부분을 배웠습니다.

 

지도 학습은 '정답을 찾아라!' 라는 관점이라면

비지도 학습은 '유사한 데이터 끼리 묶어라~' 라는 관점입니다.

 

 

◾머신러닝 - 학습방법에 따른 분류

 

지도 학습	정답이 있는 데이터를 활용해 데이터를 학습시키는 것
비지도 학습	정답이 없는 데이터 만으로 배우게 하는 학습 방법
강화 학습	선택한 결과에 대해 보상을 받아 행동을 개선하면서 배우게 하는 학습 방법

 

# 학습 내용

 

1. 차원축소

설명	차원 축소는 고차원 데이터의 특성을 낮은 차원으로 축소하여 데이터를 더 간결하게 표현하는 기술
종류	주성분 분석 PCA	- 데이터 분산을 최대한 유지하며 축소하는 선형 차원 축소 알고리즘 - 차원의 수 : feature 수 만큼 - 활용 : 지도학습에 연계
	t-SNE	- 고차원 데이터를 저차원(주로 2차원 또는 3차원)으로 투영하여 데이터의 구조를 시각화하는 데 사용되는 비선형 차원 축소 알고리즘 - 차원의 수 : 2~3차원 - 활용 : 주로 데이터 시각화에 활용

2. 클러스터링

설명	- 유사한 데이터 포인트를 그룹으로 묶는 비지도 학습 기술 - 데이터를 그룹화하여 패턴을 발견하고 분류하는 데 사용
종류	K-means	- 주어진 데이터를 사용자가 정한 클러스터 개수(k)로 나누는 알고리즘 - K개의 평균으로부터 거리를 계산하고, 가까운 평균으로 묶어 클러스터를 나누는 방식
	DBSCAN	- 데이터 포인트의 밀도에 기반하여 클러스터를 형성하는 알고리즘 - 지정된 반경 내 최소포인트수가 존재하는지 확인하여 군집 형성

3. 이상탐지

설명	- 일반적인 값과 다른 특이한 값이나 드문 사건을 탐지하는 기법 - 비정상적인 데이터를 식별하여 시스템의 오류, 사기 행위, 잠재적인 문제를 감지하거나 예방하는 데 사용
종류	Isolation Forest	Isolation Tree를 생성하여 각 Tree의 Depth를 측정하여 이상치를 식별하고, 이를 여러 트리에서 결합하여 최종적으로 이상치를 탐지 - Normal 데이터일수록 많은 split이 요구되며 depth가 깊어짐 - Abnormal 데이터일수록 적은 split이 요구되며 depth가 얕아짐
	One-Class SVM	주어진 데이터에 대한 '하나의 클래스'를 학습하고, 그 클래스에서 벗어나는 데이터를 이상치로 간주하는 알고리즘

 

 

# 학습 소감

 

머신러닝 참 쉽지 않았습니다..ㅎ허 😂

정말 복습이 꼭 필요하더라구요

그래도 천천히 복습하면서 대략적인 이론은 이해를 하였으나,

실제 데이터 속에서 어떻게 구현되는건지는 감이 제대로 안잡히더라구요.

머신러닝 관련 실습을 많이 해봐야할 것 같다는 생각이 들었습니다.

 

이제 이번에 배운 머신러닝 내용을 기반으로 무려 5일간의 미니프로젝트를 진행하게됩니다.

3차 미니프로젝트도 화이팅~!