쥬코딩

Reinforcement Learning 학습은 에이전트와 환경 간의 상호작용의 결과로 이루어진다. 문으로 연결된 건물의 5개의 방이 있고 건물 밖에는 큰 방 하나(5호실)가 있다. 1번과 4번 문은 5번 방에서 건물로 통한다. 요원을 아무 방에나 배치하고, 그 방에서 건물 밖으로 내보내려고 한다. 각 문은 양방향이고, 우리 요원이 다른 방에서 들어와서 다른 방으로 나간다. 5호실이 우리의 목표 방이 될 것이다. State ◼ 위 그림에서 각 방(외부 포함) ◼ 그래프에 노드로 표시 Action ◼ 에이전트가 한 방에서 다른 방으로 이동하는 것 ◼ 그래프에서 방향 링크로 표시 Reward ◼ 목표물과 직접 연결된 문은 보상이 100 ◼ 대상에 직접 연결되지 않은 다른 문은 보상이 0 reward값을 사용..

machine learning 2022. 12. 23. 14:50

Recommender Systems - Recommendation에 쓰이는 정보 명시적 정보 ◼ 수치 등급(예: 별 5개, 별 3개 등) ◼ 이진수 등급(업/다운) 암시적 정보 ◼ 누가 항목을 즐겨찾기에 추가했는가? ◼ 몇 번이나 시청되었나? ◼ 몇 개나 팔렸나? ◼ 사용자들은 그 페이지를 얼마나 읽었는가? ◼ 사용자 프로필/기본 설정 input을 집계하는 방법에는 크게 Collaborative filtering, Content-based filtering, Hybrid methods가 있다. Collaborative Filtering ◼ 같은 생각을 가진 사용자의 등급을 보고 권장 사항 제공 ◼ 과거 비슷한 관심사를 표출했던 이용자들이 앞으로 공통의 관심사를 공유할 것이라는 생각 Memory-based..

machine learning 2022. 12. 21. 21:37

Association Rules - What are associatin rule? "what goes with what"에 대한 규칙 예) "X를 산 고객들은 Y도 샀다", "어떤 증상은 어떤 진단을 받는다" - Definition ◼ item: transaction의 항목/물품 ◼ item set은 하나 이상의 항목의 집합 ◼ transaction: 항목의 집합 ◼ transaction dataset: 트랜잭션의 집합 ◼ association rule: 항목 집합 X가 발생할 때 항목 집합 Y가 특정 확률로 발생한다는 패턴 ◼ Support(X): 다음을 포함하는 transaction의 일부 ◼ Confidence(X->Y): 항목 집합 X를 포함하고 항목 집합 Y를 포함하는 transaction의 일..

machine learning 2022. 12. 21. 21:08

Bayesian Classifier ◼ 통계적 분류방법 ◼ 지도 학습 방법 ◼ Bayes’ rule을 기본 확률 모델로 가정 - Elements of Bayesian Classifier ◼ D: 튜플(샘플) 집합 X ◼ X: n차원 속성 벡터 {x1,x2,x3,...,xn} (여기서 xi는 Ai 특성의 값) ◼ m 클래스: C1, C2, C3, ..., Cm ◼ Maximum a Posteriori (MAP) Rule: P(X)가 상수일때 아래 공식에서 분자값을 최대화 Naïve Bayesian Classifier ◼ 일반적으로 일부 변수(feature 또는 독립 변수)는 원인에 따라 달라질 뿐만 아니라 서로 종속된다. ◼ 그러나 종속성 그래프가 깊어질수록 조건부 확률 테이블은 다루기 어려울 정도로 커진..

machine learning 2022. 12. 20. 12:13

Gradient Descent Introduction ◼ 기계 학습 모델(알고리즘)은 일반적으로 일련의 매개 변수(가중치, 계수)를 포함하는 비용 함수를 갖는다. ◼ 많은 기계 학습 문제는 비용 함수를 최소화하는 모델에 대한 가중치 집합을 찾는 것으로 감소한다. ◼ 경사 하강법은 기계 학습 모델을 훈련하기 위해 가장 널리 사용되는 알고리즘 중 하나이다. ◼ 비용 함수를 최소화하는 함수의 매개변수(계수) 값을 찾는 최적화 알고리즘이다. ◼ 매개변수를 분석적으로 계산할 수 없기 때문에 사용된다. 비용 함수는 포물선에 대한 방정식이다. 이는 아래와 같이 표시된다. 목표는 J(W)를 최소화하는 값 W 집합을 찾는 것이다. 비용 함수에 대한 랜덤 초기 가중치(W)로 시작하여 global한 최소값에 도달할 때까지 ..

machine learning 2022. 12. 17. 10:24

Regularization 정규화는 과적합 위험을 최소화하기 위해 비용 함수의 매개 변수를 제한하는 것을 목표로 한다. 선형 회귀 분석, 로지스틱 회귀 분석 및 딥 러닝에 사용할 수 있습니다. 이번에는 선형 회귀에 사용되는 함수를 보여줄 것이다. 회귀 모형을 개선하는데는 두 가지 방법이 있다. ◼ 분산을 줄임으로써 예측 정확도를 향상시킨다. ◼ 모든 feature를 사용하는 대신 독립 변수(feature)의 관련 부분 집합을 선택하여 모델 해석성을 향상시킨다. 결정 계수 R^2의 값이 높을수록 정확도가 높다. R^2은 회귀 분석(SSR)으로 설명되는 총 변동(SST)의 비율(백분율)로 아래와 같이 구할 수 있다. 하지만 R^2은 문제가 있다. 예측 변수가 추가되면 R^2가 증가하거나 일정하게 유지되지만 ..

machine learning 2022. 12. 17. 08:35

SMOTE SMOTE는 불균형 데이터 세트를 사용할 때 발생하는 문제를 해결하는 머신러닝 기법이다. 불균형 데이터는 관측된 빈도가 범주형 변수의 서로 다른 가능한 값에 걸쳐 매우 다른 데이터이다. 아래 그림은 불균형 데이터의 예시이다. 위 그림으로 예를 들어보면, 30명의 웹사이트 방문자 중 20명은 스키어이고 10명은 등산가이다. 우리는 방문객의 구매 여부를 예측할 수 있는 기계 학습 모델을 구축하려고 한다. "안 산다"를 예측하는 모델은 30건 중 28건이 맞다. 이 모델은 93%의 정확도를 갖는다. 불균형 데이터를 사용하여, 우리는 실제로는 쓸모가 없지만 매우 정확하게 보이는 모델을 만들게된다. 이러한 불균형 데이터의 문제를 해결하기 위한 3가지 방법이 있다. 1. Undersampling 데이터 ..

machine learning 2022. 12. 16. 09:16

- Clustering Challenges and Solution K-means 및 EM Clustering은 모든 클러스터링 작업(e.g. non-Gaussian data)을 처리할 수는 없다. => Density-based clustering, spectral clustering은 이러한 유형의 문제를 해결한다. Density-Based Clustering Methods density-connected points 또는 density function와 같은 밀도 기반 클러스터링(로컬 클러스터 기준) ◼ 클러스터는 데이터 공간에서 개체 밀도가 낮은 영역으로 분리된 밀집된 개체 영역이다. ◼ 한 군집에 있는 점 집합은 공간적으로 연결되어 있다. ◼ 클러스터의 모든 점에 대해 해당 점 주변의 로컬 점 밀도..

machine learning 2022. 12. 15. 12:32