기계 학습과 데이터 마이닝 |
---|
|
문제
- 분류
- 클러스터 분석
- 회귀 분석
- 이상 발견
- 연관 규칙
- 강화 학습
- 구조 기반 예측
- 특성 공학
- 특성 학습
- 온라인 기계 학습
- 준 지도 학습
- 비 지도 학습
- Grammar induction
|
지도 학습 ( 통계적 분류 • 회귀 분석)
- 결정 트리 학습법
- 앙상블 학습법 (배깅, Boosting, 랜덤 포레스트)
- 최근접 이웃 탐색
- k-NN
- 선형 회귀
- 나이브 베이즈
- 인공신경망
- 로지스틱 회귀
- 퍼셉트론
- 상관 벡터 머신 (RVM)
- 서포트 벡터 머신(SVM)
|
클러스터 분석
- BIRCH
- Hierarchical clustering
- k-평균 알고리즘
- 기댓값 최대화 알고리즘
DBSCAN
- OPTICS
- Mean-shift
|
차원 축소
- 요인 분석
- CCA
- 독립 성분 분석
- LDA
- 음수 미포함 행렬 분해
- 주성분 분석
- t-SNE
|
그래프 모형
- 베이즈 네트워크
- 조건부 무작위장
- 은닉 마르코프 모델
- 혼합 모델
- 잠재 디리클레 할당
|
이상 발견
- k-최근접 이웃 알고리즘
- Local outlier factor
|
인공 신경망
- Autoencoder
- 딥 러닝
- 다층 퍼셉트론
- 순환 신경망
- Restricted Boltzmann machine
- 자기조직화지도
- 합성곱 신경망
|
|
이론
- 편향-분산 트레이드오프
- Computational learning theory
- Empirical risk minimization
- PAC learning
- Statistical learning
- VC theory
|
v • d • e • h |
비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속한다. 이 방법은 지도 학습(Supervised Learning) 혹은 강화 학습(Reinforcement Learning)과는 달리 입력값에 대한 목표치가 주어지지 않는다.
자율 학습은 통계 의 밀도 추정 (Density Estimation)과 깊은 연관이 있다. 이러한 자율 학습은 데이터의 주요 특징을 요약하고 설명할 수 있다.
자율 학습의 예로는 클러스터링 (Clustering)을 들 수 있다. 또 다른 하나의 예로는 독립 성분 분석(Independent Component Analysis)이 있다.
함께 보기
- 지도 학습
- 준 지도 학습
- 분류
- 회귀 분석
- 기계 학습
- 인공지능
- 자동 로봇
- 생체 정보학
- 컴퓨터 지능
- 컴퓨터 시각
- 데이터 마이닝
- 패턴 인식