경험으로부터 학습 - 지도학습 레이블이 포함된 입/출력 쌍을 사용해 학습 - 비지도학습 데이터를 패턴별로 나누어 분류 - 강화학습 레이블 대신 결과에 대한 피드백만 받음 머신러닝 과제 - 지도학습 = 분류classification 새로운 관측치(input)를 가장 가능성 있는 category/class/label로 분류 ex. 주가 상승/하락, 기사의 범주 분류 = 회귀regression output 예측 ex. 판매 수익 예측, 급여 유추 - 비지도학습 = 군집화clustering 관측치가 유사한 집단끼리 그룹화 ex. 영화 리뷰의 긍정적/부정적 분류 (어떤 것이 긍정적/부정적인지는 모름) 음악의 키, 사용된 악기 등으로 장르 구분 = 차원축소 특징 중 중요한 요소를 추려냄 데이터 시각화 훈련 데이터,..
AI
1. 모델링 전략 모델링을 사용하는 이유 - 여러 하위 수준의 문제를 포함하는 복잡한 문제 - 데이터가 충분한 대표성을 띄지 않는 경우 ex 1) 정적 특징과 동적 특징을 모두 사용해 악성코드를 탐지 1. 하나의 모델에 정적/동적 특징을 모두 학습 좋은 특징 선별, 학습 매개변수 설정 2. 여러 모델 조합 (stacking) 각 특징별 모델 학습, 모델의 분석 결과를 종합하여 결론 1차 모델의 결과는 true/false, 확률 등 여러 stacking 모델 디자인 - 여러 특징 정보 중 카테고리에 맞추어 각각 다른 모델에 학습 - 한 가지 모델로 결과를 낸 뒤 결과값에 따라 다른 모델 적용 (ex. 정적 분석 정보 기반으로 학습 후 값의 범위에 따라 동적 분석 정보 추가 학습) - 클러스터링하여 각 군집..
