머신러닝(ML) 알고리즘 알고리즘 카테고리 분류 - 지도학습, 비지도학습, 강화학습

머신러닝 알고리즘은 크게 지도학습, 비지도학습, 강화학습으로 분류됩니다. 각 카테고리에 속하는 주요한 알고리즘들을 간단히 살펴보겠습니다.

1. 지도학습 (Supervised Learning)

지도학습은 입력 데이터와 정답(label) 쌍을 통해 학습하는 방법입니다. 주어진 입력에 대해 정확한 출력을 예측하는 모델을 학습합니다. 주요한 지도학습 알고리즘으로는 다음과 같은 것들이 있습니다:

   1. 선형 회귀 (Linear Regression)
   2. 로지스틱 회귀 (Logistic Regression)
   3. 의사결정 트리 (Decision Trees)
   4. 랜덤 포레스트 (Random Forests)
   5. K-최근접 이웃 (K-Nearest Neighbors)
   6. 서포트 벡터 머신 (Support Vector Machines)
   7. 신경망 (Neural Networks)

2. 비지도학습 (Unsupervised Learning)

비지도학습은 정답(label) 없이 입력 데이터의 내부 구조를 발견하거나 데이터를 그룹화하는 방법입니다. 입력 데이터의 특징을 스스로 학습하여 새로운 관점이나 패턴을 발견합니다. 주요한 비지도학습 알고리즘으로는 다음과 같은 것들이 있습니다:

   1. 군집화 (Clustering)
   2. 주성분 분석 (Principal Component Analysis, PCA)
   3. 자기조직화 맵 (Self-Organizing Maps, SOM)
   4. 혼합 모델 (Mixture Models)
   5. 이상치 탐지 (Anomaly Detection)
   6. 차원 축소 (Dimensionality Reduction)

3. 강화학습 (Reinforcement Learning)

강화학습은 에이전트가 환경과 상호작용하며 보상을 최대화하는 의사결정을 학습하는 방법입니다. 시행착오를 통해 최적의 행동 정책을 학습하고 개선합니다. 주요한 강화학습 알고리즘으로는 다음과 같은 것들이 있습니다:

   1. Q-학습 (Q-Learning)
   2. SARSA
   3. 딥 강화학습 (Deep Reinforcement Learning)
   4. 강화학습 기반 신경망 (Reinforcement Learning-based Neural Networks)

 

각각의 학습 방법은 다른 목적과 응용 분야에 적용될 수 있으며, 종종 혼합하여 사용되기도 합니다. 예를 들어, 지도학습을 통해 레이블된 데이터를 사용하여 모델을 학습한 후, 비지도학습을 통해 데이터의 구조를 이해하거나 강화학습을 통해 최적의 의사결정 전략을 개발하는 등의 방식으로 조합될 수 있습니다.