[ML] 인공지능 및 기계학습 개론 1(23.05.17)

KAIST 산업및시스템공학과 문일철교수님

 

1.1. Motivations

- abundance of data

  - 텍스트 데이터

  - 네트워크 데이터

  - 이미지 데이터

  - 시계열 데이터

 

머신러닝 응용 예시

- 스팸 판별(document classification)

- 주가 지수 예측

- 차 번호판 인식

- SNS 추천

- 헬리콥터 컨트롤(로봇의 행동 결정)

 

머신러닝

- Supervised Learning

- Unsupervised Learning

- Reinforcement Learning

 

Supervised Learning

- supervision이 있는 것들

- 스팸 필터링(축적된 데이터 이용), automatic grading, automatic categorization

- classification or regression

  - hit or miss, types(positive or negative) : classfication(분류)

  - value prediction : regression(회귀)

 

Unsupervised Learning

- 어떤 패턴이 있는지 찾는 방법, 군집화

- clustering, filtering

 

1.2. MLE(Maximum Likelihood Estimation)

Binomial Distribution

- 이산적인 사건에 대한 확률분포

- 2가지 케이스만 존재

1.3. MAP(

- Data + Prior Knowledge

- Beta distribution을 쓰자

D와 세타의 위치가 달라짐

1.4. Probability and Distribution

확률

probability distribution(확률분포)

beta distribution : 확률 모델에 쓰임

binomial distribution

multinomial distribution : binomial distribution의 일반화