비지도 학습

레이블이 지정되지 않은 데이터셋에서 모델을 학습시키는 것을 포함합니다. 목표는 데이터에서 숨겨진 패턴이나 구조를 발견하는 것입니다. 이것은 아이에게 설명서 없이 커다란 레고 브릭 상자를 주는 것과 같습니다. 목표는 아이가 스스로 어떤 흥미로운 구조나 패턴을 만들어내는지 지켜보는 것입니다. 예시로는 군집화(clustering)와 차원 축소(dimensionality reduction) 작업이 있습니다.:

• 군집화(Clustering): 목표는 유사한 인스턴스들을 클러스터로 그룹화하는 것입니다. 이것은 어떻게 해야 하는지 듣지 않고 장난감을 여러 그룹으로 정리하는 것과 같습니다. 예를 들어, 상점은 각 유형에 광고하는 최선의 방법을 알아내기 위해 고객을 서로 다른 유형으로 그룹화할 수 있습니다. 또는 소셜 미디어에서 누가 어떤 친구 그룹에 속해 있는지 찾는 데 도움이 됩니다.
• 차원 축소(Dimensionality Reduction): 고차원 데이터의 복잡성을 단순화하면서도 필수적인 특성은 유지하는 기술입니다. 학교 용품으로 가득 찬 거대한 배낭이 있는데 이를 더 가볍게 만들고 싶다고 상상해 보세요. 차원 축소는 무엇이 필수적이고 무엇이 그렇지 않은지 파악하여 정말 필요한 것만 가지고 다니는 것과 같습니다. 이것은 너무 많은 정보를 처리하는 데 도움이 됩니다. 예를 들어, 매우 복잡한 그림을 보고 이해하기 쉽게 단순화하려는 경우와 같습니다.

이 과정에서 다양한 알고리즘을 살펴보면서, 해당 알고리즘이 지도 학습에 가까운지 아니면 비지도 학습에 가까운지에 대해 이야기할 것입니다.