[AI학습방법]인공지능 학습, 비지도 학습 알아 보기 2장

비지도 학습(UnsupervisedLearning)은 머신러닝의 한 종류로, 레이블이 지정되지 않은 데이터로부터 패턴이나 구조를 찾아내는 학습 방법입니다. 입력값은 있지만 정답 없이 기계가 스스로 데이터의 구조를 학습하도록 하여 데이터 내 숨겨진 특징이나 그룹을 발견하게 합니다.

 

<비지도학습 출처 : y은광>

 

 

□ 비지도 학습의 목표 및 종류

비지도 학습의 주요 목표는 데이터에 내재된 구조나 패턴을 탐색하는 것이며, 이를 통해 데이터를 새로운 방식으로 해석하거나 더 나은 의사결정을 위한 정보를 제공합니다. 또한 숨겨진 사용자 집단을 찾습니다. 비지도 학습의 대표적인 예로는 클러스터링, 차원 축소, 연관 규칙 학습이 있습니다.

 

1. 클러스터링(Clustering) 군집화

클러스터링은 비슷한 특성을 가진 데이터 포인트들을 그룹화하는 과정입니다. 이는 데이터 내에서 자연스럽게 구분되는 그룹을 식별하는 데 유용합니다. 예를 들어 고객 데이터를 분석하여 비슷한 구매 패턴을 가진 고객들을 그룹 고객 세분화, 이미지 세분화, 유전자 분류, 문서 군집화, SNS 실시간 검색어를 분석하여 사람들의 관심 파악 특히 마케팅 전략 수립 등 다양한 분야에서 활용됩니다. 또한 정상 데이터 패턴에서 벗어난 이상치를 식별할 수 있습니다. 예를 들어 금융 분야에서 사기 거래 탐지에 활용되며, 제조업에서는 제품 결함을 찾아내는 데 사용됩니다.

<클러스터링 출처 : y은광>

 

 

2. 차원 축소(Dimensionality Reduction) / 공간 변환

차원 축소는 고차원의 데이터를 저 차원의 데이터로 변환하는 과정입니다. 이는 데이터의 복잡성을 줄이고, 데이터 시각화를 통해 데이터의 구조를 이해하는 데 도움을 줍니다. 또한 전처리에 주로 사용되며 데이터의 노이즈를 줄이고 데이터의 중요한 특징과 정보를 유지하려는 노이즈 제거 과정입니다. 많은 특성을 가진 데이터를 더 적은 수의 차원으로 표현하여, 계산 복잡도를 줄이고 데이터의 이해를 돕도록 하는 특성 추출에 유용합니다.

 

<군집화 출처: y은광>

 

 

3. 연관 규칙 학습(Association Rule Learning)

연관 규칙 학습은 데이터 내에서 아이템 간의 흥미로운 연관성이나 규칙을 찾는 과정입니다. 장바구니 분석(Basket analysis) 등에서 자주 사용되며, 소비자들의 구매 패턴을 이해하는 데 유용합니다. 예를 들어, 슈퍼마켓의 거래 데이터로부터 특정 상품들이 함께 구매될 가능성이 큰 연관 규칙을 발견할 수 있습니다. 네트워크 트랙픽 데이터를 분석하여 비정상적인 활동을 탐지하는 네트워크 보안에 사용합니다. 또한 사용자 행동 데이터를 기반으로 관련성 높은 제품이나 콘텐츠 추천하는 추천 알고리즘에도 활용됩니다.

 

 

비지도 학습은 레이블이 없거나 인간의 개입 없이 데이터로부터 유용한 정보와 통찰을 추출할 수 있는 강력한 도구입니다. 데이터의 숨겨진 특징을 발견하고, 복잡한 데이터 구조를 이해하며 데이터 탐색과 전처리 과정에서 중요한 역할을 합니다. 우리가 사용하는 행동 데이터를 기반으로 콘텐츠나 제품을 추천하는 추천 시스템이나 장바구니 분석, 마케팅 전략수립이 익숙한데요, 이 방법은 데이터의 질과 양, 그리고 적절한 알고리즘 선택에 따라 그 성공이 달라질 수 있습니다.

 

2024.05.31-인공지능의 학습방식, 그림 코딩으로 지도학습 알아보기

인공지능의 학습방식, 그림 코딩으로 지도학습 알아보기

 

 

감사합니다.