머신러닝 AI에서 예측을 이해하려면 머신 러닝에 대한 기초적인 이해가 필요합니다. 머신 러닝은 애플리케이션이 빅 데이터에서 '학습'하고 시간이 지남에 따라 정확도를 개선하는 AI의 하위 집합입니다. 머신 러닝은 분석 모델링을 자동화하며 지도 학습, 비지도 학습, 반지도 학습 및 강화 머신 러닝의 네 가지 방식으로 발생할 수 있습니다(Lorberfeld, 2019 ). 머신이 학습하는 데 사용하는 방법을 살펴보는 것은 이 기사의 범위를 벗어나지만 머신 러닝은 주로 사용된 알고리즘에 따라 달라진다는 것을 이해하는 것이 중요합니다(Lorberfeld, 2019 ). 지도 학습은 입력 및 출력 변수를 모두 포함하는 학습 데이터 세트를 사용하고 수학 방정식(알고리즘)을 사용하여 입력 변수에서 출력 변수로 경로를 매핑합니다. 머신은 점차적으로 학습 데이터 세트에서 학습하므로 새로운 입력 데이터가 도입되면 출력 변수가 무엇인지 예측할 수 있습니다. 지도 학습에는 분류와 회귀라는 두 가지 하위 범주가 있습니다(Agarwal et al., 2018 , 101). 분류와 회귀는 모두 학습 데이터 세트에 의존하는 반면, 분류에서는 기계가 입력 데이터를 범주의 관측치로 할당하는 법을 배우는 반면, 회귀에서는 위 함수의 출력이 숫자입니다(Garbade, 2018 ). 반대로, 비지도 학습은 출력 변수를 사용할 수 없는 패턴이나 매핑 함수를 찾습니다. 여기서 기계는 알고리즘을 사용하여 데이터에서 흥미로운 구조를 발견합니다(Brownlee, 2016 ). 비지도 학습에는 두 가지 하위 범주가 있습니다. 유사성에 따라 관측치를 그룹화하는 클러스터링과 대규모 데이터 섹션을 특징짓는 관계를 설명하는 규칙을 발견하는 연관입니다. 그린먹튀 호치민불건마 스포츠무료중계 야구중계 솔랭토토 롤배팅 카지노알 하수구막힘 미국결혼비자 먹튀검증 먹튀검증사이트 탑플레이어 머니상 구글상위노출 카지노알 성인용품 성인용품 구글백링크