인공 신경망 (Aritificial Neural Network)
딥러닝 모델은 어떻게 평가할까?
만든 모델을 평가하기 위해서 전체 데이터를 총 3가지로 나눈다. 훈련 데이터(Train Data), 테스트 데이터(Test Data), 검증용 데이터(Validation Data). 이 세 가지 데이터는 각자 역할이 있는데, 훈련 데이터는 모델을 학습 시킬 데이터로 사용된다. 테스트 데이터는 훈련 데이터로 학습된 모델이 테스트 데이터에도 좋은 결과를 내는지 확인하는 용으로 사용한다. 즉, 학습된 모델이 과적합(Overfitting) 되었는지 확인하는 용인 것이다. 마지막으로 검증용 데이터는 훈련 데이터와 학습 데이터를 바탕으로 최종 완성된 모델에 어느 정도 완성도 있는 모델인지 검증하기 위해 사용한다.
여기서 테스트 데이터와 검증용 데이터의 차이점이라고 하면, 테스트 데이터는 모델을 만드는 과정에서 사용되지만, 검증용 데이터는 모델이 완성되고 사용된다.
하이퍼 파라미터란?
사용자가 모델을 만드는 과정에서 직접 설정할 수 있는 값을 의미한다. 학습률, 은닉층의 수, 노드의 수, 드롭아웃 여부 등등 다양하다. 최적의 하이퍼 파라미터는 훈련 데이터, 테스트 데이터, 검증용 데이터에서 모두 뛰어난 결과( Ex. 높은 정확도 )를 보이는 값이다. 현재 최적의 하이퍼 파라미터를 찾는 방법은 격자 탐색(Grid Search) 방법이다. 격자 탐색은 하이퍼 파라미터의 모든 값들을 모두 넣어보아 최적의 하이퍼 파라미터를 찾는 방법이다.
분류(Classification)와 회귀(Regression)
머신러닝의 많은 문제는 분류 또는 회귀 문제에 속한다.
우리가 지금까지 다뤄왔던 C, S, L, A, B 분류 모델은 분류에 속한다.
회귀 문제는 예측, 생산량 예측, 지수 예측 등이 있다.
지도 학습(Supervised Learning)과 비지도 학습(Unsupervised Learning)
지도 학습은 입력과 출력이 있는 데이터를 학습 시킬 때 사용한다.
하지만 비지도 학습은 입력만 있고, 어떤 군집에 속해 있는지 분류할 때 사용한다.
강화 학습(Reinforcement Learning)