비지도 학습

비지도 학습의 작동 방식

비지도 학습의 주요 목표는 데이터 내의 기본 구조 또는 분포를 모델링하여 데이터에 대해 더 많이 학습하는 것입니다. 알고리즘은 스스로 유사점, 차이점, 구조를 발견하도록 맡겨집니다. 일반적인 기법에는 다음이 포함됩니다:

• 클러스터링: 클러스터링은 특정 특성에 따라 유사한 데이터 포인트를 자동으로 그룹화하는 것입니다. 널리 사용되는 알고리즘으로는 K-평균 클러스터링과 DBSCAN이 있습니다.
• 차원 축소: 이 기술은 필수 정보는 보존하면서 입력 변수나 특징의 수를 줄여 데이터를 단순화합니다. 주성분 분석(PCA) 은 차원 축소를 위해 널리 사용되는 방법입니다.
• 연관 규칙 학습: 이 방법은 대규모 데이터 세트에서 변수 간의 흥미로운 관계나 연관 규칙을 발견합니다. 일반적으로 시장 바구니 분석에 적용되어 자주 함께 구매하는 품목을 찾는 데 사용됩니다.

비지도 학습의 응용

비지도 학습 기법은 다양한 실제 시나리오에서 사용되며, 특히 레이블이 없는 대량의 데이터를 다룰 때 유용합니다:

• 고객 세분화: 기업은 클러스터링을 활용하여 유사한 행동, 선호도 또는 인구통계학적 특성을 가진 고객을 그룹화합니다. 이를 통해 보다 효과적인 타겟 마케팅 캠페인과 개인화된 고객 경험을 제공할 수 있습니다. 고객 세분화에 대해 자세히 알아보세요.
• 이상 징후 탐지: 비지도 알고리즘은 정상에서 크게 벗어난 비정상적인 데이터 포인트나 이상값을 식별하는 데 탁월합니다. 이는 금융 분야의 사기 탐지, 네트워크 침입 탐지, 제조 분야의 결함 식별과 같은 애플리케이션에 매우 중요합니다.

AI와 ML의 관련성

비지도 학습은 빅 데이터의 특징인 방대한 양의 레이블이 없는 원시 데이터를 이해하는 데 중요한 역할을 합니다. 이는 종종 데이터 전처리 및 피처 엔지니어링의 필수 단계로 사용되며, 다른 ML 기술을 적용하기 전에 숨겨진 구조를 발견하거나 데이터 복잡성을 줄이는 데 도움을 줍니다. Ultralytics YOLO 같은 모델은 주로 개체 감지와 같은 작업을 위해 지도 방법을 사용해 학습되지만, 비지도 방법을 통해 데이터 구조를 이해하면 데이터 세트 준비 및 분석에 큰 도움이 되어 잠재적으로 모델 성능을 향상시킬 수 있습니다. 데이터 세트 준비를 위한 데이터 수집 및 주석 가이드를 살펴보고, Ultralytics HUB와 같은 플랫폼을 사용하여 데이터와 모델을 관리할 수 있습니다.

비지도 학습과 다른 학습 유형 비교

비지도 학습과 관련 딥러닝(DL) 및 머신러닝 패러다임을 구분하는 것이 중요합니다:

• 지도 학습: 완전히 레이블이 지정된 데이터 세트가 필요하며, 이는 각 데이터 포인트에 알려진 출력 또는 카테고리가 있음을 의미합니다. 목표는 레이블이 지정된 예시를 기반으로 보이지 않는 새로운 데이터 포인트의 출력을 정확하게 예측할 수 있는 모델을 학습시키는 것입니다.
• 자기 지도 학습: 종종 비지도 학습의 한 유형으로 간주되는 이 학습은 입력 데이터 자체에서 구실 작업(예: 이미지의 숨겨진 부분 예측)을 생성하여 자동으로 레이블을 생성합니다. 트랜스포머 아키텍처에 기반한 모델을 포함하여 대규모 모델을 사전 학습하는 데 널리 사용됩니다.
• 준지도 학습: 소량의 레이블이 지정된 데이터와 대량의 레이블이 지정되지 않은 데이터를 조합하여 사용합니다. 이 접근 방식은 레이블이 없는 데이터를 활용하여 제한된 레이블이 있는 데이터만으로 가능한 것 이상으로 학습 정확도를 향상시키는 것을 목표로 합니다. 준지도 학습에 대해 자세히 알아보세요.

비지도 학습은 레이블이 부족하거나 사용할 수 없는 복잡한 데이터 세트에서 발견과 이해를 촉진하는 ML의 기본 영역으로 남아 있습니다.