Machine learning 분류

Machine learning 관련 페이퍼를 보다보면, supervise, semi-supervise, reinforcment, 등의 용어는 흔히 들어봐서 이해하지만, inductive, transductive, self-supervised 등은 약간 낯설기도하다. 비슷한 개념인것같은데 분류방식에 의한 방법으로 생각되어 다음과 같이 정리해보았다.

 

1. 문제의 종류 따른 분류

- Supervised,

- Unsupervised

- Reinforment.

 

2. Statistical inference: inference은 학습한 기계학습모델이 주어진 관찰하지 않은 데이터(X, unseen data)을 예측하는 작업을 의미한다. 아래의 3가지 작업에 "Learning", 과 "Inference"을 꼭 구분하여 읽어야한다. "inductive", "deductive"에만 꽂혀서는 의미를 알 수 없다.

- Inductive learning (귀납적 학습): 근거를 이용한 추론방법. 여태까지 주어진 데이터를 이용하여(근거,from specific historical examples), 학습하는 것을 의미한다.. 대부분의 머신러닝들이 위의 학습방법에 해당된다. 주어진데이터에 따라 머신러닝모델이 데이터를 어떻게 표현할지 파라미터를 알고있으면, 이 과정이 일반화되는 과정일 수 있다. 데이터를 기반으로 모델을학습하는 과정(데이터: 구체적인 사례, 머신러닝의 파라미터: 일반화)

- deductive inference (연역적 추론): inductive learning 의 반대다. 학습한 머신러닝의 모델을 각 개별 사례에 적용하는 것을 의미한다. 예측모델로 흔히 하고자하는 궁극적인 일이 이에 해당된다. 모델의 학습이 Induction(귀납)이라면, 모델의 사용은 연역이다.

- Transductive learning: 특정한 사례를 이용하여, 또다른 특정한 사례를 예측하는 것을 의미한다. (specific case to specific case)

 

[reference] https://machinelearningmastery.com/types-of-learning-in-machine-learning/