Machine Learning

Get Started. It's Free
or sign up with your email address
Machine Learning by Mind Map: Machine Learning

1. Con Argument

2. Pro Argument

3. Any other considerations and questions go here

4. Considerations

4.1. Any other considerations and questions go here

5. 학습의 종류들

6. What?

6.1. 머신러닝이란 1. 주어진 데이터를 통해서 입력 변수와 출력 변수간의 관계를 만드는 함수f를 만드는 것

6.2. 머신러닝이란 2. 주어진 데이터 속에서 데이터의 특징을 찾아내는 함수f를 만드는 것

7. Cons

7.1. Con Argument

7.2. Con Argument

7.3. Con Argument

8. Why?

8.1. 머신러닝의 활용1. X:고객들의 개인 정보 및 금융 관련 정보, Y : 대출 연체 여부

8.1.1. 대출 연체자 예측 탐지 모델, 대출 연체 관련 주요 특징 추출

8.2. 활용2. X : 게임 유저들의 게임 내 활동 정보, Y : 게임 이탈 여부

8.2.1. 이상 탐지 모델

8.3. 활용3. X : 숫자 손 글씨 데이터, Y : 숫자 라벨

8.3.1. 숫자 이미지 분류 모델

8.4. 활용4. X : 상품 구매 고객 특정 정보

8.4.1. 군집화를 통한 고객 특성에 따른 segmentation

8.5. 활용5. X : 고객들의 상품 구매 내역

8.5.1. 매장 내 상품 진열 위치 리뉴얼을 통한 매출 증대

8.6. 활용6. X : 쇼핑몰 페이지 검색 및 클릭 로그 기록

8.6.1. 맞춤 상품 추천 시스템

8.7. 활용7. X : sns데이터 및 뉴스 데이터

8.7.1. 소셜 및 사회 이슈 파악

9. 지도학습

9.1. What?

9.1.1. X를 이용하여 X-Y관계를 파악하여 Y를 예측하거나 분류하는 것.

9.2. 회귀 (Regression)

9.2.1. What?

9.2.1.1. 입력 변수 X에 대해서 연속형 출력 변수 y를 예측

9.2.2. models

9.2.2.1. Linear Regression

9.2.2.1.1. What?

9.2.2.1.2. Why?

9.2.2.1.3. Considerations

9.2.2.1.4. Pros

9.2.2.1.5. Cons

9.2.2.2. Decision Tree

9.2.2.2.1. What?

9.2.2.2.2. Why?

9.2.2.2.3. Considerations

9.2.2.2.4. Pros

9.2.2.2.5. Cons

9.3. 분류 (classification)

9.3.1. What?

9.3.1.1. 입력 변수 X에 대해서 이산형 출력 변수 y(class)를 예측

9.3.2. models

9.3.2.1. K-Nearest Neighbor

9.3.2.1.1. What?

9.3.2.1.2. Why?

9.3.2.1.3. Considerations

9.3.2.1.4. Pros

9.3.2.1.5. Cons

9.3.2.1.6. How?

9.3.2.2. Neural Network

9.3.2.2.1. What?

9.3.2.2.2. Why?

9.3.2.2.3. Considerations

9.3.2.2.4. Pros

9.3.2.2.5. Cons

9.3.2.3. SVM(Support Vector Machine)

9.3.2.3.1. What?

9.3.2.3.2. Why?

9.3.2.3.3. Considerations

9.3.2.3.4. Pros

9.3.2.3.5. Cons

9.3.2.4. Ensemble Learning

9.3.2.4.1. What?

9.3.2.4.2. Why?

9.3.2.4.3. Considerations

9.3.2.4.4. Basic Idea

9.3.2.4.5. Pros

9.3.2.4.6. Cons

9.3.2.5. Naive Bayes Classifier

9.3.2.5.1. What?

9.3.2.5.2. Why?

9.3.2.5.3. Considerations

9.3.2.5.4. Pros

9.3.2.5.5. Cons

9.3.2.5.6. How?

9.3.2.6. LDA (Linear Discriminant Analysis)

9.3.2.6.1. What?

9.3.2.6.2. Why?

9.3.2.6.3. Considerations

9.3.2.6.4. Pros

9.3.2.6.5. Cons

10. 비지도학습 (unsupervised learning)

10.1. What?

10.1.1. 출력변수 Y가 존재하지 않고, 입력 변수 X 간의 관계에 대해 모델링 하는 것

10.2. 군집화 (Clustering)

10.2.1. What?

10.2.1.1. 유사한 데이터끼리 그룹화

10.2.2. models

10.2.2.1. K-means clustering

10.2.2.1.1. Considerations

10.2.2.1.2. Why?

10.2.2.1.3. Cons

10.2.2.1.4. What?

10.2.2.1.5. Pros

10.2.2.1.6. Basic Idea

10.2.2.1.7. Describe the topic of this evaluation

10.2.2.2. Hierarchnal clustering

10.2.2.2.1. Considerations

10.2.2.2.2. Why?

10.2.2.2.3. Cons

10.2.2.2.4. What?

10.2.2.2.5. Pros

10.2.2.2.6. Basic Idea

10.2.2.3. DBSCAN clustering

10.2.2.3.1. Considerations

10.2.2.3.2. Why?

10.2.2.3.3. Cons

10.2.2.3.4. What?

10.2.2.3.5. Pros

10.2.2.3.6. Basic Idea

10.3. PCA

10.3.1. What?

10.3.1.1. 독립변수들의 차원을 축소화

11. 강화학습 (reinforcement learning)

11.1. What?

11.1.1. 수많은 시도를 통해 현재의 선택이 먼 미래에 보상이 최대가 되도록 학습

11.1.1.1. ex) 알파고

11.2. Why?

11.3. Considerations

11.3.1. Any other considerations and questions go here

11.4. Pros

11.4.1. Pro Argument

11.4.2. Pro Argument

11.4.3. Pro Argument

11.5. Cons

11.5.1. Con Argument

11.5.2. Con Argument

11.5.3. Con Argument

12. Pro Argument

13. Con Argument