Supervised Learning, Unsupervised Learning   지도 학습, 비 지도 학습

1. 기계 학습에서, `학습법 (학습 시나리오)`  :  `어떻게 학습시킬 것인가`에 따른 구분 

  ㅇ 기계 학습의 학습 방법은, 크게 지도 학습과 비 지도 학습으로 구분됨
     - 지도 학습  :  정답/라벨(label)이 있는 데이터로 학습
     - 비 지도 학습  :  정답이 없는 데이터에서 숨은 구조 파악
     - (기타) 
        . 준 지도 학습  :  일부만 정답이 있는 데이터로 학습
        . 강화 학습  :  보상(reward)을 통해 행동 전략 학습


2. 지도 학습 (Supervised Learning)  :  정답이 주어진 데이터를 통해, "미지의 출력값"을 예측

  ㅇ 문제 - 정답의 쌍을 주고, 이를 통해 일반화 능력을 키움
     - 모델은 손실함수(loss)를 최소화하도록 파라미터를 업데이트하며
     - (예측값 ≈ 정답)에 가까워지도록 최적화됨

  ㅇ 문제 유형
     - 연속값 출력  :  (회귀 문제, Regression)
        . 例) 주택 가격 예측, 평점 예측, 랭킹/추천(실수 기반)
     - 이산값 출력  :  (분류 문제, Classification)
        . 例) 스팸/정상 메일(이진 분류), 이미지 객체 분류(다중 분류)

  ㅇ 학습 알고리즘 例
     - 선형 모델 기반  :  선형 회귀, 로지스틱 회귀
     - 비선형 모델 기반  :  결정트리 (Decision Tree), 랜덤 포레스트 (Random Forest), 
                            그래디언트 부스팅(GBM, XGBoost 등)
     - 최근접 기반  :  KNN
     - 최적화 기반  :  SVM
     - 딥러닝 기반  :  MLP, CNN, RNN 등도 지도 학습으로 사용 가능

  ㅇ 일반화와 과적합 방지
     - 학습 데이터에만 과도하게 적합되는 과적합(Overfitting) 방지 필요
        . 학습 데이터 / 검증 데이터 / 테스트 데이터 분리
        . 교차 검증 (Cross-validation)
        . 정규화 (L1/L2), 드롭아웃 (dropout), 조기 종료 (early stopping)
        . 데이터 증강 (data augmentation)


3. 비 지도 학습/자율 학습 (Unsupervised Learning)  :  정답이 없는 데이터에서 패턴,구조를 발견

  ㅇ 출력(정답)이 제공되지 않는 상황에서 즉, 정답 없이 모델을 구축하는 것
     - 입력 데이터 집합에 내재된 숨은 구조/성질을 찾는 과정 (패턴 추출)

  ㅇ 문제 유형
     - 군집화 (Clustering)  :  유사한 데이터끼리 그룹핑
     - 밀도 추정 (Density Estimation)  :  데이터 분포 파악
     - 이상 탐지 (Anomaly Detection)  :  정상 분포에서 벗어난 데이터 탐색
     - 차원 축소 (Dimensionality Reduction)  :  데이터의 주요 요인 추출
        . (시각화, 노이즈 감소 등 목적)
     - 토픽 모델링 (Topic Modeling)  :  문서 집합 내 잠재 주제를 추출
     - 연관성 분석 (Association Rule Mining)  :  항목 간 규칙 찾기

  ㅇ 학습 알고리즘 例
     - 군집화  :  K-means, DBSCAN, 계층적 군집화, GMM(가우시안 혼합 모델)
     - 차원 축소  :  PCA(주성분 분석), t-SNE, UMAP
     - 연관 규칙 분석  :  Apriori, FP-Growth
     - 이상 탐지  :  Isolation Forest, One-Class SVM, Autoencoder 기반 탐지
     - 주제 모델링  :  LDA(Latent Dirichlet Allocation)