LLM 스터디 기초이론 자료

머신  러닝이  뭔데?

 

---

그걸 어떻게 만듦?

 

---

 

"학습"을 어떻게 시켜?

 

학습은 크게 Supervised Learning(지도 학습)과 

Unsupervised Learning (비지도 학습)으로 나뉨

 

 

---

정답(正答)

---

기초 예시 : Regression

 

Linear Regression 선형 회귀

---

기초 예시 : Classification

Logistic Regression 로지스틱 회귀

---

오케이,
그럼 딥러닝은 뭐임?

---

 

뉴럴 네트워크?

---

 

딥러닝이 데이터의 특징(feature)를
스스로 포착한다고?

 

Feature

면적 점수가 왜 하필 '전용면적 ÷ 2.75'지? 공용면적이면 안되나? 꼭 2.75를 나눠야 하나? 이런 고민 ㄴㄴ

 

---

딥러닝 편리하네
근데, 연산은 조상님이 해줌?

 

Tensor

---

다시 학습으로 돌아가서..
아래의 경우가 과연 좋은 학습일까?

 

데이터의 패턴이 아니라 답만 달달 외워서

시험장가서 기출변형 만나면 잘 풀지도 못하고 개털리는게?

---

 

훈련시간이 길어지면 훈련 데이터는 잘 예측하게되겠지만

정작 실전에서는 예측을 잘하지 못하게 될 수도 있음

 

그래서 모델을 평가할 때, 훈련에 사용 데이터를 재활용하는게 아니라

모델이 한번도 못 본 데이터를 따로 준비해서

답만 달달 외운게 아닌지 평가를 해줘야함

---