2.1. Rule Based Machine Learning Overview Review

2.1. Rule Based Machine Learning Overview Review

이 글은 공부를 위해 적는 것입니다.
모든 저작권은 KAIST 문일철 교수님과 Edwith에 있습니다.
강좌 URL : https://www.edwith.org/machinelearning1_17/lecture/10579/
PDF는 위 강좌 URL을 통해 무료로 다운받을 수 있습니다.
Image 파일 아래의 글들은 강의를 토대로 작성되었으며 저의 생각이 약간 감미된 경우 또한 있습니다.

배운점

• ML이 추구하고자 하는 것, 어떻게 추구하고자 하는 것
• A Perfect World for Rule Based Learning이 가정하는 것
• Function Approximation
• Graphical Representation of Functional Approximation

Machine Learning이란 무엇인가
경험에 의해 배울 수 있는 프로그램
특정 T를 수행, 수행 평가가 좋도록하는 P
많은 경험, 사전 지식을 쌓으면 더 많은 데이터를 가지고 있는 것 -> 머신러닝의 성능이 좋아지지 않을까
압정말고 다른 게임 - 규칙 기반 Task

Perfect World 완벽한 세상 가정
=> 관측 에러가 없음. 일관적이지 않은 행동을 하지않음. 애매모한 행동을 취하지 않음.
=> 명확한 기준, 정확한 행동
=> 랜덤 요소가 없음, 모든 관측 정보를 통해 시스템의 재생산
특정한 Task T
데이터들 -> EnjoySpt 2진 분류 Yes or NO
어떤 요소가 가장 큰 영향을 미칠까를 찾는 것이 임무

놀러갈지 가지않을지를 정해주는 Function Approximation
PAC(Probably Approximate Correct) Learning에서 better approximation을 구하는 것이 목적
1.2 MLE Review에서 PAC 다시 살펴보기 - 마지막 슬라이드에 위치
Instance X 1개
Feature
Label Y : 실제 관측 결과, 일명 답안지, 솔루션
Training Dataset D
Hypothesis H
$h_i$ -> Yes라고 가정
몇 개의 hypothesis가 가능할까? 각 요소마다 2개의 값만 있다고 한다면 $2^6$개의 가정이 가능
Target Function c : 우리가 알지못하고 목표로 하는 것 결과를 통해서 얻을 수 있는 것

h1 가설을 사용해 x1,x2,x3를 판별 x1,x2,x3은 무조건 밖에 나가 노는 것
h3일 때 x2는 나가 노는 것이 아님