다양한 손 글씨 숫자 데이터셋(훈련 데이터)를 정답과 함께 학습시키면 기계학습은 각 숫자 이미지의 세부 특징을 파악하여 훈련하고, 새로운 손 글씨 이미지(테스트 데이터)가 입력되면 학습된 모델에 대입하여 숫자를 분류할 수 있다.

예시: 주식가격 예측

과거 주식 가격, 거래량 등을 입력 변수로 사용하여 미래 주식 가격을 예측한다

표현하는 함수식을 학습 알고리즘을 통해 구하고,그에 따라 특정 값을 예측하는 기계학습 방법이다.예시로는,

판매량 예측:제품의 판매량, 광고 정보, 계절적 요인 등을 분석하여 미래의 판매량을 예측한다.

등이 있다.

전통적인 프로그래밍은 사람이 생각한 규칙을 컴퓨터에게 알려주는 방식이다.

기계 학습은 컴퓨터가 많은 데이터를 보고 스스로 규칙을 만들어가는 방식이다.

군집화에 가장 직관적인 예시는 MBTI라고 볼 수 있다.

다수개의 질문을 통해 인간의 성격을 16가지로 군집을 지어 놓은 것이다.

각 군집마다 네이밍을 하고 그 특징을 설명하고 있다. 

다양한 고객 리뷰 데이터셋(훈련 데이터)을 긍정/부정/중립이라는 정답과 함께 학습시키면 기계학습은 리뷰 문장의 단어 사용, 표현 방식 등의 세부 특징을 파악하여 훈련하고, 새로운 고객 리뷰(테스트 데이터)가 입력되면 학습된 모델에 대입하여 해당 리뷰가 긍정, 부정, 중립 중 어떤 감성인지 분류할 수 있다.

비지도 학습은 정답 데이터가 주어지지 않기 때문에 스스로 입력 데이터의 특징을 분석하여 패턴이나 규칙을 찾아내야 한다. 따라서 비지도 학습은 훈련 데이터 속에 숨은 새로운 정보를 찾고자 할때 유용하다.

분류는 고정된 레이블을 나누기 위한 분류 기준을 학습하여 새로운 입력이 들어오면 여러 그룹 중 하나로 선택하는 과정을 통해 판단하는 것. 훈련 데이터를 이용해 기계학습을 진행한 다음 새로운 데이터가 어떤 그룹에 속하는지 판단

예를 들어, 뉴스 기사 카테고리 분류 문제에서는 수천 개의 뉴스 기사와 그에 해당하는 카테고리가 훈련 데이터로 사용됨. 기계는 이 데이터를 바탕으로 각 카테고리에 해당하는 기사들의 공통적인 언어 패턴이나 단어 분포를 학습하게 됨. 이후 새로운 뉴스 기사가 입력되면, 기계는 학습한 기준을 바탕으로 그 기사가 어느 카테고리에 속하는지를 판단하고, 가장 적절한 그룹을 선택하여 분류함.

예를 들어 금융위원회, 주식 거래 규제 강화 발표라는 기사가 주어지면, 이 기사는 경제 카테고리에 속한다고 예측할 수 있음.

예시: 공부에 최적화한 환경 군집