1. 퓨샷 러닝 (Few-Shot Learning)
- 정의: 소량의 데이터를 이용해 모델이 효과적으로 학습하는 방법입니다.
- 설명: 퓨샷 러닝은 충분한 데이터가 없는 상황에서 유용하게 사용됩니다. 일반적으로 몇 장의 이미지나 몇 개의 텍스트 예시만으로도 모델이 새로운 작업을 이해할 수 있게 하므로, 학습 속도가 빠르고 데이터 비용을 줄일 수 있습니다. 예를 들어, 새로운 언어의 몇 가지 예문만으로 번역 모델을 학습할 수 있습니다.
- 참고 링크: [Few-Shot Learning 설명 및 응용 사례](https://medium.com/mlearning-ai/few-shot-learning-explained-5afc84976567)
2. 제로샷 러닝 (Zero-Shot Learning)
- 정의: 학습 데이터에 없는 새로운 클래스를 예측할 수 있는 모델 학습 방법입니다.
- 설명: 제로샷 러닝은 모델이 학습되지 않은 작업에 대해 이전의 지식을 사용하여 예측할 수 있는 능력입니다. 예를 들어, 모델이 ‘고양이’와 ‘강아지’를 학습했다면 ‘호랑이’를 본 적 없어도, ‘고양이’와 ‘호랑이’의 유사성을 통해 ‘호랑이’를 식별할 수 있습니다.
- 참고 링크: [Zero-Shot Learning 이해하기](https://towardsdatascience.com/zero-shot-learning-5efa7a08f73a)
3. 그래프 신경망 (Graph Neural Network, GNN)
- 정의: 그래프 형태의 데이터를 처리하기 위한 신경망 모델입니다.
- 설명: GNN은 연결된 데이터의 관계와 패턴을 분석하는 데 매우 효과적입니다. 주로 소셜 네트워크, 지식 그래프, 추천 시스템 등에서 사용되며, 노드와 엣지를 통해 데이터 간의 관계를 표현할 수 있습니다. 예를 들어, 사용자가 구입한 상품의 연결 관계를 분석하여 추천 시스템을 강화하는 데 GNN을 활용할 수 있습니다.
- 참고 링크: [Graph Neural Network 개념](https://distill.pub/2021/gnn-intro/)
4. 파인튜닝 (Fine-Tuning)
- 정의: 사전 학습된 모델을 기반으로 새로운 데이터에 맞춰 모델을 미세하게 조정하는 기법입니다.
- 설명: 파인튜닝은 전이학습의 한 방식으로, 특정 작업에 대해 미세 조정하여 성능을 높입니다. 사전 학습된 모델이 충분한 데이터와 학습 시간을 거쳤다면, 이를 조금 더 수정하여 새로 주어진 데이터에 맞게 사용할 수 있습니다. 파인튜닝은 NLP, 이미지 처리 등 다양한 분야에서 광범위하게 사용됩니다.
- 참고 링크: [Fine-Tuning 설명](https://www.analyticsvidhya.com/blog/2021/08/an-introduction-to-fine-tuning/)
5. 지도학습 (Supervised Learning)
- 정의: 레이블이 지정된 데이터(입력과 정답)로 모델을 학습시키는 방법입니다.
- 설명: 지도학습은 데이터에 명확한 답을 제공하여 모델이 예측하도록 도와줍니다. 이미지 분류, 스팸 메일 분류와 같은 분류(classification) 문제와, 주가 예측, 날씨 예측과 같은 회귀(regression) 문제에 주로 사용됩니다.
- 참고 링크: [지도학습 개념 이해](https://www.geeksforgeeks.org/supervised-learning/)
6. 비지도학습 (Unsupervised Learning)
- 정의: 레이블이 없는 데이터에서 패턴을 찾는 학습 방법입니다.
- 설명: 비지도학습은 데이터의 구조와 특성을 이해하는 데 주로 사용됩니다. 클러스터링(clustering)과 차원 축소(dimensionality reduction) 등이 주요 예입니다. 예를 들어, 고객 데이터를 클러스터링하여 유사한 소비자 그룹을 찾는 데 사용할 수 있습니다.
- 참고 링크: [비지도학습의 이해](https://towardsdatascience.com/unsupervised-learning-f45587588294)
7. 준지도학습 (Semi-Supervised Learning)
- 정의: 일부 데이터에만 레이블이 있는 상태에서 학습하는 방법입니다.
- 설명: 준지도학습은 일부 레이블이 있는 데이터를 사용해 데이터의 패턴을 학습하고, 이를 바탕으로 레이블이 없는 데이터도 이해할 수 있도록 모델을 훈련시킵니다. 데이터 라벨링이 어려운 경우 활용될 수 있으며, 컴퓨터 비전 및 NLP에서 주로 사용됩니다.
- 참고 링크: [준지도학습 소개](https://towardsdatascience.com/semi-supervised-learning-explained-7a3599e15bc8)
8. 강화학습 (Reinforcement Learning)
- 정의: 에이전트가 환경과 상호작용하며 보상을 통해 최적의 행동을 학습하는 방법입니다.
- 설명: 강화학습에서는 에이전트가 주어진 환경에서 보상을 최대화하는 행동을 찾아 학습합니다. 주로 게임 AI, 자율 주행, 로봇 제어 등에 사용됩니다.
- 참고 링크: [강화학습의 원리](https://towardsdatascience.com/reinforcement-learning-101-e24b50e1d292)
9. 자기지도학습 (Self-Supervised Learning)
- 정의: 데이터를 레이블 없이도 학습할 수 있는 방법으로, 데이터의 일부분을 예측하도록 학습합니다.
- 설명: 자기지도학습은 레이블링이 필요 없는 데이터의 구조적 패턴을 모델이 직접 찾도록 합니다. 예를 들어, 이미지에서 특정 부분을 가리고 나머지를 통해 숨겨진 부분을 예측하는 방식으로 학습할 수 있습니다. GPT 같은 자연어 처리 모델에서도 많이 사용됩니다.
- 참고 링크: [자기지도학습 이해하기](https://towardsdatascience.com/self-supervised-learning-application-in-computer-vision-d2015b4a6144)
10. 멀티태스킹 학습 (Multi-Task Learning)
- 정의: 하나의 모델이 여러 작업을 동시에 학습하는 방법입니다.
- 설명: 멀티태스킹 학습은 한 가지 작업을 위한 학습이 다른 작업에도 도움이 되는 경우에 사용됩니다. 예를 들어, 얼굴 인식 시스템에서 동시에 표정과 성별을 예측하는 작업이 가능합니다.
- 참고 링크: [멀티태스킹 학습 개념](https://towardsdatascience.com/multi-task-learning-94d3a26f0e7)