기계 학습 알고리즘은 연산 메서드를 사용하여 미리 결정된 방정식을 모델로 가정하지 않고 데이터에서 직접 정보를 “학습”합니다. 학습에 사용 가능한 샘플 수를 늘리면 그에 따라 성능을 향상시킬 수 있습니다.

기계 학습 알고리즘은 계산 금융(신용 평가 및 알고리즘 거래), 계산 생명공학(종양 발견, 신약 개발 및 DNA 염기서열 결정), 에너지 생산(가격 및 수요 예측), 자연어 처리, 음성 및 이미지 인식, 광고 및 추천 시스템 등과 같은 응용 분야에서 활용됩니다.

기계 학습은 많은 예측 변수(특성)가 있는 대규모 데이터셋을 포함한 그리고 단순 파라메트릭 모델에는 지나치게 복잡한 빅데이터 응용 프로그램에서 자주 활용됩니다. 빅데이터 응용 프로그램의 예로는 신경망을 사용하는 전기 부하 예측 또는 의사결정 트리 집합을 사용한신용 위험의 채권 등급 분류 등이 있습니다.


분류화

모델을 구축하여 데이터를 여러 범주로 분류합니다.

알고리즘: SVM(Support Vector Machine), BoostedBagged 의사결정 트리, k-nearest neighbor, Naïve Bayes, 판별식 분석, 신경망

응용 분야: 신용 평가, 종양 발견, 이미지 인식

회귀

모델을 구축하여 연속 데이터를 예측합니다.

알고리즘: 선형 모델, 비선형 모델, 정규화, 단계적 회귀, BoostedBagged 의사결정 트리, 신경망, 적응 뉴로 퍼지 학습

응용 분야: 전기 부하 예측, 알고리즘 거래

클러스터링

기계 학습 문제 해결과 관련된 자세한 정보는 Statistics and Machine Learning Toolbox™, Neural Network Toolbox™Fuzzy Logic Toolbox™를 참조하십시오.