지도 및 비지도 학습 (Supervised and unsupervised learning)
임상의는 ECG 신호, 뇌 활동, 혈압 및 산소 포화도와 같은 건강에 대한 다양한 정보 소스를 지속적으로 다루고 있다. 그러나 기록된 데이터의 방대한 양과 제한된 리소스로 인해 의사는 환자 데이터의 고립되고 짧은 스냅샷을 기반으로 치료 결정을 내리는 경향이 있다. 머신 러닝은 heterogeneous 측정 소스에 대한 자동화된 분석을 제공하고, 생명을 위협하는 중대한 사건 (ex: 심장 마비)의 조기 경고 징후를 감지하는 데 도움이 되며, 임상 진단 정확도를 개선하고, 임상의가 정확하고 시기 적절한 의료 개입을 하도록 돕는다.
패턴 인식의 두 가지 주요 방향은 지도 학습과 비지도 학습이다. 지도 패턴 인식은 레이블이 지정된 데이터에 의존하여 입력 기능 (즉, 측정값) x를 출력 변수 y에 매핑하는 매핑 기능을 학습한다. (즉, y=f (X , θ)). 비지도 학습은 레이블이 지정되지 않은 데이터의 패턴과 구조를 발견하려고 한다. 때때로 지도 모델 구축을 진행하기 전에 비지도 학습 전략이 사용된다. 비지도 학습 기술의 일부 응용 프로그램에는 클러스터링, 이상 감지 및 잠재 변수 혼합 모델이 포함된다. 회귀 및 분류는 지도 머신 러닝의 예이다. 분류의 목표는 이산 또는 범주형 출력 변수 y를 예측하도록 모델을 훈련시키는 것이다. 예를 들어, 주어진 관측값에 대해 k개의 클래스 {C1, C2, …, Ck}에 속한다. 반면에 회귀 분석은 특정 날짜의 CO 2 배출량 예측과 같이 연속 응답 변수를 예측하는 문제를 다룬다.
