기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# Amazon Quick Sight에서 사용하는 ML 알고리즘 이해
<a name="concept-of-ml-algorithms"></a>


|  | 
| --- |
|  Amazon Quick Sight에서 ML 기반 기능을 사용하기 위해 기계 학습에 대한 기술 경험이 필요하지 않습니다. 이 단원에서는 알고리즘의 작동 방식에 대해 자세히 알아보려는 사용자를 위해 알고리즘의 기술적 측면에 대해 자세히 살펴봅니다. 기능을 사용하기 위해 이 정보를 확인할 필요는 없습니다.  | 

Amazon Quick Sight는 Random Cut Forest(RCF) 알고리즘의 기본 제공 버전을 사용합니다. 다음 섹션에서는 이것이 무엇을 의미하고 Amazon Quick Sight에서 어떻게 사용되는지 설명합니다.

먼저 몇 가지 용어를 살펴보겠습니다.
+ 이상 - 동일한 샘플에서 대부분의 다른 항목과 두드러지게 차이 나는 것을 의미합니다. 특이값, 예외, 편차라고도 합니다.
+ 데이터 포인트 - 데이터 세트의 개별 단위, 간단히 말해 행입니다. 하지만 측정에서 여러 차원을 사용할 경우 한 행에 데이터 포인트가 여러 개 포함될 수 있습니다.
+ 결정 트리 - 데이터의 패턴을 평가하는 알고리즘의 결정 과정을 시각화하는 방법입니다.
+ 예상 - 현재와 과거의 동작을 기반으로 미래의 동작을 예상합니다.
+ 모델 - 알고리즘 또는 알고리즘이 학습하는 내용을 수학적으로 표현한 것입니다.
+ 계절성 - 시계열 데이터에서 주기적으로 나타나는 반복적인 동작 패턴입니다.
+ 시계열 - 하나의 필드 또는 열에서 순서가 지정된 날짜 또는 시간 데이터 집합입니다.

**Topics**
+ [이상 탐지와 예상의 차이는 무엇입니까?](difference-between-anomaly-detection-and-forecasting.md)
+ [RCF란 무엇인가요?](what-is-random-cut-forest.md)
+ [RCF가 이상 탐지에 적용되는 방법](how-does-rcf-detect-anomalies.md)
+ [RCF가 예상 생성에 적용되는 방법](how-does-rcf-generate-forecasts.md)
+ [기계 학습 및 RCF에 대한 참조](learn-more-about-machine-learning-and-rcf.md)