머신러닝·딥러닝 개념

[머신·딥러닝 개념] 섹션 메인(머신러닝·딥러닝)

이 섹션에서는 머신러닝과 딥러닝의 핵심 개념과 방법론을 다룬다. 통계학적 모형과의 연결, 예측과 분류, 평가와 일반화, 그리고 딥러닝의 기본 구조를 체계적으로 정리한다.

⸻

[머신·딥러닝 개념] 개요

머신러닝은 데이터를 이용해 규칙을 “학습”하여 예측·분류를 수행하는 방법의 집합이다. 문제 설정(입력 X, 출력 Y), 학습 데이터와 테스트 데이터, 학습 목표(손실 최소화)의 틀을 소개한다. 또한 통계적 추론과의 차이(설명 vs 예측) 및 공통점(모형화·불확실성)을 함께 정리한다.

⸻

[머신·딥러닝 개념] MLDL 개념 1

학습은 보통 “모형 + 손실함수 + 최적화”로 구성된다. 손실함수(회귀의 MSE, 분류의 교차엔트로피 등)가 목표를 정의하고, 최적화가 파라미터를 갱신한다. 편향–분산 트레이드오프와 과적합/과소적합 개념을 통해 일반화의 핵심을 이해한다.

⸻

[머신·딥러닝 개념] MLDL 개념 2

일반화 성능은 데이터 분할(훈련/검증/테스트)과 교차검증으로 평가한다. 특성공학(스케일링, 인코딩), 규제(릿지/라쏘), 조기종료 등은 과적합을 줄이는 대표 전략이다. 또한 데이터 누수(leakage)와 재현성(고정 시드, 파이프라인)의 중요성을 강조한다.

⸻

[머신·딥러닝 개념] 지도학습

지도학습은 정답 라벨 Y가 주어진 데이터로부터 f(X)를 학습하는 방법이다. 회귀(연속형 Y)와 분류(범주형 Y) 문제로 나뉘며, 예측 성능과 해석 가능성이 모두 중요하다. 대표 모형(선형모형, 트리, SVM, 신경망 등)의 역할과 적용 상황을 개괄한다.

⸻

[머신·딥러닝 개념] 비지도학습

비지도학습은 라벨 없이 데이터의 구조를 찾아 요약·군집화·표현학습을 수행한다. 차원축소(PCA 등), 군집(K-means 등), 밀도기반 방법을 통해 패턴과 이상치를 탐색한다. “정답이 없는 문제”이므로 목적에 맞는 평가 기준과 해석이 특히 중요하다.

⸻

[머신·딥러닝 개념] 평가

모형 평가는 “훈련 성능”이 아니라 “새 데이터 성능(일반화)”을 기준으로 한다. 회귀는 RMSE/MAE/R^2, 분류는 정확도·정밀도·재현율·F1·ROC-AUC 등을 사용한다. 불균형 데이터에서의 지표 선택, 임계값 설정, 비용 민감도까지 함께 다룬다.

⸻

[머신·딥러닝 개념] 불확실성

같은 예측값이라도 그 예측이 얼마나 믿을 만한지(불확실성)는 별도의 문제다. 데이터 잡음(aleatoric)과 모형 불확실성(epistemic)을 구분하고, 예측구간/신뢰구간, 부트스트랩, 앙상블, 분위수 회귀 등 대표 접근을 소개한다.

⸻

[머신·딥러닝 예측방법] MLDL 방법론 소개

AI·ML 방법론은 “데이터 → 모형 → 평가 → 개선”의 반복 과정으로 성능을 높인다. 문제 정의(목표/지표), 데이터 분할, 파이프라인 구성, 하이퍼파라미터 튜닝의 전체 흐름을 개관한다. 또한 예측 중심 접근이 통계적 추론과 어떻게 연결되는지 큰 그림을 제시한다.

⸻

[머신·딥러닝 개념] 딥러닝이란?

딥러닝은 다층 신경망을 사용해 복잡한 비선형 패턴을 학습하는 방법이다. 층(layer), 활성화함수, 손실함수, 역전파와 경사하강법을 통해 학습이 이루어진다. 정규화(드롭아웃, 배치정규화), 초기화, 학습률 스케줄링 등 실무적 안정화 기법도 함께 다룬다.

⸻

[머신·딥러닝 개념] 딥러닝방법론 기초

딥러닝은 다층 신경망을 사용해 입력 X로부터 출력 Y를 예측하는 함수 \(f_\theta(X)\) 를 학습하는 방법이다. 층(layer)을 쌓아 특징을 단계적으로 변환하고, 활성화함수로 비선형성을 도입해 복잡한 패턴을 표현한다. 학습은 손실함수(회귀: MSE, 분류: cross-entropy)를 최소화하도록 역전파(backpropagation)로 기울기를 계산하고, 경사하강법/확률적 경사하강법(SGD)으로 파라미터를 갱신하는 과정으로 이루어진다. 실무에서는 과적합과 학습 불안정을 줄이기 위해 정규화(드롭아웃, 가중치 감쇠), 정규화·안정화 기법(배치정규화), 초기화, 학습률 스케줄링, 조기 종료 등의 설정을 함께 조정한다.