2. 머신러닝의 기본 개념(1) - 지도학습 vs 비지도학습 vs 준지도학습 vs 강화학습

머신러닝은 데이터를 학습하여 특정 작업을 수행하는 모델을 만드는 기술입니다. 학습 방식에 따라 머신러닝은 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 준지도학습(Semi-Supervised Learning), 강화학습(Reinforcement Learning) 네 가지 주요 유형으로 나뉩니다. 이번 글에서는 각 학습 방식의 개념과 차이점, 활용 사례를 자세히 알아보겠습니다.

---

1. 지도학습 (Supervised Learning)

1.1 지도학습이란?

지도학습(Supervised Learning)은 입력 데이터(Input)와 그에 대한 정답(Label 또는 Output)이 함께 제공되는 데이터셋을 기반으로 학습하는 방식입니다. 즉, 머신러닝 모델이 주어진 입력값에 대한 정답을 학습하고, 새로운 입력값이 주어졌을 때 올바른 출력을 예측하도록 합니다.

예를 들어, 개와 고양이 이미지를 분류하는 모델을 만들고 싶다면?

• 입력 데이터: 개 이미지 🐶, 고양이 이미지 🐱
• 정답(레이블): "개", "고양이"
• 머신러닝 모델: 개와 고양이를 구별하는 패턴을 학습

충분한 데이터와 정답을 제공하면 모델은 새로운 이미지가 들어왔을 때 개와 고양이를 정확하게 예측할 수 있습니다.

1.2 지도학습의 종류

1. 회귀(Regression)
   • 출력값이 연속적인 수치 데이터인 경우
   • 예제: 집값 예측, 주식 가격 예측
   • 대표 알고리즘: 선형 회귀(Linear Regression), 다항 회귀(Polynomial Regression)
2. 분류(Classification)
   • 출력값이 특정 카테고리(클래스)로 나뉘는 경우
   • 예제: 스팸 메일 필터링, 손글씨 숫자 인식
   • 대표 알고리즘: 로지스틱 회귀(Logistic Regression), 랜덤 포레스트(Random Forest)

1.3 지도학습의 활용 사례

• 의료: 환자의 의료 기록을 분석하여 질병 예측
• 금융: 고객의 신용 점수를 분석하여 대출 승인 여부 결정
• 자연어 처리: 텍스트 감성 분석(긍정/부정 판단), 챗봇 응답 예측

---

2. 비지도학습 (Unsupervised Learning)

2.1 비지도학습이란?

비지도학습(Unsupervised Learning)은 정답(레이블)이 없는 데이터에서 패턴을 찾아내는 학습 방식입니다. 즉, 데이터만 제공되고 정답이 없는 상태에서 머신러닝 모델이 자체적으로 구조를 파악하고 그룹을 형성합니다.

예를 들어, 온라인 쇼핑몰에서 고객 데이터를 분석하여 비슷한 구매 패턴을 가진 고객을 자동으로 그룹화할 수 있습니다.

2.2 비지도학습의 종류

1. 군집화(Clustering)
   • 데이터를 비슷한 특성을 가진 그룹으로 묶는 기법
   • 예제: 고객 세분화, 유전자 데이터 군집화
   • 대표 알고리즘: K-평균(K-Means), 계층적 군집화(Hierarchical Clustering)
2. 차원 축소(Dimensionality Reduction)
   • 데이터의 특성이 너무 많을 때, 핵심적인 정보만 추출하여 데이터의 복잡도를 줄이는 기법
   • 예제: 데이터 시각화, 노이즈 제거
   • 대표 알고리즘: 주성분 분석(PCA), t-SNE

2.3 비지도학습의 활용 사례

• 마케팅: 고객 데이터를 분석하여 맞춤형 광고 전략 수립
• 추천 시스템: 넷플릭스, 유튜브, 스포티파이 등의 추천 알고리즘
• 이상 탐지: 금융 거래 데이터에서 이상 패턴을 찾아 사기 탐지

---

3. 준지도학습 (Semi-Supervised Learning)

3.1 준지도학습이란?

준지도학습(Semi-Supervised Learning)은 지도학습과 비지도학습의 중간 형태로, 일부 데이터에는 정답(레이블)이 있고, 나머지 데이터에는 정답이 없는 경우를 학습하는 방식입니다.

즉, 레이블이 있는 데이터가 적고, 레이블이 없는 데이터가 많을 때 활용되는 방법입니다.

3.2 왜 준지도학습이 필요한가?

• 레이블링 비용 절감: 데이터에 정답을 직접 달아주는 작업(레이블링)은 비용이 많이 듭니다. 예를 들어, 의료 이미지 데이터에서 의사가 모든 이미지에 대한 진단 결과를 직접 달아야 한다면 많은 시간과 비용이 필요합니다.
• 대규모 데이터 활용: 인터넷에는 방대한 양의 데이터가 있지만, 대부분은 정답(레이블)이 없습니다. 준지도학습을 활용하면 일부 레이블된 데이터만으로도 모델의 성능을 향상시킬 수 있습니다.

3.3 준지도학습의 예제

1. 텍스트 분류
   • 뉴스 기사를 정치, 스포츠, 경제 등의 카테고리로 분류
   • 일부 기사에만 레이블을 제공하고, 나머지는 비지도학습을 통해 분류
2. 의료 이미지 분석
   • 수천 개의 의료 이미지를 분석하여 질병을 진단
   • 일부 이미지에는 의사가 직접 레이블을 달고, 나머지는 비지도학습 기법으로 활용
3. 웹페이지 분류
   • 수많은 웹페이지 중 일부만 레이블을 지정하고, 나머지는 자동으로 카테고리 분류

3.4 준지도학습의 활용 사례

• 자율주행: 일부 도로 상황만 레이블을 지정하고, 나머지는 자동 학습
• 음성 인식: 일부 오디오 파일에만 텍스트를 제공하고, 나머지는 자동 변환
• 검색 엔진: 일부 웹페이지에만 태그를 부여하고, 나머지는 유사도 분석으로 자동 분류

---

4. 강화학습 (Reinforcement Learning)

4.1 강화학습이란?

강화학습(Reinforcement Learning)은 보상을 기반으로 최적의 행동을 학습하는 방식입니다. 지도학습이나 비지도학습과 다르게, 강화학습에서는 정답(레이블) 대신 "보상(Reward)"이라는 개념을 사용합니다.

강화학습은 **에이전트(Agent)**가 환경(Environment)과 상호작용하며, 주어진 목표를 달성하기 위해 최적의 행동을 학습합니다.

4.2 강화학습의 활용 사례

• 게임 AI: 알파고(AlphaGo), 스타크래프트 AI
• 로봇 공학: 로봇이 최적의 움직임을 학습
• 자율주행: 차량이 최적의 주행 경로를 학습
• 금융 트레이딩: 강화학습을 활용한 자동 주식 거래 시스템