머신러닝
🧠 머신러닝 (Machine Learning)
머신러닝(ML)은 인공지능(AI)의 한 분야로, 컴퓨터가 명시적인 프로그래밍 없이 데이터로부터 스스로 학습하여, 특정 작업을 수행하거나 미래를 예측할 수 있도록 하는 기술 및 알고리즘의 집합입니다.
과거의 전문가 시스템처럼 사람이 모든 규칙을 직접 입력하는 것이 아니라, 대량의 데이터를 통해 기계가 스스로 데이터에 숨겨진 패턴과 규칙을 찾아냅니다.
📚 머신러닝의 학습 종류
- 지도 학습 (Supervised Learning)
> * '정답'이 있는 데이터(레이블된 데이터)를 사용하여 모델을 학습시키는 방식입니다. > * `분류 (Classification)` : 데이터를 정해진 카테고리로 구분합니다. (예: 스팸 메일 분류, 신용 등급 평가) > * `회귀 (Regression)` : 연속적인 값을 예측합니다. (예: 주택 가격 예측, 수요 예측)
- 비지도 학습 (Unsupervised Learning)
> * '정답'이 없는 데이터(레이블 없는 데이터)를 사용하여, 데이터 자체의 숨겨진 구조나 패턴을 찾아내는 방식입니다. > * `군집화 (Clustering)` : 비슷한 특성을 가진 데이터들을 그룹으로 묶습니다. (예: 고객 세분화, 이상 탐지) > * `연관 규칙 학습 (Association Rule Learning)` : 데이터 항목 간의 관계를 찾아냅니다. (예: "기저귀를 산 사람이 맥주도 함께 사더라")
- 강화 학습 (Reinforcement Learning)
> * 에이전트가 환경과 상호작용하며, '보상(Reward)'을 최대화하는 방향으로 최적의 행동 정책을 학습하는 방식입니다. (예: 게임 AI, 로봇 제어, 자율주행)
⚙️ 머신러닝 프로젝트 파이프라인
1. **문제 정의**: 해결하고자 하는 비즈니스 문제를 정의합니다. 2. **데이터 수집**: 문제 해결에 필요한 데이터를 수집합니다. 3. **데이터 전처리 및 탐색(EDA)**: 데이터를 정제하고, 시각화하여 탐색하며, 모델 학습에 적합한 형태로 가공합니다. (가장 많은 시간이 소요됨) 4. **모델 선택 및 학습**: 문제에 맞는 머신러닝 모델을 선택하고, 준비된 데이터로 모델을 학습시킵니다. 5. **모델 평가**: 학습된 모델의 성능을 평가 지표(정확도, 정밀도 등)를 통해 객관적으로 측정합니다. 6. **모델 배포 및 서비스**: 평가를 통과한 모델을 실제 운영 환경에 배포하여 서비스를 제공하고, 지속적으로 모니터링합니다.
💡 기술사 핵심 Point
- 머신러닝의 성공은 알고리즘보다 데이터에 더 크게 좌우됩니다. 양질의 데이터를 확보하고, 이를 잘 가공하는 능력이 매우 중요합니다.
- 모델이 학습 데이터에만 과도하게 최적화되어, 새로운 데이터에 대해서는 성능이 떨어지는 과적합(Overfitting) 문제를 해결하는 것이 중요합니다. 이를 위해 정규화(Regularization), 교차 검증(Cross-validation) 등의 기법이 사용됩니다.
- MLOps(Machine Learning Operations)는 머신러닝 모델의 개발, 배포, 운영 전 과정을 자동화하고 안정적으로 관리하기 위한 DevOps의 한 분야로, 최근 그 중요성이 매우 커지고 있습니다.
