1. 지도 학습 (Supervised Learning)

지도학습은 정답(label)이 있는 데이터를 기반으로 입력-출력 간의 관계를 학습한다. 미리 사람이 입력에 대한 정답을 미리 만들어놓은 것이다. 이를 통해 데이터를 보고 ‘정답’을 맞히는 방식으로 학습한다.

유형	설명	예시
분류	데이터를 클래스 또는 범주로 나눔	이메일 스팸 필터링, 질병 진단, 고객 이탈 여부
회귀	수치 값을 예측	부동산 가격 예측, 주가 예측, 날씨 예측

주요 알고리즘: 의사결정나무, 랜덤포레스트, SVM, 로지스틱 회귀, 선형 회귀 등

---

2. 비지도 학습 (Unsupervised Learning)

비지도 학습은 정답(label)이 없는 데이터에서 유의미한 패턴, 구조, 그룹을 발견하는 것이다. 데이터 간의 유사성을 기반으로 자동으로 분류하거나 압축하는 데 사용된다.

대표 기법	설명	예시
군집화 (Clustering)	유사한 특성을 가진 데이터끼리 그룹화	고객 세분화, 상품 추천
차원 축소 (PCA, t-SNE 등)	고차원 데이터를 시각화 가능한 형태로 축소	데이터 시각화, 노이즈 제거
연관 규칙 학습	항목 간의 관계 탐색	장바구니 분석, 추천 시스템

---

3. 자기지도 학습 (Self-Supervised Learning)

자기지도 학습은 지도학습과 비지도학습의 중간 형태이다. 비지도처럼 정답(label)이 없는 원천 데이터에서 학습하지만, 지도처럼 가짜 라벨을 스스로 생성하여 학습한다. 즉, 사람이 직접 라벨링하지 않아도, 데이터의 일부를 숨기고 나머지 데이터를 활용하여 '스스로 문제를 내고 맞히는 방식'으로 학습하는 것이 핵심이다. GPT, BERT와 같은 모델 역시 자기지도학습을 통해 만들어진 것이다!

---

4. 강화 학습 (Reinforcement Learning)

강화학습은 보상을 최대화하며 정책을 학습하는 것이다. 이는 꼭 사람이 학습하는 것과 비슷한 방식인데, 어떤 행동을 했을 때 상대방이 웃고 있으면 계속 그 행동을 이어가고, 찡그리는 표정을 지으면 싫은 행동임을 인식하고 그 행동을 하지 않는 방식으로 학습해왔다.

바둑을 예시로 들어서 강화학습의 주요 용어들에 대해 살펴보면 다음과 같다.

• Agent: 게임 속에서 직접 행동하는 주체. ex) 흑돌
• Action: 에이전트가 할 수 있는 선택. ex) 수
• Reward: 행동의 결과로 받는 점수. ex) 승점
• Environment: 에이전트와 상호작용하는 세상 전체. ex) 바둑판+상대방+규칙+심판
• State: 현재 상황. ex) 돌이 어떻게 놓여 있는가.
• Q-function: 이 상태에서 이 행동을 하면 얼마나 좋은가? ex) 지금 이 수를 두면 이길 확률
• Episode: 여러 번의 에피소드를 겪으면서 점점 강화됨. ex) 게임 한 판
• Q-learning: 이 상황에선 이 수가 이득이구나. 하며 점차 업데이트 하는 방식. ex) Q-function을 배우는 방법
• Exploration: 이미 아는 수만 두면 발전이 없으므로, 새로운 수를 시도해보는 것. ex) 새로운 길을 찾게 해줌.
• Discount factor: 좋고 나쁨을 얘기해 줌.

주요 예시:

• 알파고(바둑 AI)
• 로봇 제어
• 게임 플레이 에이전트

---