머신러닝(Machine Learning)이란 무엇인가?

---

머신러닝(Machine Learning, ML)은 인공지능(AI)의 한 분야로, 컴퓨터가 명시적으로 프로그래밍되지 않아도 데이터로부터 학습하여 스스로 패턴을 찾고 예측이나 분류 등의 작업을 수행하는 기술입니다.
즉, 사람이 일일이 규칙을 알려주지 않아도, 컴퓨터가 데이터 속에서 규칙을 스스로 발견하는 것이 머신러닝의 핵심입니다.

---

머신러닝이 필요한 이유

• 데이터의 양이 많아질수록 사람이 직접 규칙을 만들기 어렵기 때문
• 복잡한 문제(예: 이미지 인식, 음성 인식, 자연어 처리 등)는 사람이 규칙을 정의하기 힘듦
• 데이터로부터 자동으로 패턴을 학습하여, 새로운 데이터에 대해 예측/분류 가능

---

머신러닝의 주요 분류

머신러닝은 학습 방식에 따라 크게 세 가지로 나눌 수 있습니다.

1. 지도학습(Supervised Learning)

• 입력 데이터와 정답(레이블)이 함께 주어짐
• 주어진 데이터를 바탕으로 입력과 정답 사이의 관계를 학습
• 예시:
  • 이메일 스팸 분류
  • 손글씨 숫자 인식
  • 집값 예측

2. 비지도학습(Unsupervised Learning)

• 정답(레이블) 없이 입력 데이터만 주어짐
• 데이터의 숨겨진 구조나 패턴을 찾는 것이 목적
• 예시:
  • 고객 세분화(클러스터링)
  • 뉴스 기사 군집화
  • 차원 축소

3. 강화학습(Reinforcement Learning)

• 에이전트가 환경과 상호작용하며 보상을 최대화하는 방향으로 학습
• 예시:
  • 게임 AI
  • 로봇 제어
  • 자율주행

---

머신러닝의 기본 프로세스

1. 데이터 수집

   • 분석 및 학습에 사용할 데이터 준비

2. 데이터 전처리

   • 결측치 처리, 정규화, 특성 선택 등

3. 모델 선택

   • 문제에 적합한 알고리즘(예: 선형회귀, 의사결정나무 등) 선택

4. 모델 학습

   • 데이터를 이용해 모델을 학습시킴

5. 모델 평가

   • 테스트 데이터를 이용해 모델의 성능 평가

6. 예측 및 활용

   • 새로운 데이터에 대해 예측 수행

---

머신러닝의 대표 알고리즘

• 선형회귀(Linear Regression): 연속적인 값을 예측(예: 집값 예측)
• 로지스틱 회귀(Logistic Regression): 이진 분류(예: 스팸/비스팸)
• 의사결정나무(Decision Tree): 분류와 회귀 모두 가능
• K-최근접 이웃(K-Nearest Neighbors, KNN): 가장 가까운 데이터 기반 예측
• 서포트 벡터 머신(SVM): 분류 문제에서 경계 최적화
• 군집화(Clustering, 예: K-Means): 비지도학습에서 데이터 그룹화
• 신경망(Neural Network): 복잡한 패턴 학습, 딥러닝의 기초

---

간단한 예제 코드 (사이킷런 사용)

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

# 데이터 불러오기
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.2, random_state=42
)

# 모델 학습
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# 예측 및 평가
score = model.score(X_test, y_test)
print(f"정확도: {score:.2f}")

---

머신러닝과 딥러닝의 차이

• 머신러닝: 사람이 특징(Feature)을 직접 설계, 비교적 단순한 모델
• 딥러닝: 인공신경망을 기반으로, 데이터에서 특징을 자동으로 추출, 대용량 데이터와 복잡한 문제에 강점

---