데이터 분석 33일

머신러닝의 3가지 주요 종류

종류	설명	예시
1. 지도학습 (Supervised Learning)	정답(레이블)이 있는 데이터를 학습해서, 새로운 입력에 대해 예측함	이메일 스팸 분류, 집값 예측, 시험 점수 예측
2. 비지도학습 (Unsupervised Learning)	정답이 없는 데이터를 스스로 그룹으로 묶거나 패턴을 찾음	고객 세분화, 추천 시스템, 이상치 탐지
3. 강화학습 (Reinforcement Learning)	보상과 벌점을 통해 어떤 행동이 좋은지 학습함	게임 AI, 로봇 제어, 자율주행

---

🔍 각 종류 자세히 살펴보기

✅ 지도학습 (Supervised Learning)

• 데이터: 입력(X)과 출력(Y)이 짝지어진 상태

• 목표: 새로운 입력이 주어졌을 때 적절한 출력을 예측

• 분류 vs 회귀
  - 분류: 스팸/비스팸처럼 정해진 범주 중 하나를 예측
  - 회귀: 숫자 예측 (예: 키, 가격 등)
  

✅ 비지도학습 (Unsupervised Learning)

• 데이터: 출력이 없이 입력만 있음

• 목표: 데이터 안에서 숨겨진 구조, 패턴, 군집 등을 발견

• 대표 기법:
  - 군집화 (Clustering): 유사한 데이터를 묶음 (예: 고객 군집화)
  - 차원 축소: 중요한 정보만 추려서 데이터 압축 (예: PCA)

✅ 강화학습 (Reinforcement Learning)

• 개념: 에이전트가 환경과 상호작용하며 최적의 행동을 학습

• 보상: 좋은 행동에는 보상, 나쁜 행동에는 벌점을 받음

• 예시: 체스 두는 AI, 마리오 게임 플레이

---

🧩 모델링 (Modeling)

- 지도학습 (Supervised Learning)
→ 분류(Classification) / 회귀(Regression) 알고리즘 사용
→ 예: 로지스틱 회귀, 랜덤 포레스트, XGBoost, SVM 등

- 비지도학습 (Unsupervised Learning)
→ 클러스터링(Clustering) / 차원 축소(Dimensionality Reduction) 알고리즘 사용
→ 예: K-Means, DBSCAN, PCA, t-SNE 등

- 강화학습 (Reinforcement Learning)
→ 보상 기반의 정책 최적화 알고리즘 사용
→ 예: Q-learning, Deep Q Network(DQN), Proximal Policy Optimization(PPO) 등

---