머신러닝ML
Machine Learning
모든 규칙을 사람이 직접 적는 대신, 컴퓨터가 데이터에서 패턴을 배우게 하는 방법이에요.
쉽게 비유하면
과일을 고르는 기준을 일일이 설명하는 대신 여러 과일과 이름을 보여 주며 구별하게 하는 것과 같아요.
조금 더 자세히
입력과 정답의 관계를 배우는 지도학습, 정답 없이 구조를 찾는 비지도학습, 보상을 통해 행동을 배우는 강화학습 등이 있어요.
배운 패턴이 새로운 데이터에도 잘 맞아야 해요. 학습 자료에만 잘 맞거나 자료의 편향을 그대로 배우면 실제 서비스에서 성능이 떨어질 수 있어요.
왜 생겼나요
스팸이나 추천처럼 경우의 수가 너무 많아 사람이 모든 규칙을 만들기 어려운 문제를 풀기 위해 널리 쓰이게 됐어요.
어떻게 작동하나요
- 1. 데이터 준비 풀려는 문제에 맞는 데이터를 모으고 정리해요.
- 2. 학습 예측이나 행동이 목표에 가까워지도록 모델을 조정해요.
- 3. 검증 학습에 쓰지 않은 자료로 성능을 확인해요.
활용 예시
- 스팸 메일 분류
- 구매 이력 기반 추천
- 제품 불량 예측
머신러닝 vs 딥러닝
| 머신러닝 | 딥러닝 | |
|---|---|---|
| 범위 | 데이터에서 패턴을 배우는 방법 전반 | 깊은 신경망을 사용하는 머신러닝의 한 종류 |
| 대표 방법 | 선형 회귀, 결정 트리, 신경망 등 | 다층 신경망, 트랜스포머 등 |
흔한 오해
머신러닝은 모두 딥러닝인가요?
딥러닝은 머신러닝의 한 종류예요. 결정 트리나 선형 회귀처럼 깊은 신경망을 쓰지 않는 방법도 있어요.
이렇게 쓰여요
이탈 고객 예측
고객 기록을 보고 이탈 가능성을 계산할 때 써요. “머신러닝으로 예측하되, 최근 고객 데이터로 따로 검증하자”라고 말할 수 있어요.
관련 용어
함께 보면 좋은 용어
최종 업데이트