2025-10-15
오늘 배운 것
AI, ML, DL 기본 개념 정리
1️⃣ AI, ML, DL의 정의
🤖 AI (Artificial Intelligence)
- 주어진 환경/데이터를 인지·학습·추론하여 목표 달성을 위한 예측·행동·선택·계획을 수행하는 시스템
🧩 ML (Machine Learning)
- AI의 하위 분야
- 데이터로부터 학습하여 명시적 규칙 없이 목표를 달성하는 접근 방법론
- 예시: 언어 모델, 이미지 분류, 추천 시스템
🧠 DL (Deep Learning)
- ML의 하위 분야
- 신경망(Neural Network) 구조를 활용한 학습 방식
💡 ML이 아닌 AI의 예
- 규칙 기반 시스템 (Rule-based)
- 휴리스틱 기반 알고리즘 (Heuristic optimization)
2️⃣ 데이터와 학습의 이해
2-1. 데이터 구성요소 (Feature / Label)
| 구분 | 설명 | 예시 | | — | — | — | | Feature (특성) | 모델이 예측에 사용하는 입력 정보 | 영상의 장르, 조회수, 사용자의 시청 이력 | | Label (라벨) | 모델이 예측하려는 정답, 목표값 | 사용자가 영상을 시청했는가 여부 |
- 머신러닝은 규칙을 직접 코딩하지 않고 데이터로부터 규칙을 학습
- 데이터의 분포와 관계가 모델의 성능을 결정
2-2. ML 실생활 예시
🎬 유튜브 추천 시스템
- Feature: 영상 정보(장르, 조회수 등) + 사용자 정보(시청 이력 등)
- Label: 사용자의 행동 (시청 여부, 좋아요 클릭 여부)
📧 스팸메일 분류
- Feature: 메일 제목, 단어 빈도, 발신자
- Label: 스팸 / 정상 여부
3️⃣ 단일 피처 기반 학습 (1D Feature Learning)
3-1. 1D 피처 기반 학습이란?
- 입력 피처가 하나뿐인 가장 단순한 형태의 학습
x → y관계를 가장 잘 설명하는 함수를 찾는 과정- 여러 후보 함수 중 데이터에 가장 잘 맞는 f(x) 를 선택해야 함
3-2. 모델과 가설 공간
| 용어 | 정의 |
|---|---|
| 학습(Learning) | 입력(Feature)과 출력(Label) 사이의 관계를 찾는 과정 |
| 가설공간(Hypothesis Space, F) | 가능한 모든 함수 후보들의 집합 |
| 모델(Model, f) | 가설공간 내 특정 함수 하나 |
즉, 학습은 가설공간 F 안에서 최적의 f를 선택하는 과정이다.
3-3. 학습이란?
데이터 D → 가설공간 F → 최적 모델 f 선택
- 성능 척도(예: 손실 함수)를 기준으로 모델을 평가
- 가장 좋은 성능을 내는 모델을 학습 결과로 선택
4️⃣ 복수 피처 기반 학습 (2D 이상 Feature Learning)
4-1. 2D 피처 기반 학습
- 입력이 2개 이상일 때의 학습
- 입력 데이터가 평면(2D) 상의 점으로 표현됨
- 모델은 이 평면 위에서 패턴이나 경계선(Decision Boundary) 을 학습
4-2. 용어 정리 및 모델 가정
| 용어 | 의미 |
|---|---|
| X (Feature) | 입력 변수들의 집합 (X₁, X₂, …, Xₚ) |
| Y (Label) | 예측하고자 하는 목표 변수 |
| f(.) | 입력 X로부터 Y를 예측하는 함수 (모델) |
4-3. 왜 f(.)를 학습하는가?
| 목적 | 설명 |
|---|---|
| 예측 (Prediction) | 새로운 입력값 X에서 Y를 예측하기 위해 |
| 특성 중요도 파악 (Feature Importance) | 어떤 피처가 Y에 영향을 많이 미치는지 분석 |
| 해석 가능성 (Interpretability) | f의 형태를 통해 각 X가 Y에 어떤 영향을 주는지 해석 |
💬 예시
-
근속연수와 교육기간은 소득에 영향을 많이 주지만
혼인 여부는 거의 영향을 주지 않을 수 있다.
📚 정리
| 구분 | AI | ML | DL |
|---|---|---|---|
| 정의 | 목표 달성을 위한 지능적 시스템 | 데이터로부터 규칙 학습 | 신경망 기반 학습 |
| 핵심 | 인지·추론·판단 | 데이터 학습 | 계층적 표현 학습 |
| 예시 | 자율주행, 음성인식 | 추천시스템, 분류 | CNN, RNN, Transformer |