머신러닝 입문 — 지능 · 학습 종류 · 회귀

교재 7.1 ~ 7.3 절. "프로그래밍" 에서 "학습하는 프로그램" 으로 넘어가는 관점의 전환부터, 머신러닝의 공학적 정의, 지도·비지도·강화 학습의 구분, 그리고 회귀분석의 의미까지.

---

1. 지능 → 인공지능 → 머신러닝

• 지능(Intelligence) = 학습 · 추론 · 지각 · 언어이해 능력
• 인공지능(AI) = 인간의 지능을 인공적으로 구현한 것. 범위가 넓고 다소 모호함
• 머신러닝(Machine Learning) = AI 의 엄밀한 하위 분야. "경험으로부터 성능을 향상시키는 알고리즘"

1.1 프로그램 vs 모델

전통적인 "프로그램" 은 해법을 일일이 지시합니다. 하지만 해법을 명시하기 어렵거나 불가능한 문제가 많습니다 (손글씨 인식, 바둑 등).

이때 머신러닝은 접근이 다릅니다:

모델(model) = 파라미터에 의해 동작이 결정되는 융통성 있는 프로그램. 학습은 좋은 파라미터를 찾는 과정.

---

2. 머신러닝의 3요소 (T, P, E)

Tom Mitchell 의 고전적 정의:

"어떤 작업 T 에 대해 성능 척도 P 로 측정했을 때, 경험 E 를 통해 P 가 향상되는 프로그램은 T 에 대해 E 로부터 학습한다고 한다."

---

3. 학습의 3가지 방식

3.1 지도 학습 (Supervised Learning)

• 데이터 + 정답 레이블 을 함께 제공
• 목표: 입력 → 출력 매핑 규칙 학습
• 대표: 회귀(연속값), 분류(이산 레이블)
• 예: 주택 면적 → 가격, 이미지 → 고양이/개

3.2 비지도 학습 (Unsupervised Learning)

• 레이블 없이 데이터 구조 · 패턴 발견
• 대표: 군집화(Clustering), 차원축소
• 예: 뉴스 기사를 비슷한 주제끼리 묶기

3.3 강화 학습 (Reinforcement Learning)

• 에이전트 · 환경 · 액션 · 보상 · 상태
• 보상을 최대화하는 정책(policy) 학습
• 예: 알파고, 게임 AI, 로봇 제어

---

4. 회귀분석 — 독립변수와 종속변수

회귀(regression) = 관측된 데이터로 숨어있는 관계를 추정. 지도학습의 대표 알고리즘.

4.1 선형 가설

• w: 기울기 (slope)
• b: 절편 (intercept)
• 파란 점들은 측정 데이터, 우리는 이 점들을 가장 잘 설명하는 직선을 찾음

4.2 좋은 가설 vs 나쁜 가설

기울기·절편 조합은 무수히 많습니다. 어떤 가설이 좋은가?

→ 오차(error) 가 작은 가설.

데이터와 예측값의 차이 합이 작은 쪽이 승자. 정량적으로 이 "오차" 를 정의하는 것이 다음 단원의 과제입니다.

---

📝 Checkpoint

---

🔗 다음 학습

• 선형 회귀 — 사이킷런과 경사 하강법