다양한 손 글씨 숫자 데이터셋(훈련 데이터)를 정답과 함께 학습시키면 기계학습은 각 숫자 이미지의 세부 특징을 파악하여 훈련하고, 새로운 손 글씨 이미지(테스트 데이터)가 입력되면 학습된 모델에 대입하여 숫자를 분류할 수 있다.

지도학습은 문제를 풀기 위해 입력과 정답이 함께 주어지는 방식이다. 예를 들어 어떤 사진이 고양이인지 개인지 이미 알고 있을 때, 컴퓨터가 그런 사진들을 보면서 고양이와 개의 차이를 배운다. 이렇게 배운 내용을 바탕으로 나중에 처음 보는 사진이 고양이인지 개인지를 맞히는 것이 지도학습이다.

반면, 비지도학습은 정답 없이 입력만 주어지는 방식이다. 컴퓨터는 주어진 정보만 보고 비슷한 것끼리 묶거나, 숨어 있는 규칙이나 구조를 찾아내려고 한다. 예를 들어 여러 사람의 소비 기록이 있을 때, 누가 비슷한 소비 습관을 가지고 있는지를 알아내는 것이 비지도학습이다.

정리하면, 지도학습은 정답을 맞히는 데에 쓰이고, 비지도학습은 데이터 안의 숨은 구조나 패턴을 찾는 데에 쓰인다. 지도학습은 무엇인지 맞히는 문제에, 비지도학습은 어떻게 나눌 수 있는지 알아보는 문제에 잘 어울린다.

비지도 학습의 군집화(Clustering)는 레이블 없이 데이터를 비슷한 특성끼리 자동으로 묶는 방법이다. 예를 들어, 쇼핑몰 고객들의 구매 금액과 방문 횟수 데이터를 가지고 K-평균(K-Means) 알고리즘을 적용하면, 고객을 고액/자주 방문 그룹, 소액/드문 방문 그룹 등으로 나눌 수 있다. 이렇게 군집화한 결과는 마케팅 전략 세우는 데 활용할 수 있다. 군집화는 고객 분석, 이미지 분류, 이상 탐지 등 여러 분야에서 쓰이며, 데이터 안에 숨겨진 패턴이나 구조를 찾는 데 도움이 된다.

반면에 머신러닝은 사람이 규칙을 일일이 알려주지 않고, 대신 컴퓨터가결국 전통적인 프로그래밍은 사람이 모든 규칙을 만드는 방식이고, 머신러닝은 컴퓨터가 데이터를 통해 규칙을 배우는 방식이라고 할 수 있다. 예를 들어, 수많은 학생들의 시험 점수와 성적 데이터를 컴퓨터에게 주면, 컴퓨터는 그 데이터를 분석해서 ‘90점 이상은 A, 80점 이상은 B’와 같은 규칙을 스스로 찾아낸다. 이렇게 배우는 과정이 끝나면, 컴퓨터는 새로운 점수가 주어졌을 때 스스로 성적을 예측할 수 있다.

결국 전통적인 프로그래밍은 사람이 모든 규칙을 만드는 방식이고, 머신러닝은 컴퓨터가 데이터를 통해 규칙을 배우는 방식이라고 할 수 있다.

뉴스 기사 분류

설면ㅇ: 뉴스 기사 텍스트의 주제나 내용을 바탕으로 비슷한 기사끼리 군집화.

활동분야: 뉴스 추천 시스템, 주제 자동 분류.

예시:

정치, 스포츠, 경제 등 레이블 없이 텍스트 유사도 기반으로 자동 분류.

예시:

평수 가격

50 150

60 180

70 210

위의 표가 주어졌을때 85평의 데이터를 넣으면

255라는 집값을 예측한다

비지도 학습 군집은 다양한 분야에서 실제로 널리 활용되고 있습니다. 첫째, 마케팅 분야에서는 고객 데이터를 분석하여 VIP 고객, 일반 고객, 잠재 고객 등으로 자동 분류하는 데 쓰입니다. 이를 통해 각 그룹에 맞는 맞춤형 프로모션이나 광고 전략을 세울 수 있어 효과적인 고객 관리가 가능합니다.

[지도 학습은 회귀와 분류로 나뉨]

비지도 학습 : 정답이 없는 데이터를 입력하면 컴퓨터 시스템이 자신만의 방식으로 유사한 속성값을 갖는 데이터끼리 모아 그룹을 만드는 것

[비지도 학습은 입력 받은 데이터 간의 관계를 파악하여 비슷한 것끼리 묶어주는 것을 말하는 군집 등의 작업이 가능함.]

< 지도 학습과 비지도 학습의 차이 >

지도 학습은 정답이 있는 데이터를 사용하며 분류와 회귀에 활용되며 비지도 학습은 정답이 없는 데이터를 사용하고 군집화, 차원 축소 등에 활용됨.

TFT(롤체)에 AI를 적용한다고 예시로 들면

챔피언 수, 자원 보유량, HP 등을 통해

승리 확률, 피해량을 예측할수있다

모델은 이전 전투 데이터를 학습해서 “이 병력으로 싸우면 얼마나 이길 수 있을까?” 같은 승률을 표시한다

다양한 의료 영상, 유전자 정보, 생체 측정치(훈련 데이터)를 학습시켜 암 환자가 가진 인체의 세부적인 특성(또는 변화)를 파악하여 새로운 인체 데이터가 입력되었을 때 학습 모델에 이를 대입시켜 이 데이터를 가진 사람이 암 환자인지 정상인 지(양성인 지 음성인 지) 분류할 수 있다.

지도학습 회귀란 입력 데이터와 그에 대응하는 정답 값을 함께 사용해 모델을 학습시키는 방법으로, 연속적인 숫자 값을 예측하는 데 목적이 있습니다. 모델은 주어진 데이터를 통해 입력과 출력 간의 관계를 파악하고, 이 관계를 바탕으로 새로운 입력값에 대해 정확한 예측 결과를 내놓도록 학습됩니다. 이를 통해 다양한 실제 문제에서 수치 데이터를 예측하는 데 활용할 수 있습니다.그에 대한 예시를 들어보자면 주변 데시벨에 따라 사람들이 한가지 일에 얼마나 집중할 수 있는 지에 대한 확률은 얼마일까에 대한 예측 결과로 수치 형태로 나오거나 혹은 매체별 연예인의 노출 횟수를 취합하고 포털 당 검색량이 기록 된 확률은 얼마일까에 대한 예측 결과로 수치 형태로 나타내질 수 있다와 같은 예시를 들 수 있습니다.