머신러닝의 기본 원리: 데이터에서 학습으로 가는 여정

 

머신러닝은 현대 기술의 핵심 요소로, 데이터에서 패턴을 인식하고 이를 통해 예측 및 의사 결정을 지원하는 방식으로 작동합니다. 현재 시점인 2025년 4월 23일 기준, 머신러닝은 지도학습, 비지도학습, 강화학습의 세 가지 주요 유형으로 나뉘며, 각 유형은 문제를 해결하는 데 특화된 방법론을 제공합니다.

지도학습(Supervised Learning)은 레이블이 달린 데이터를 기반으로 모델이 학습을 진행하여, 주어진 입력에 대한 정확한 출력을 산출하는 방식입니다. 이 방법은 주로 스팸 필터링, 매출 예측 등에서 활용됩니다. 반면, 비지도학습(Unsupervised Learning)은 레이블이 없는 데이터를 분석하여 숨겨진 패턴을 발견하는 데 중점을 두며, 고객 세분화와 같은 작업에 유용합니다.

강화학습(Reinforcement Learning)은 에이전트가 환경과 상호작용하여 보상을 통해 학습하는 방법으로, 자율주행차와 같은 복잡한 시스템에서 효과적으로 사용되고 있습니다. 이러한 세 가지 유형은 머신러닝의 기초를 형성하며, 각기 다른 산업에서 혁신을 촉진하는 역할을 하고 있습니다.

또한 데이터 전처리와 특징 추출은 머신러닝의 성능을 결정짓는 중요한 단계로, 깨끗하고 구조화된 데이터가 모델의 예측 품질을 높이는 데 기여합니다. 모델의 학습 과정에서는 오버피팅을 예방하기 위한 다양한 방법론이 필요하며, 이러한 과정에서 GPU와 같은 고성능 연산 자원의 필요성이 더욱 부각되고 있습니다.

마지막으로, 머신러닝은 금융, 제조, 의료 등 다양한 분야에서 실제 적용 사례가 증가하고 있으며, 이로 인해 새로운 비즈니스 기회와 혁신적인 해결책이 모색되고 있습니다. 머신러닝의 발전은 데이터 품질 및 윤리적 고려 사항과 함께 지속적인 연구와 개발이 요구되는 상황입니다.

---

머신러닝 개념 및 발전 배경

머신러닝 정의

머신러닝(Machine Learning)은 기계가 데이터를 통해 스스로 규칙을 배우고, 이를 바탕으로 새로운 데이터를 처리하는 기술입니다. 이는 과거에는 사람이 명시적으로 프로그래밍해야 했던 작업을 자동화하여, 기계가 스스로 판단할 수 있게 도움을 줍니다. 아서 새뮤얼은 1959년에 머신러닝을 ‘컴퓨터가 명시적으로 프로그램되지 않고도 학습할 수 있는 능력’이라고 정의했습니다. 머신러닝의 가장 기본적인 개념은 대량의 데이터를 제공하고, 이를 통해 패턴을 인식하고 예측 모델을 만드는 것입니다.

예를 들어, 고양이 사진을 다수 보여주고 각 사진에 ‘고양이’라는 레이블을 붙여주면, 기계는 고양이가 가진 특징(예: 뾰족한 귀, 동그란 눈 등)을 학습하여 나중에 처음 보는 고양이 사진을 인식할 수 있게 됩니다. 이를 통해 머신러닝은 특정 태스크를 수행하기 위한 인공지능 시스템을 발전시키는데 큰 역할을 하고 있습니다.

 

역사적 발전 과정

머신러닝의 역사는 1950년대부터 시작되었으며, 초기에는 주로 게임 이론과 패턴 인식에 중점을 두었습니다. 1956년 다트머스 회의에서 인공지능(AI)이라는 용어가 처음 사용되었고, 이는 머신러닝 발전에 큰 기틀이 되었습니다. 1960년대에는 퍼셉트론이라는 단순한 신경망 모델이 제안되었으며, 이는 기계가 특정 패턴을 인식할 수 있는 기반이 되었습니다.

1980년대에는 신경망 이론이 다시 주목받으면서 복잡한 문제를 해결하는 다양한 알고리즘들이 개발되었습니다. 특히, 백프로퍼게이션 알고리즘이 소개되면서 머신러닝의 성능은 비약적으로 향상되었습니다. 2010년대 들어서는 빅데이터의 발전과 GPU 연산의 발전으로 인해 머신러닝, 특히 딥러닝(deep learning) 기술이 크게 발전하였습니다. 이러한 역사적 과정은 머신러닝이 현재 우리가 사용하는 다양한 응용 프로그램으로 발전하는 데 중요한 역할을 했습니다.

 

핵심 개념: 데이터와 학습

머신러닝의 중심에는 ‘데이터’와 ‘학습’이라는 두 가지 핵심 개념이 자리잡고 있습니다. 데이터는 머신러닝 모델이 패턴을 인식하고 학습하는 기초가 되며, 이를 통해 모델은 주어진 문제를 해결할 수 있는 능력을 갖추게 됩니다. 머신러닝의 종류에 따라 데이터의 구성 방식과 학습 방식이 달라집니다.

주로 세 가지 유형의 머신러닝이 존재하는데, 그 중 하나가 지도학습(Supervised Learning)입니다. 지도학습은 정답이 있는 데이터를 사용하여 기계가 학습하도록 하는 방식으로, 예를 들어 스팸 메일 필터링에 사용됩니다. 반면 비지도학습(Unsupervised Learning)은 정답이 없는 데이터에서 패턴을 스스로 인식하도록 하는 방식입니다. 마지막으로 강화학습(Reinforcement Learning)은 시험과 오류를 통해 보상을 통해 학습하는 방식으로, 게임 AI나 자율주행 차량에 주로 사용됩니다.

따라서 데이터의 질과 양은 머신러닝 모델의 성능에 지대한 영향을 미치며, 이 같은 머신러닝의 학습 과정은 다양한 산업에서 혁신을 촉진하는 데 기여하고 있습니다.

---

머신러닝 주요 학습 유형

지도학습

지도학습(Supervised Learning)은 머신러닝의 가장 일반적인 형태로, 레이블이 부착된 데이터를 사용하여 학습하는 방식입니다. 이 과정에서 모델은 주어진 입력 데이터에 대해 각각의 정답(출력)을 학습하며, 이 정답은 데이터 포인트와 함께 제공됩니다. 예를 들어, 이메일 스팸 필터링 시스템에서는 각 이메일이 스팸인지 아닌지에 대한 정보가 포함된 데이터세트를 사용하여 모델을 학습시킵니다. 이 모델은 이후에 새로운 이메일이 들어왔을 때 스팸 여부를 판단하게 됩니다.

지도학습의 활용 예로는 회귀 및 분류 문제가 있습니다. 회귀는 예를 들어 다음 달의 매출을 예측하는 데 사용될 수 있으며, 분류 문제는 의료 데이터에서 특정 질병의 유무를 판단하는 데 활용될 수 있습니다. 이러한 학습 유형의 주요 장점은 높은 정확도를 가지며, 명확한 피드백 루프를 통해 모델의 성능을 지속적으로 개선할 수 있다는 점입니다.

 

비지도학습

비지도학습(Unsupervised Learning)은 레이블이 없어 데이터 내의 숨겨진 패턴을 발견하는 데 중점을 두는 유형입니다. 이 유형의 학습에서는 데이터 포인트에 대한 정답이 주어지지 않기 때문에, 모델은 데이터를 독립적으로 분석하고 군집화, 차원 축소 등 다양한 방법으로 구성 요소를 찾아내야 합니다.

예를 들어 K-평균 클러스터링은 고객 세분화와 같은 작업에 사용될 수 있으며, 이를 통해 기업은 서로 유사한 특성을 가진 고객 그룹을 식별하여 마케팅 전략을 맞춤화할 수 있습니다. 비지도학습의 또 다른 응용 예는 데이터의 차원을 축소하는 PCA(Principal Component Analysis)로, 고차원 데이터를 시각화하거나 분석하기 위해 필수적인 과정입니다.

 

강화학습

강화학습(Reinforcement Learning)은 에이전트가 환경과 상호작용하여 경험을 통해 학습하는 방법입니다. 이 에이전트는 특정 행동을 취했을 때 주어지는 보상 또는 페널티를 통해 자신의 행동을 조정하며, 장기적으로 누적 보상을 극대화하는 방향으로 학습합니다. 이 과정에서 '시험과 오류'를 통해 최적의 행동 전략을 찾아갑니다.

강화학습은 자율주행차, 로봇 공학 및 여러 게임에서 널리 사용되며, 특히 복잡한 환경에서 효과적인 결정을 내리는 데 강력한 기능을 발휘합니다. 예를 들어, 자율주행 시스템은 교통신호, 도로 조건 및 다른 차량과의 상호작용을 고려하여 최적의 경로를 선택하도록 학습합니다. 이처럼 강화학습은 실시간으로 변화하는 환경에 적응하는 능력이 뛰어난 특징을 가지고 있습니다.

---

머신러닝 알고리즘 작동 원리

데이터 전처리와 특징 추출

데이터 전처리는 머신러닝에서 매우 중요한 초기 단계입니다. 머신러닝 모델이 효과적으로 학습하기 위해서는 제공되는 데이터가 깨끗하고, 구조화되어 있어야 합니다. 이 과정에서는 결측값을 처리하고, 잡음(noise)를 제거하며, 데이터의 형태를 조정합니다. 예를 들어, 이미지 데이터의 경우 해상도를 조정하거나 색상을 표준화하는 작업이 포함될 수 있습니다. 이렇게 정제된 데이터는 모델이 중요한 패턴을 잘 인식할 수 있도록 돕습니다.

특징 추출(feature extraction)은 데이터 전처리 다음 단계로, 원본 데이터에서 모델에 유용한 정보를 추출하여 구조화하는 과정입니다. 이 과정에서는 데이터의 차원을 줄이면서도 중요한 정보는 보존하려고 노력합니다. 예를 들어, 이미지에서 특정 점이나 경계(edge)를 추출하거나, 텍스트 데이터에서 단어의 빈도수를 기반으로 벡터화할 수 있습니다. 이러한 특징들은 모델이 학습하는 데 필요한 기초 자료를 제공합니다.

 

모델 학습 과정

모델 학습은 머신러닝의 핵심 과정으로, 주어진 데이터로부터 알맞은 패턴을 인식하고 예측할 수 있는 능력을 키우는 단계입니다. 이 과정은 일반적으로 주어진 데이터를 학습 데이터(training data)와 테스트 데이터(test data)로 나누어 진행됩니다.

학습 과정에서는 모델이 데이터에 기반해 내부 파라미터를 조정하는데, 이를 통해 예측 오차(loss)를 최소화하는 것이 목표입니다. 예를 들어, 여러 라벨이 붙은 데이터를 통해 회귀 분석(regression)이나 분류(classification) 문제를 해결하기 위해 각 데이터 포인트에 대한 피드백을 바탕으로 모델의 가중치(weight)를 업데이트합니다. 이러한 반복적인 과정은 손실 함수(loss function)를 통해 평가되며, 주어진 데이터에 대해 모델이 얼마나 잘 예측하는지를 보여줍니다.

또한, 머신러닝 모델의 성능은 데이터의 양과 질에 매우 의존합니다. 대량의 고품질 데이터가 주어질 때, 모델은 더욱 정확하고 일반화(generalization)된 예측 능력을 가지게 됩니다. 이를 통해 모델은 새로운 데이터에 대해서도 신뢰할 수 있는 결과를 제공할 수 있습니다.

 

오버피팅과 과적합 방지

오버피팅(overfitting)은 머신러닝 모델이 학습 데이터에서 지나치게 잘 맞추는 현상을 지칭합니다. 즉, 모델이 학습 데이터의 세부적인 노이즈(noise)나 특이점(outliers)을 기억해버려서, 새로운 데이터에 대해서는 일반화된 성능을 잃게 되는 것입니다. 이로 인해 모델은 학습 데이터에 대해서는 높은 정확도를 보이지만, 테스트 데이터에서는 성능이 급격히 저하됩니다.

과적합을 방지하기 위한 다양한 방법이 존재합니다. 첫 번째로, 모델의 복잡도를 줄이는 것이 있습니다. 단순한 모델은 데이터의 본질적인 패턴을 잘 학습할 수 있게 설계되며, 이러한 방식으로 오버피팅의 위험을 줄일 수 있습니다. 두 번째 방법으로는 교차 검증(cross-validation)을 활용하는 것입니다. 이를 통해 모델의 일반화 능력을 평가하며 과적합을 방지할 수 있습니다. 마지막으로, 조기 중단(early stopping) 기법도 효과적입니다. 학습 도중 검증 오차가 증가하면 학습을 중단하여 오버피팅을 예방하는 방식입니다.

결론적으로, 오버피팅은 머신러닝 모델의 성능을 저하시키는 주요 요인이므로, 이를 사전에 방지하기 위한 전략적인 접근이 필요합니다. 이러한 과정은 머신러닝 알고리즘의 신뢰성을 높이고, 실제 실무에 적용 가능성을 극대화하는 데 필수적입니다.

---

모델 평가 및 실제 활용 사례

성능 지표: 정확도·정밀도·재현율

머신러닝 모델을 평가하는 데 있어 성능 지표는 필수적입니다. 가장 일반적으로 사용되는 지표는 정확도, 정밀도, 재현율입니다. 정확도는 모델이 올바르게 예측한 샘플의 비율을 나타내며, 이는 데이터 전체 중에서 얼마나 많은 샘플이 정확하게 예측되었는지를 보여줍니다. 예를 들어, 100개의 데이터 샘플 중 90개가 맞게 분류되었다면 정확도는 90%입니다. 이는 상황에 따라 유용하게 사용될 수 있지만, 불균형한 클래스 분포가 있을 경우에는 misleading할 수 있습니다. 정밀도는 True Positive (TP)와 False Positive (FP) 개수를 통해 계산되며, 이는 모델이 실제로 긍정 클래스를 얼마나 잘 예측했는지를 의미합니다. 즉, 예측된 긍정 샘플 중 실제로 긍정인 샘플의 비율입니다. 정밀도가 높은 모델은 잘못된 긍정 예측을 최소화하여 결과적으로 유용한 예측을 제공합니다. 재현율은 모델이 실제 긍정 샘플 중 얼마나 많은 샘플을 긍정으로 예측했는지를 나타냅니다. 이는 True Positive와 False Negative (FN)를 사용해 계산되며, 실제 긍정 클래스에 대해 모델이 얼마나 민감하게 반응하는지를 보여줍니다. 재현율이 높은 모델은 긍정 클래스를 놓치는 일이 적어, 불균형한 데이터셋에서 특히 유용합니다. 이러한 지표들은 각기 다른 상황에서 다른 중요성을 지니며, 종합적으로 활용하여 모델의 성능을 평가하는 것이 성공적인 머신러닝 프로젝트의 첫걸음입니다.

 

검증 방법: 교차검증

모델의 성능을 정확히 평가하기 위해서는 검증 방법이 중요합니다. 일반적으로 사용되는 방법 중 하나는 교차검증(cross-validation)입니다. 교차검증은 데이터셋을 여러 개의 부분으로 나누고, 각각의 부분이 테스트 데이터로 사용되는 방법입니다. 가장 보편적인 형태는 k-겹 교차검증(k-fold cross-validation)입니다. 이 방법에서는 데이터를 k개의 겹(fold)으로 나누고, 각 겹을 한 번씩 테스트 데이터로 사용하며 나머지를 학습에 사용합니다. 교차검증의 주요 장점은 모델이 훈련 데이터에 너무 과적합(overfitting)되는 것을 방지할 수 있다는 점입니다. 과적합은 모델이 훈련 데이터에는 잘 맞지만, 새로운 데이터에는 잘 일반화되지 않는 현상을 의미합니다. 교차검증을 통해 모델이 다양한 데이터 포인트에 대해 얼마나 잘 일반화되는지를 평가할 수 있습니다. 예를 들어, k-겹 교차검증을 사용하여 모델을 10겹으로 나누고, 각 겹을 사용해 10번의 학습과 평가를 반복할 수 있습니다. 그렇게 하면 최종적으로 10개의 성과 지표를 평균내어 모델의 일반화 능력을 확인할 수 있습니다. 이를 통해 전체 데이터셋에 대한 보다 견고하고 신뢰할 수 있는 평가 지표를 얻을 수 있습니다.

 

응용 사례: 금융·제조·의료

머신러닝은 다양한 산업 분야에서 혁신적 변화를 가져오고 있습니다. 금융 분야에서는 사기 탐지 시스템에 머신러닝이 활발히 적용되고 있습니다. 이 시스템은 대량의 트랜잭션 데이터를 실시간으로 분석하여, 비정상적이거나 의심스러운 트랜잭션을 감지함으로써 사기를 예방하는 데 기여하고 있습니다. 예를 들어, 특정 패턴이나 행동을 인식하고 이상 징후를 조기에 식별하는 역할을 합니다. 제조업에서는 예측 유지보수를 통해 머신러닝이 널리 활용되고 있습니다. 장비의 센서 데이터와 과거의 실패 이력을 기반으로 AI 모델이 고장을 예측하고, 사전에 유지보수를 시행함으로써 운영 비용을 절감하고 효율성을 증대시킬 수 있습니다. 이러한 방식은 운영 중단 시간을 최소화하고 생산성을 극대화하는 데 도움이 됩니다. 의료 분야에서도 머신러닝은 중요한 역할을 하고 있습니다. 예를 들어, X-레이, CT 스캔, MRI 등의 의료 이미지를 분석하여 질병을 조기에 진단하는 데 활용됩니다. 머신러닝 모델은 방대한 양의 의료 데이터를 학습하여, 방사선의사가 수작업으로 처리할 때 보다 더 정확하고 빠르게 이상 징후를 찾아낼 수 있도록 지원합니다. 이러한 혁신은 환자의 치료 결과를 개선하고, 전체 헬스케어 시스템의 효율을 높이는 데 기여하고 있습니다.

---

머신러닝의 한계와 향후 전망

데이터 품질과 윤리적 고려

머신러닝의 성공은 데이터 품질에 크게 의존합니다. 고품질 데이터는 모델의 정확성 및 신뢰성을 향상시켜 주며, 이는 특히 의료, 금융과 같은 민감한 분야에서 더욱 중요합니다. 하지만 데이터 수집 과정에서의 편향성, 개인정보 보호, 그리고 데이터 윤리에 대한 논의가 한층 더 주목받고 있습니다. 예를 들어, 특정 인구 집단에 대한 데이터가 부족할 경우, 모델은 해당 집단을 잘못 예측하게 되어 결과적으로 사회적 불공정을 초래할 수 있습니다. AI 개발자와 데이터 과학자들은 이러한 문제를 해결하기 위해 데이터의 다양성과 포괄성을 보장하는 방식으로 데이터 수집 및 처리 과정에서 윤리적 기준을 지속적으로 제정하고 적용해야 합니다.

 

컴퓨팅 자원: GPU 활용

GPU는 머신러닝 작업에서 필수적인 역할을 수행합니다. 병렬 처리를 통해 대량의 데이터를 효율적으로 처리할 수 있으며, 이는 특히 딥러닝 모델 학습 시 중요한 가치가 됩니다. 2025년도 현재, GPU 기술의 발전으로 인해 보다 복잡한 모델도 더 짧은 시간 내에 학습할 수 있는 가능성이 열리고 있습니다. 따라서, 머신러닝의 미래는 GPU와 같은 고성능 컴퓨팅 자원에 의해 더욱 가속화될 것으로 예상됩니다. 여러 실리콘 벤더들이 새로운 세대의 GPU를 출시하며 AI 모델의 추론(inference) 속도를 꾸준히 개선하고 있습니다. 예를 들어, 엔비디아의 최신 칩인 '블랙웰'은 대규모 머신러닝 작업을 위한 최적의 성능을 주겠다는 비전을 가지고 있습니다. 이러한 발전은 향후 인공지능 응용 분야의 확대에 기여할 것입니다.

 

미래 기술: 딥러닝 심화·양자 머신러닝

딥러닝 기술은 지속적으로 발전하고 있으며, 향후 머신러닝의 주요 동력이 될 것입니다. 특히, 최근 연구에서는 양자 컴퓨팅과 머신러닝의 결합이 주목받고 있습니다. 양자 머신러닝(Quantum Machine Learning, QML)은 양자 컴퓨터의 강력한 계산 능력을 활용하여 머신러닝 알고리즘의 효율성을 극대화하는 가능성이 열리고 있습니다. 예를 들어, '강건한 분산 양자 커널 학습(RDQKL)' 기술은 노이즈와 적대적 공격에 강한 특징을 가지고 있어, 분산학습 단계에서도 훨씬 더 빠르고 안정적인 성능을 제공합니다. 이러한 기술들은 사이버 보안과 같은 분야에서 강력한 도구로 작용할 수 있습니다. 양자 머신러닝의 실용화는 데이터 보안과 프라이버시 문제를 해결하는 데도 기여할 것이며, 이는 AI의 윤리적 적용을 더욱 중요하게 만듭니다.

---

마무리

머신러닝은 데이터에서 패턴을 학습하고 문제를 해결하는 데 있어 점점 더 중요한 역할을 하고 있습니다. 현재(2025년 4월 23일 기준) 머신러닝의 발전은 지도학습, 비지도학습, 강화학습의 학습 유형들과 알고리즘의 개선에 의해 이뤄지고 있으며, 이는 기존의 비즈니스 및 연구 환경에 혁신을 가져오고 있습니다. 특히 GPU와 같은 고성능 컴퓨팅 자원이 머신러닝의 연산 효율성을 획기적으로 개선하고 있습니다.

미래 전망으로는 딥러닝 기술의 심화와 양자 머신러닝의 발전이 머신러닝의 경계를 새로운 단계로 확장할 것이라는 희망이 큽니다. 양자 컴퓨팅의 활용 가능성은 다양한 알고리즘의 효율성을 극대화할 것으로 기대되며, 이는 인공지능과 머신러닝의 윤리적 적용에 대한 논의에도 긍정적인 영향을 미칠 것입니다.

그러나 머신러닝의 성공적인 적용을 위해서는 데이터의 품질과 윤리적 고려가 필수적입니다. 데이터 수집 과정에서 발생할 수 있는 편향성과 개인정보 보호 문제를 해결하는 데 있어 연구자와 기업들은 책임감 있는 접근 방식을 채택해야 할 것입니다. 지속적인 모델 검증과 윤리 기준의 수립은 앞으로의 혁신을 이끌어가는 데 중요한 요소로 자리잡을 것입니다. 이러한 요소들을 통해 머신러닝은 더욱 발전하고, 나아가 사회에 긍정적인 영향을 미치는 기술이 될 것입니다.

---

출처

데이터를 먹고 자라는 똑똑한 기계
https://brunch.co.kr/@@bSOp/69
AI를 움직이는 핵심 연산 장치, GPU란 무엇인가 | CIO
https://www.cio.com/article/3966749/ai%EB%A5%BC-%EC%9B%80%EC%A7%81%EC%9D%B4%EB%8A%94-%ED%95%B5%EC%8B%AC-%EC%97%B0%EC%82%B0-%EC%9E%A5%EC%B9%98%C2%B7%C2%B7%C2%B7-gpu%EB%9E%80-%EB%AC%B4%EC%97%87%EC%9D%B8%EA%B0%80.html
머신 러닝(ML) 설명 | Ultralytics
https://www.ultralytics.com/ko/glossary/machine-learning-ml
자동차 산업의 머신 러닝 - Visure Solutions
https://visuresolutions.com/ko/%EC%9E%90%EB%8F%99%EC%B0%A8/%EA%B8%B0%EA%B3%84-%ED%95%99%EC%8A%B5/
How Machine Learning is Transforming the World?
https://dev.to/dharanidharan_sr/how-machine-learning-is-transforming-the-world-51on
Machine learning (ML): All there is to know
https://www.iso.org/artificial-intelligence/machine-learning
노이즈와 공격에도 끄떡없는 '분산 양자 커널 학습'… 인공지능, 양자 머신러닝 시대 열릴까
https://www.aitimes.kr/news/articleView.html?idxno=34699
머신러닝 알고리즘의 진화! 당신의 비즈니스에 미칠 충격적 변화com
https://spaceuranus.com/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D-%EC%95%8C%EA%B3%A0%EB%A6%AC%EC%A6%98%EC%9D%98-%EC%A7%84%ED%99%94-%EB%8B%B9%EC%8B%A0%EC%9D%98-%EB%B9%84%EC%A6%88%EB%8B%88%EC%8A%A4%EC%97%90-%EB%AF%B8%EC%B9%A0/
What is Training Data? Definition, Types, and Advantages
https://www.theknowledgeacademy.com/blog/traning-data/
인공지능: 현대 사회의 혁신적 동력
https://shinlaboratory.com/%EC%9D%B8%EA%B3%B5%EC%A7%80%EB%8A%A5-%ED%98%84%EB%8C%80-%EC%82%AC%ED%9A%8C%EC%9D%98-%ED%98%81%EC%8B%A0%EC%A0%81-%EB%8F%99%EB%A0%A5/
01화 인공지능 학습의 핵심적 특징과 방법론
https://brunch.co.kr/@@9DpD/23

 

---

머신러닝의 기본 원리: 데이터에서 학습까지