(AI) 머신러닝 학습 유형 (지도학습, 비지도학습, 강화학습)

머신러닝 학습 유형 (지도학습, 비지도학습, 강화학습)

1. 정의

머신러닝(Machine Learning)이란, 데이터로부터 패턴을 학습하여 명시적 프로그래밍 없이도 예측·분류·판단을 수행하는 인공지능 기법을 말하며, 학습 데이터 구성과 목표에 따라 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning)으로 구분된다.

2. 학습 유형별 설명

(1) 지도학습 (Supervised Learning)

• 정의: 입력 데이터와 해당 정답(레이블)을 함께 제공하여 학습
• 예시: 스팸 메일 분류, 주택 가격 예측
• 대표 알고리즘: 선형 회귀(Linear Regression), 결정 트리(Decision Tree)

(2) 비지도학습 (Unsupervised Learning)

• 정의: 래이블이 없는 데이터에서 숨겨진 구조나 패턴을 발견
• 예시: 고객 세분화, 차원 축소(PCA)
• 대표 알고리즘: K-means, 군집 알고리즘

(3) 강화학습 (Reinforcement Learning)

• 정의: 에이전트가 환경에서 행동을 선택하고 보상을 받아 최적 정책(Policy)을 학습
• 예시: 게임 AI, 로봇 제어, 자율주행
• 대표 알고리즘: Q-learning, SARSA

3. 학습 유형 비교

구분	지도학습	비지도학습	강화학습
데이터	입력 + 정답	입력만 존재	환경 + 보상
목표	예측·분류	패턴·군집 발견	누적 보상 최대화
학습 방식	예측 오류 최소화	데이터 구조 최적화	행동 가치 학습
활용 예	스팸 필터링, 가격 예측	고객 세분화, 이상 탐지	게임, 로봇 제어
주요 단점	라벨링 비용 높음	결과 해석 어려움	학습 시간/자원 소모 큼

 

4. 결론

머신러닝 학습 유형은 데이터 형태와 목표에 따라 선택되며, 실제 AI 서비스에서는 지도·비지도·강화학습을 혼합해 사용하는 경우도 많다. 문제 특성에 맞는 학습 유형 선정과 알고리즘 선택이 성능의 핵심이다.