지도학습 (Supervised Learning)

마일스톤 학습법으로 단계별 완전 정복

기계학습

지도학습

분류

회귀

예측

모델

AI

이 학습을 통해 달성할 수 있는 목표

기초 이해

• 지도학습의 기본 개념과 원리를 이해한다
• 분류와 회귀의 차이점을 구분할 수 있다
• 실생활 예시를 통해 지도학습 적용 사례를 파악한다

심화 학습

• 분류와 회귀 알고리즘의 작동 원리를 설명할 수 있다
• 모델 성능 평가 지표를 계산하고 해석할 수 있다
• 과적합과 과소적합 문제를 이해하고 해결 방법을 제시할 수 있다

실무 적용

• 편향-분산 트레이드오프를 이해하고 실무에 적용할 수 있다
• 복잡한 비즈니스 문제를 지도학습으로 해결하는 전략을 수립할 수 있다
• 최신 지도학습 기법과 변형 방법들을 비교 분석할 수 있다

학습 로드맵

각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다

기초 이해

개념 정의와 기본 원리

약 25분

클릭

심화 학습

공식 유도와 다양한 예시

약 45분

클릭

실무 적용

실제 케이스와 고급 응용

약 60분

학습 진도 (완료한 단계)

0%

먼저 알아두면 좋은 개념들

기초 통계학

평균, 분산, 확률 분포 등의 통계 개념이 모델 평가와 성능 해석에 필수적입니다.

선형대수 기초

벡터, 행렬 연산이 대부분의 기계학습 알고리즘의 수학적 기반이 됩니다.

기초 단계: 지도학습이란 무엇인가요?

난이도 2/5

약 25분

지도학습은 정답이 있는 데이터(레이블)로 컴퓨터를 훈련시켜서 새로운 데이터에 대한 예측을 할 수 있게 하는 기계학습 방법입니다. 마치 선생님이 정답지를 가지고 학생을 가르치는 것과 같습니다.

지도학습을 시험 공부에 비유해보세요. 과거 기출문제(훈련 데이터)와 정답(레이블)을 보고 공부한 후, 새로운 문제(테스트 데이터)를 풀어야 합니다. 과거 문제를 많이 풀고 패턴을 익힐수록 새 문제도 잘 풀 수 있게 됩니다.

핵심 포인트

•입력 데이터와 정답(레이블)이 함께 제공되어 학습
•분류(Classification)와 회귀(Regression) 두 가지 주요 유형
•훈련 데이터로 학습 후 새로운 데이터에 대해 예측 수행
•성능 평가를 위해 테스트 데이터를 별도로 분리

간단한 예시

이메일 스팸 분류를 예로 들면, 수천 개의 이메일과 각각이 스팸인지 정상인지 표시된 정답을 컴퓨터에게 학습시킵니다. 그러면 새로운 이메일이 들어왔을 때 스팸인지 아닌지 자동으로 판별할 수 있습니다.

이해도 확인하기

정답: X-ray 이미지(입력 데이터)와 각 이미지에 대한 폐렴 유무 진단 결과(레이블)가 필요합니다. 예를 들어 1만 장의 X-ray 이미지와 각각에 대한 '폐렴 있음/없음' 정보가 훈련 데이터가 됩니다.

정답: 비지도학습(Unsupervised Learning)입니다. 정답 레이블 없이 데이터 자체의 구조나 패턴을 찾아내는 방법입니다.

정답: 주택 가격 예측은 회귀 문제(연속적인 숫자 값 예측), 고객 등급 분류는 분류 문제(VIP, 일반, 신규 등 범주 예측)입니다.

LEARN · SIMULATE · VERIFY

지도학습 (Supervised Learning)

마일스톤 학습법으로 단계별 완전 정복

이 학습을 통해 달성할 수 있는 목표

기초 이해

심화 학습

실무 적용

학습 로드맵

기초 이해

심화 학습

실무 적용

먼저 알아두면 좋은 개념들

기초 통계학

선형대수 기초

기초 단계: 지도학습이란 무엇인가요?

핵심 포인트

간단한 예시

이해도 확인하기

Q1: 의료진이 X-ray 이미지를 보고 폐렴 여부를 진단하는 AI를 만든다면, 어떤 데이터가 필요할까요?

Q2: 지도학습과 달리 정답 없이 데이터의 패턴만 찾는 학습 방법을 무엇이라고 할까요?

Q3: 주택 가격 예측과 고객 등급 분류 중 어느 것이 분류 문제이고 어느 것이 회귀 문제일까요?