AI라고 부르는 거의 모든 것이 머신러닝이다.
ChatGPT도, 추천 알고리즘도, 자율주행도 — 결국 "데이터로부터 학습".
원리를 알면 왜 AI가 틀리는지,
어떻게 해야 잘 학습하는지 보인다.
전통 프로그래밍과의 결정적 차이를 보자.
모든 머신러닝 모델이 거치는 기본 흐름.
핵심: 데이터의 품질이 모델 품질의 90%를 결정한다 — "쓰레기를 넣으면 쓰레기가 나온다"
"어떤 데이터로 가르치느냐"에 따라 세 갈래로 나뉜다.
가장 흔하고 가장 강력한 머신러닝 방식.
때로는 정답을 모르거나, 행동의 결과로만 배운다.
가진 데이터를 한 번에 다 쓰지 않는다 — 세 묶음으로 나눈다.
왜 나누나? 진짜 실력을 측정하기 위해 — 외운 문제가 아닌 새 문제로 평가
훈련 데이터는 잘 맞히는데, 새 데이터엔 무너지는 현상.
해결책: 데이터 더 모으기, 모델 단순화, 정규화(regularization), 조기 종료
훈련/검증/테스트와 과적합을 시험공부 비유로 한 번에 정리.
머신러닝의 한 갈래이지만 오늘날 AI 폭발을 이끈 주인공 —
딥러닝과 신경망의 구조를 다음 세션에서 들여다본다.
뉴런·가중치·역전파 — 들리는 만큼 어렵지 않다.
💡 기억할 것: ML은 데이터로 규칙을 찾는다. 좋은 데이터 + 분리 + 과적합 경계가 핵심.