인공지능 머신러닝, 어떻게 시작할까?

요즘 인공지능(AI)과 머신러닝(ML)에 대한 관심이 많다. 하지만 막상 공부를 시작하려고 하면 어디서부터 어떻게 접근해야 할지 막막한 경우가 많다. 그래서 이번엔 머신러닝의 전반적인 흐름과 개념을 정리해본다.

---

1. 데이터 준비의 시작: 머신러닝 파이프라인

머신러닝 모델의 성능은 결국 데이터 품질에 크게 좌우된다. 실제로 모델을 설계하는 시간보다 데이터를 준비하는 데 훨씬 많은 시간이 들기도 한다.

머신러닝 프로젝트에서 흔히 사용되는 데이터 준비 파이프라인은 다음과 같은 단계로 이루어진다.

• Data Acquisition (데이터 수집)
  데이터를 수집하는 단계다. 크롤링, 센서 데이터, 데이터베이스에서 추출 등 다양한 방식으로 데이터를 확보한다.
• Processing (데이터 전처리)
  결측치 처리, 이상치 제거, 정규화 같은 작업을 통해 데이터의 품질을 향상시키고, 머신러닝 모델이 잘 받아들일 수 있는 형태로 가공한다.
  이 과정은 특히 도메인 지식의 영향을 많이 받는다. 어떤 컬럼이 중요한지, 어떤 값이 의미 있는지 등은 문제를 다루는 분야에 대한 이해가 필요하다.
• Feature Engineering (특성 엔지니어링)
  원본 데이터로부터 의미 있는 특징(feature)을 추출하거나 새로 만들어내는 과정이다. 예를 들어 날짜 데이터를 요일, 월, 계절 등으로 나누는 작업이 여기에 해당된다.
• Feature Selection / Feature Set 구성
  모델에 입력으로 넣을 최종 feature들을 정리하는 단계다. 이 과정에서는 차원 축소 기법이나 중요도 기반 선택 기법 등을 활용하기도 한다.

---

2. 머신러닝의 분류: Supervised vs Unsupervised

머신러닝은 크게 지도학습(Supervised Learning) 과 비지도학습(Unsupervised Learning) 으로 나뉜다.

🔷 Supervised Learning (지도학습)

입력과 정답(label)이 함께 주어지는 방식이다. 정답을 기준으로 모델이 예측하는 방법을 학습하게 된다.

• Classification (분류)
  예를 들면 이메일이 스팸인지 아닌지, 손글씨가 어떤 숫자인지 분류하는 문제다. 결과가 여러 카테고리 중 하나로 나뉜다.
• Regression (회귀)
  집값 예측이나 기온 예측처럼 결과가 연속적인 숫자인 경우다.

🔷 Unsupervised Learning (비지도학습)

정답(label)이 없이, 데이터 안의 패턴이나 구조를 찾는 방식이다.

• Clustering (군집화)
  예를 들면 고객의 행동 패턴에 따라 그룹을 나누는 경우가 여기에 해당된다. 데이터 안의 유사성을 바탕으로 자연스럽게 그룹을 찾는다.

---

3. 현실의 문제를 머신러닝 타입으로 분류해보기

문제 머신러닝 타입 설명

이메일 스팸 여부 분류	지도학습	분류 (Classification)
주식 가격 예측	지도학습	회귀 (Regression)
소비자 유형 군집화	비지도학습	클러스터링 (Clustering)
상품 추천	혼합	지도 + 비지도 방식 조합 가능

---

4. 모델 평가: 잘 맞는지 어떻게 알까?

모델을 학습시킨 다음에는 평가 지표를 통해 성능을 검증한다. 어떤 종류의 문제인지에 따라 적절한 평가 방법이 달라진다.

• Classification (분류)
  • Accuracy (정확도)
  • Precision, Recall, F1-score
  • Confusion Matrix
• Regression (회귀)
  • MSE (Mean Squared Error)
  • MAE (Mean Absolute Error)
  • R² Score (결정 계수)
• Clustering (군집화)
  • Silhouette Score
  • Davies-Bouldin Index
  • 군집 간 거리 시각화 등

---

마무리

머신러닝은 결국 문제를 정의하고, 데이터를 준비하고, 적절한 모델을 선택하고, 평가하며 개선해 나가는 과정이다.
이번 글에서는 그 중에서도 가장 기본이 되는 개념들을 간단히 정리해봤다.
다음에는 각 단계별로 더 깊게 들어가거나, 실습을 통해 직접 적용해보는 내용도 다뤄볼 예정이다.