머신러닝 101: 초보자를 위한 4대 핵심 유형 이해하기

머신러닝이란?

빅데이터가 미래 기술 발전의 큰 축임은 의심 여지가 없습니다. 하지만 머신러닝(ML)과 인공지능(AI)도 이 발전에서 중요한 역할을 합니다. 셋의 관계는 간단히: 빅데이터는 '재료', 머신러닝은 '방법', 인공지능은 '결과'입니다.

머신러닝(ML)은 인공지능(AI) 유형 중 하나로, 알고리즘을 작성해 시스템이 명시적 프로그래밍 없이 경험을 통해 자동으로 학습·적응·개선하게 만드는 기술입니다. ML 알고리즘은 학습 대상 데이터 유형(이른바 '훈련 데이터')을 기반으로 모범 모델을 구축합니다.

머신러닝의 4가지 유형

머신러닝 알고리즘은 다양하지만 흔히 4범주로 나눕니다.

• 지도 학습 (Supervised Learning)
• 비지도 학습 (Unsupervised Learning)
• 준지도 학습 (Semi-supervised Learning)
• 강화 학습 (Reinforcement Learning)

지도 학습 (Supervised Learning)

기계가 '학습' 단계에서 감독(Supervise)받으며 훈련되는 방식입니다. 기계를 '감독'한다는 건 과거 데이터(과거에 제공된 데이터)를 사용해 향후 이벤트를 예측하는 방식으로 알고리즘을 적용한다는 뜻입니다.

훈련 데이터셋의 모든 자료에 레이블(Label)을 달아 기계와 연관 짓고, 기계가 올바른 출력값을 예측하게 만듭니다. 즉, 특정 케이스에 대한 많은 정보를 기계에 주면 기계가 케이스 결과를 내놓습니다. 이 결과가 '레이블 데이터'이고, 나머지 정보가 '입력 특징(Input features)'이 됩니다. 충분한 훈련 후 새 입력에 대한 타깃도 제시할 수 있습니다. 알고리즘은 자기 출력과 의도된 출력을 비교해 차이를 찾아 모델을 수정합니다.

주로 수동 분류 방식이라 컴퓨터엔 가장 쉽고 인간엔 가장 어렵습니다. 예: 기계에 표준 답안을 알려주면 테스트 시 항상 표준 답안대로 대답해 신뢰도도 높습니다.

비지도 학습 (Unsupervised Learning)

지도 학습과 대조적으로, 기계 훈련에 쓰이는 정보가 분류되지 않았고 레이블도 없는 경우에 쓰입니다. 이름대로 사용자가 컴퓨터 학습을 돕지 않습니다.

자료에 레이블이 없으니 기계가 데이터 특성을 매칭해 자료를 분류합니다. 레이블된 훈련 세트 없음 → 기계가 인간이 알아채기 힘든 데이터 패턴을 찾아냅니다.

이 방식에선 수동 분류가 없어 인간엔 쉽지만 컴퓨터엔 가장 어렵고 오류도 많습니다. 시스템은 의도된 출력을 알아내진 못하지만 제공된 데이터를 탐구해 데이터셋 간 관계를 도출하고 레이블 없는 데이터에서 숨은 구조를 기술합니다. 따라서 데이터 패턴 인식과 의사결정 지원에 비지도 학습이 매우 유용합니다.

준지도 학습 (Semi-supervised Learning)

지도·비지도 학습과 달리, 전체 관측 데이터에 레이블이 전부 없거나 전부 있는 게 아닙니다. 둘을 섞은 방식입니다.

소량의 레이블 데이터(지도)와 대량의 비레이블 데이터(비지도)를 함께 써 훈련합니다. 기계는 레이블 데이터에서 특징을 찾아 기본 모델을 만들고, 그걸 기반으로 나머지 데이터를 분류합니다. SSL 시스템은 학습 정확도를 크게 높일 뿐 아니라 더 정확한 예측도 가능하게 합니다.

가장 흔히 쓰이는 방식입니다. 레이블링 비용이 높고(숙련 전문가 필요), 훈련에 관련 리소스 필요하지만 비레이블 데이터 확보는 추가 리소스 안 듭니다. 대다수 관측에 레이블 없으나 일부는 있어 준지도 알고리즘이 모델 구축 최적 후보가 됩니다.

이 방식은 "그룹 구성원은 알 수 없지만(비레이블 데이터가 다수), 레이블 데이터에 매개변수 정보가 실려 있어 이를 통해 찾을 수 있다"는 아이디어에서 이득을 봅니다.

강화 학습 (Reinforcement Learning)

인간 학습 방식과 가장 가깝습니다. RML 알고리즘은 기계가 환경과 반복 상호작용하며 새로운 행동을 구성하고 오류나 보상을 발견하는 학습법입니다. 양/음 보상 기반 시스템을 씁니다.

'시행착오와 지연 보상'이 강화 학습의 가장 핵심 특성입니다. 기계는 환경 상호작용으로 얻은 관찰로 행동을 구성하고, 보상 최대화·위험 최소화 행동을 취합니다. 이 방식은 기계가 특정 맥락에서 이상적 행동을 자동 결정해 성능을 높이게 합니다. 레이블 자료 대신 "이 단계는 맞다/틀리다"는 단순 피드백(강화 신호)만 필요합니다.

피드백 기준에 따라 기계가 분류를 점진 수정해 결국 정답에 도달합니다. 비지도 학습에서 일정 정밀도 달성을 위해 강화 학습 통합이 필요합니다.

RML은 비즈니스 환경에서 구현·실행하기 가장 어렵지만, 자율주행차 등에 흔히 쓰입니다.