- 전통적 프로그래밍과 대비하여 기계학습의 개념을 설명할 수 있다.
- 지도학습과 비지도학습의 차이를 데이터(레이블 유무)와 목적의 관점에서 비교·분석할 수 있다.
- 간단한 분류·군집 모델을 직접 만들어 보며 데이터가 모델에 미치는 영향을 설명할 수 있다.
생각 열기 — 적을 수 없는 규칙
3단원에서 우리는 꽤 훌륭한 프로그래머가 되었습니다. 그렇다면 도전 — "사진을 보고 고양이인지 판별하는 프로그램"의 규칙을 적어 봅시다. "귀가 뾰족하면…"? 접힌 귀 고양이가 웁니다. "수염이 있으면…"? 강아지도 수염이 있죠. "털이 있으면…"? 스핑크스 고양이는요? 규칙을 100개 적어도 예외가 101개 나타납니다.
그런데 신기하죠 — 세 살짜리 아이는 고양이를 잘만 알아봅니다. 아이에게 누가 '귀 각도 규칙'을 가르쳤나요? 아니요, 그저 고양이를 많이 보여 줬을 뿐입니다. "규칙을 적어 줄 수 없다면, 보여 주면 되지 않을까?" — 이 발상의 전환이 기계학습입니다.
기계학습 — 프로그래밍이 뒤집히다
규칙을 넣는 대신, 규칙을 꺼낸다
기계학습(machine learning)은 컴퓨터에게 규칙을 알려 주는 대신 데이터를 주고 규칙을 스스로 찾게 하는 방법이에요. 이렇게 찾아낸 규칙의 덩어리를 모델(model)이라고 부릅니다.
전통적 프로그래밍은 규칙을 넣어 답을 얻고, 기계학습은 데이터와 답을 넣어 규칙(모델)을 얻는다. (답 없이 배우는 비지도학습은 개념 3에서!)
지도학습 — 정답표로 배우는 AI
여러분이 선생님이 되어 직접 가르쳐 보세요!
지도학습(supervised learning)은 정답(레이블)이 붙은 데이터로 배우는 방식이에요. "이 사진은 고양이(정답), 이 사진은 강아지(정답)…" 수천 장을 보여 주면, 모델은 둘을 가르는 패턴을 찾아냅니다. 아래에서 직접 해 보세요 — 여러분이 데이터를 만들고, AI가 배우는 분류기 실험실입니다!
과일의 크기(가로축)와 붉은 정도(세로축)를 측정해 점으로 기록합니다. ① 레이블을 고르고 캔버스를 클릭해 학습 데이터를 만들고 → ② [학습하기] → ③ 예측 모드에서 새 과일을 클릭해 판정을 받아 보세요!
① 데이터가 많을수록 경계가 안정되죠? ② 한쪽 데이터만 잔뜩 찍으면(편향!) 경계가 한쪽으로 쏠립니다 — 2단원의 데이터 편향이 모델 편향으로 이어지는 현장이에요. ③ 사과 영역 한가운데 블루베리를 하나 찍으면(잘못된 레이블) 그 주변 판정이 흔들립니다 — 모델의 품질은 데이터의 품질, 쓰레기가 들어가면 쓰레기가 나온다(GIGO)!
지도학습이 푸는 문제는 둘로 나뉩니다 — 방금처럼 범주를 맞히면 분류(classification), "내일 기온은 27.3℃" 같은 수치를 맞히면 회귀(regression)예요. 회귀는 다음 차시에서 직접 체험합니다!
비지도학습 — 정답 없이 구조를 발견하다
아무도 가르쳐 주지 않았는데 무리가 보인다
정답표를 만들 수 없는 상황도 많아요. "우리 학교 학생들을 비슷한 유형끼리 나눠 봐" — 유형의 정답이 어디 있나요? 비지도학습(unsupervised learning)은 정답 없이 데이터 속에 숨은 구조를 찾아냅니다. 대표 주자가 군집화(clustering) — 비슷한 것끼리 무리 짓기예요.
점들은 운동장에 흩어진 학생들 위치입니다. 매점(★) 3개를 어디에 두어야 모두가 가까울까요? k-평균 군집화가 이 문제를 풉니다 — [한 단계씩]을 눌러 ① 각 학생을 가장 가까운 매점에 배정(색칠), ② 매점을 자기 손님들의 한가운데로 이동 — 이 두 단계의 반복을 지켜보세요!
지도학습 vs 비지도학습 — 한눈 비교
| 구분 | 지도학습 | 비지도학습 |
|---|---|---|
| 학습 데이터 | 정답(레이블)이 있음 — (사진, "고양이") | 정답이 없음 — 사진만 잔뜩 |
| 목적 | 새 데이터의 답을 예측 (분류·회귀) | 숨은 구조·패턴 발견 (군집 등) |
| 비유 | 정답지 보며 문제집 풀기 | 정답지 없이 비슷한 문제끼리 묶어 보기 |
| 사례 | 스팸 분류, 성적 예측, 질병 진단 | 고객 유형 나누기, 비슷한 음악 묶기, 이상 거래 탐지 |
각 사례에 알맞은 학습 방식을 골라 보세요. 판단 기준은 단 하나 — "정답표가 있는가?"
🏷️ 지도학습 (정답표 있음)
🔍 비지도학습 (정답표 없음)
확인 문제
바로바로 채점! 해설까지 꼭 읽어 보세요.
2차시 확인 문제
4문항 · 즉시 채점
1기계학습에 대한 설명으로 가장 적절한 것은?
2지도학습과 비지도학습을 구분하는 기준은?
3"고양이/강아지 정답이 표시된 사진 1만 장으로 동물 판별 모델 만들기"는 어떤 학습인가?
4기계학습 모델과 데이터의 관계에 대한 설명으로 옳은 것은?
더 알아보기
교육과정 너머, 궁금한 만큼 깊이!
심화세 번째 길 — 상과 벌로 배우는 강화학습
지도·비지도 말고 한 가지가 더 있어요. 강화학습(reinforcement learning)은 정답표 대신 보상(점수)으로 배웁니다. 에이전트가 행동을 해 보고 — 잘하면 +점수, 못하면 −점수 — 보상을 최대로 만드는 전략을 스스로 터득하죠. 강아지 훈련과 똑같은 원리!
알파고가 자기 자신과 수백만 판을 두며 강해진 것, 게임 AI가 스스로 슈퍼 플레이를 찾아내는 것, 로봇이 넘어지며 걷기를 배우는 것 — 모두 강화학습입니다. 1차시의 지능 에이전트(행동→결과 인식→개선)와 가장 닮은 학습 방식이에요. 진로 선택 「인공지능 기초」에서 더 깊이 만납니다!
심화외운 것일까, 배운 것일까 — 훈련 데이터와 테스트 데이터
문제집의 답을 통째로 외운 학생은 그 문제집은 100점이지만 새 문제 앞에서 무너지죠. 모델도 똑같습니다 — 학습 데이터를 외워 버리는 현상(과적합)이 있어요.
그래서 기계학습에서는 데이터를 둘로 나눕니다. 훈련 데이터로 공부시키고, 모델이 한 번도 본 적 없는 테스트 데이터로 시험을 보는 거예요 — 진짜 실력은 새 문제에서 드러나니까! 3단원 9차시의 '테스트 케이스'와 같은 철학이죠. 분류기 실험실에서도 실험해 보세요: 학습에 쓰지 않은 위치를 예측 모드로 클릭하는 것이 바로 '테스트'입니다.
도구내 모델을 5분 만에 — 티처블 머신 체험 안내
오늘 점으로 했던 일을 진짜 이미지·소리·자세로 해 볼 수 있는 무료 도구가 있어요 — 구글의 티처블 머신(Teachable Machine)입니다. 설치 없이 브라우저에서:
- 클래스 2개를 만든다 (예: '주먹'과 '보자기')
- 웹캠으로 각각 수십 장씩 찍는다 — 이것이 레이블 있는 학습 데이터!
- [모델 학습] 버튼 → 몇 초 만에 나만의 분류 모델 완성
- 새 손 모양을 보여 주면 실시간 판정 — 오늘 배운 지도학습 그 자체!
데이터 모으기
웹캠으로 찰칵찰칵 — 레이블 붙은 학습 데이터 완성
모델 학습
버튼 한 번, 몇 초 — 두 클래스를 가르는 패턴을 스스로 찾기
새 데이터로 시험
학습에 없던 손 모양을 실시간 판정 — 이게 바로 테스트!
💡 일부러 데이터를 적게/편향되게 찍어서 모델이 헷갈리는 것까지 실험하면 완벽한 탐구! 모둠별로 만들어 정확도를 겨뤄 보세요. (수업 시간에 선생님 안내에 따라 진행)
예고뇌를 닮은 모델 — 인공신경망 한 입
단원 도입 화면에서 신호가 흐르던 그물망을 봤나요? 그것이 인공신경망 — 뇌의 뉴런 연결에서 영감을 받은 기계학습 모델이에요. 입력(픽셀들)이 여러 층을 거치며 점점 추상적인 특징(선 → 모양 → "고양이 귀!")으로 변해 가고, 층이 깊어서 딥러닝이라 부릅니다.
학습의 원리는 의외로 소박해요 — 틀릴 때마다 연결의 강도(가중치)를 조금씩 조정하기를 수백만 번. 이미지 인식, 음성 인식, 생성형 AI까지 오늘날 AI 뉴스의 주인공 대부분이 깊은 신경망입니다. 자세한 구조와 체험은 진로 선택 「인공지능 기초」에서!
한눈에 정리
- 기계학습 = 규칙을 적는 대신 데이터에서 규칙(모델)을 찾게 하는 것 — 프로그래밍의 역전!
- 지도학습 = 정답(레이블) 있는 데이터로 예측을 배움 — 범주면 분류, 수치면 회귀
- 비지도학습 = 정답 없이 구조를 발견 — 비슷한 것끼리 묶는 군집화(k-평균)
- 구분 기준은 단 하나: "정답표가 있는가?"
- 모델의 품질 = 데이터의 품질 — 편향된 데이터는 편향된 모델을 낳는다 (2단원과의 약속!)