본문으로 건너뛰기
장원급제

인공지능·머신러닝 기초

여러 상황을 지도·비지도·강화학습으로 나눠 보고, 점을 찍어 k-NN과 k-평균을 돌려 보고, 스팸 필터의 기준값을 옮기며 정확도·정밀도·재현율·F1을 계산해 봐요.

한마디로정답을 주고 배우면 지도, 정답 없이 묶으면 비지도, 보상으로 배우면 강화학습이에요.

3D 해설 영상

세 갈래: 정답이 붙은 데이터로 배우면 지도학습, 정답 없이 데이터만 보면 비지도학습, 보상으로 배우면 강화학습이에요.

정답이 붙은 데이터로 배우면 지도학습, 정답 없이 데이터만 보면 비지도학습, 보상으로 배우면 강화학습이에요.

0:00 / 3:21

직접 해 보기

보기

데이터에 무엇이 있나로 갈라요

문제를 보면 먼저 데이터에 정답(레이블)이 붙어 있는지부터 확인하세요. 정답이 있으면 지도학습, 없으면 비지도학습, 정답 대신 보상을 받으면 강화학습이에요.

지도학습
데이터에 있는 것입력 + 정답(레이블)
하는 일분류: 정해진 범주 중 하나 맞히기(스팸/정상, 숫자 0~9) · 회귀: 연속된 숫자 맞히기(가격, 접수량)
대표 알고리즘선형 회귀, 로지스틱 회귀, 결정 트리, k-NN, SVM, 나이브 베이즈
비지도학습
데이터에 있는 것입력만 (정답 없음)
하는 일군집화: 비슷한 것끼리 묶기 · 차원 축소: 특성 수 줄이기 · 연관 규칙: 함께 나오는 항목 찾기
대표 알고리즘k-평균, 계층적 군집, PCA, Apriori
강화학습
데이터에 있는 것행동의 결과로 받는 보상
하는 일에이전트(배우는 쪽)가 상태를 보고 행동해, 보상의 합이 가장 커지는 행동 방식(정책)을 찾기
대표 알고리즘Q-러닝

준지도학습은 레이블이 일부에만 붙은 데이터를 레이블 없는 데이터와 함께 써요. 자기지도학습은 데이터에서 정답을 스스로 만들어 배워요. 문장의 가린 단어나 다음 단어 맞히기가 그 예예요. 대규모 언어 모델(LLM)의 사전 학습이 이 방식이에요.

상황 가르기

0/10문항 · 0개 맞음

상황마다 학습 방법과 하는 일을 하나 골라요. 답이 범주인지 숫자인지, 정답 없이 묶거나 줄이는지, 보상이 있는지를 보세요.

  1. 1봉투 사진 수만 장에 칸마다 '이 숫자는 3' 같은 정답을 달아 학습시킨 뒤, 새 봉투의 손글씨 우편번호를 읽어요.

  2. 2지난 3년 동안의 날짜·요일·명절 여부와 그날의 소포 접수량으로 학습해, 다음 주 월요일 접수량이 몇 개일지 예측해요.

  3. 3구매 기록만 있고 미리 정한 고객 등급은 없어요. 비슷하게 쇼핑하는 고객끼리 묶어 마케팅 대상을 나눠요.

  4. 4'스팸'·'정상' 표시가 달린 메일 10만 통으로 학습해, 새로 온 메일을 스팸함으로 보낼지 정해요.

  5. 5면적·층·지은 해·역까지 거리와 실제 거래 가격이 함께 있는 아파트 자료로 학습해, 새 매물의 가격을 예측해요.

  6. 6설문 문항 40개의 응답을, 정보를 되도록 잃지 않게 두세 개의 축으로 줄여 평면 그림으로 살펴봐요.

  7. 7배달 로봇이 장애물에 부딪히면 점수를 잃고 목적지에 빨리 닿으면 점수를 얻으며, 시행착오 끝에 길 고르는 법을 익혀요.

  8. 8'사기'로 확인된 거래에 표시가 붙은 카드 결제 기록으로 학습해, 새 결제가 사기인지 아닌지 판정해요.

  9. 9주제 표시가 없는 뉴스 기사 수천 건을 내용이 비슷한 것끼리 묶어요.

  10. 10게임 프로그램이 스스로 수만 판을 두며, 이기면 보상을 받는 방식으로 어떤 수를 둘지 익혀요.

알고리즘은 어느 쪽?

0/10문항 · 0개 맞음

시험에는 알고리즘 이름만 주고 지도·비지도를 고르게 하는 문제가 자주 나와요. k-NN과 k-평균, 로지스틱 회귀를 특히 조심하세요.

  1. 1선형 회귀

  2. 2로지스틱 회귀

  3. 3결정 트리

  4. 4k-최근접 이웃 (k-NN)

  5. 5서포트 벡터 머신 (SVM)

  6. 6나이브 베이즈

  7. 7k-평균 (k-means)

  8. 8주성분 분석 (PCA)

  9. 9Apriori (연관 규칙)

  10. 10Q-러닝

신경망과 딥러닝은 어디에 쓰나

신경망은 학습 방법이 아니라 모델의 모양이에요. 그래서 지도·비지도·강화학습 어디에나 쓸 수 있어요. 시험에는 어떤 구조를 어떤 데이터에 쓰는지가 나와요.

인공 신경망 (다층 퍼셉트론)
입력에 가중치(입력마다 곱하는 중요도)를 곱해 더해요. 그 값이 활성화 함수(시그모이드·ReLU 등)를 거쳐 다음 층으로 넘어가요. 가중치는 오차 역전파로 고쳐요. 예측과 정답의 오차를 출력층에서 입력층 쪽으로 거꾸로 전하는 방법이에요. 은닉층(입력층과 출력층 사이의 층)이 없는 단층 퍼셉트론은 XOR처럼 직선 하나로 가를 수 없는 문제를 풀지 못해요.
딥러닝
은닉층을 여러 겹 깊게 쌓은 신경망이에요. 사람이 특징을 일일이 정하지 않아도 데이터에서 쓸모 있는 특징을 스스로 배워요.
CNN (합성곱 신경망)
작은 필터를 이미지 위로 밀며 모서리·모양 같은 지역 특징을 뽑아요(합성곱). 그리고 풀링으로 크기를 줄여요. 사진 분류, 얼굴 인식, 손글씨 우편번호 읽기에 써요.
RNN (순환 신경망)
앞 시점의 은닉 상태(기억해 둔 값)를 다음 시점 입력과 함께 써서 순서를 이어 받아요. 문장·음성·시계열(시간 순서대로 쌓인 값)에 써요. 순서가 길어지면 앞 정보가 흐려지는 기울기 소실 문제가 생겨요. 이 문제를 LSTM·GRU가 줄여요.
트랜스포머
순환 없이 어텐션(단어끼리 얼마나 관련 있는지 따지는 방법)으로 문장 안 모든 단어 사이의 관계를 한꺼번에 계산해요. 그래서 병렬 처리(여러 계산을 동시에 하기)가 쉬워요. 오늘날 대규모 언어 모델의 바탕이에요.
생성형 AI · LLM
생성형 AI는 학습한 데이터의 패턴으로 새 글·그림·소리를 만들어요. LLM은 대개 방대한 글로 다음 토큰(글을 잘게 나눈 조각)을 맞히도록 학습한 큰 언어 모델이에요. 그래서 그럴듯하지만 사실과 다른 답(환각)을 낼 수 있어요.

맨 위 '보기'에서 네 실험실을 골라요. k-NN 탭은 그림을 눌러 새 메일을 옮기거나 k를 바꾸면 이웃 투표와 학습·검증 정확도가 바로 바뀌고, k-평균 탭은 배정과 중심 이동을 한 단계씩 돌려요. 혼동 행렬 탭은 기준값을 옮기거나 네 칸에 숫자를 넣으면 지표가 공식과 함께 계산돼요(메일과 고객 데이터는 모두 연습용으로 만든 값).

핵심 정리

지도학습: 정답을 붙여 주고 배워요

'스팸/정상' 정답을 붙인 메일로 배우게 하면, 새 메일이 스팸인지 맞힐 수 있어요. 이렇게 입력과 정답(레이블)을 함께 주고, 새 입력의 정답을 맞히는 규칙을 배우는 게 지도학습이에요. 맞힐 답이 정해진 범주면 분류, 집값처럼 연속된 숫자면 회귀예요. 대표 알고리즘은 선형 회귀(회귀), 로지스틱 회귀(이름과 달리 분류), 결정 트리, k-NN, SVM, 나이브 베이즈예요.

비지도학습: 정답 없이 비슷한 것끼리

쇼핑몰 고객을 이용 횟수와 결제 금액만 보고 비슷한 무리로 나누는 건 비지도학습이에요. 레이블 없이 데이터 안에 숨은 구조를 찾고, 묶인 무리가 무엇을 뜻하는지는 사람이 해석해요. 비슷한 것끼리 묶는 군집화(k-평균, 계층적 군집), 정보를 되도록 남기며 특성 수를 줄이는 차원 축소(PCA), 함께 나타나는 항목을 찾는 연관 규칙(Apriori)이 있어요.

강화학습: 보상을 보고 배워요 (준지도·자기지도도 함께)

바둑 AI가 이기면 보상, 지면 벌점을 받으며 스스로 두는 법을 익히는 게 강화학습이에요. 정답 대신 행동의 결과로 받는 보상(또는 벌점)을 보고 배우는 거예요. 에이전트(배우는 쪽)가 환경에서 상태를 보고 행동하며, 보상의 합이 가장 커지는 행동 방식(정책)을 시행착오로 찾아요(Q-러닝). 레이블이 일부에만 붙은 데이터를 함께 쓰면 준지도학습, 가린 단어 맞히기처럼 데이터에서 정답을 스스로 만들어 배우면 자기지도학습이에요.

학습·검증·테스트 데이터와 과적합

학습 정확도는 99%인데 테스트 정확도가 70%라면, 학습 데이터의 잡음까지 외운 과적합(과대적합)이에요. 학습 데이터로 모델을 맞추고, 검증 데이터로 k 같은 하이퍼파라미터(학습 전에 사람이 정하는 설정값)와 모델을 고르고, 테스트 데이터로 마지막에 한 번 성능을 재요. 반대로 모델이 너무 단순해 학습 데이터조차 못 맞히면 과소적합이에요. 과적합은 데이터 늘리기, 규제(L1·L2), 드롭아웃, 조기 종료, 모델 단순화로 줄여요.

혼동 행렬과 평가 지표

메일 1,000통 중 스팸이 10통뿐인데 모두 정상이라고 하면, 정확도는 99%지만 스팸은 하나도 못 잡아요. 그래서 양성이 드문 데이터에서는 정밀도와 재현율을 함께 봐야 해요. 찾으려는 쪽(스팸)을 양성으로 두면 TP(스팸을 스팸으로 맞힘)·FP(정상을 스팸으로 잘못 잡음)·FN(스팸을 놓침)·TN(정상을 정상으로 맞힘) 네 칸이 생겨요. 정확도 = (TP+TN) ÷ 전체, 정밀도 = TP ÷ (TP+FP), 재현율 = TP ÷ (TP+FN), F1 = 2 × 정밀도 × 재현율 ÷ (정밀도 + 재현율)이에요.

신경망·딥러닝과 생성형 AI

사진 속 고양이를 알아보는 데는 CNN을, 문장·음성처럼 순서가 있는 데이터에는 RNN(LSTM)을 주로 써요. 인공 신경망은 입력에 가중치를 곱해 더하고 활성화 함수를 거친 값을 층층이 넘기며, 오차 역전파로 가중치를 고쳐요. 은닉층을 깊게 쌓으면 딥러닝이고, CNN은 합성곱으로 지역 특징을 뽑고 RNN은 앞의 상태를 이어 받아요. LLM(대규모 언어 모델)은 대개 방대한 글로 다음 토큰(글을 잘게 나눈 조각)을 맞히도록 학습한 트랜스포머 기반 언어 모델이라 새 글을 만들어 내지만, 그럴듯한 오답(환각)도 낼 수 있어요.

이렇게 외워요

  • 세 갈래 가르기

    정답(레이블)이 있으면 지도, 없으면 비지도, 보상이면 강화. 답이 범주면 분류, 숫자면 회귀 / 묶으면 군집, 줄이면 차원 축소

  • k가 둘

    k-NN은 이웃 k개에게 묻고(지도), k-평균은 중심 k개로 묶어요(비지도). 로지스틱 회귀는 이름만 회귀, 하는 일은 분류

  • TP·FP·FN·TN 읽는 법

    뒤 글자(P·N)는 모델의 예측, 앞 글자(T·F)는 그 예측이 맞았는지. 정밀도는 예측 양성(TP+FP)으로, 재현율은 실제 양성(TP+FN)으로 나눠요

암기 카드

외운 카드 0 / 9

남은 카드 9장. ‘다시 볼래요’를 누르면 맨 뒤로 가요.

OX 퀴즈

0 / 8 풀었어요
  1. 1

    로지스틱 회귀는 집값처럼 연속된 수치를 예측하는 회귀 알고리즘이다.

  2. 2

    k-평균 군집화는 학습 데이터에 정답 레이블이 있어야 쓸 수 있다.

  3. 3

    강화학습은 정답 레이블 대신 행동에 따라 받는 보상을 이용해 학습한다.

  4. 4

    재현율은 모델이 양성이라고 예측한 것 가운데 실제 양성의 비율이다.

  5. 5

    양성이 1%뿐인 데이터에서 모두 음성이라고 예측하면 정확도는 99%이지만 재현율은 0이다.

  6. 6

    과적합된 모델은 학습 데이터에서는 오차가 작지만 새로운 데이터에서는 오차가 크다.

  7. 7

    하이퍼파라미터를 고를 때는 테스트 데이터로 성능을 반복해서 비교한다.

  8. 8

    F1 점수는 정밀도와 재현율의 산술평균이다.

컴퓨터일반 자료 전체의 카드와 OX를 한 번에 풀려면 컴퓨터일반 카드·OX 모아 풀기로 가요.

근거

  • T. M. Mitchell, Machine Learning, McGraw-Hill, 1997 (학습의 정의, 결정 트리, 인공 신경망과 역전파, k-최근접 이웃)
  • T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, 2nd ed., Springer, 2009 (지도·비지도 학습, 학습·검증·테스트 분할과 교차 검증, k-NN, k-평균, 주성분 분석, 연관 규칙)
  • R. S. Sutton, A. G. Barto, Reinforcement Learning: An Introduction, 2nd ed., MIT Press, 2018 (에이전트·환경·보상·정책, Q-러닝)
  • I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016 (규제·드롭아웃·조기 종료, 합성곱 신경망, 순환 신경망과 LSTM)
  • T. M. Cover, P. E. Hart, "Nearest neighbor pattern classification", IEEE Transactions on Information Theory, 1967
  • J. MacQueen, "Some methods for classification and analysis of multivariate observations", 5th Berkeley Symposium, 1967 · S. P. Lloyd, "Least squares quantization in PCM", IEEE Transactions on Information Theory, 1982
  • D. Arthur, S. Vassilvitskii, "k-means++: The Advantages of Careful Seeding", SODA, 2007
  • C. Cortes, V. Vapnik, "Support-vector networks", Machine Learning, 1995
  • Y. LeCun et al., "Backpropagation Applied to Handwritten Zip Code Recognition", Neural Computation, 1989
  • S. Hochreiter, J. Schmidhuber, "Long Short-Term Memory", Neural Computation, 1997 · A. Vaswani et al., "Attention Is All You Need", NeurIPS, 2017
  • C. J. van Rijsbergen, Information Retrieval, 2nd ed., Butterworths, 1979 (정밀도·재현율과 F 척도)
  • 2026년 계리직 컴퓨터일반(지도학습)과 같은 유형, 예시 상황과 데이터는 새로 만들었어요
  • 계리직 컴퓨터일반 출제 범위는 우정사업본부 공고 확인

학습을 돕는 자료예요. 법령과 제도는 바뀔 수 있으니 시험 직전에는 공식 자료로 다시 확인하세요.

컴퓨터일반 다른 개념

계리직 개념 전체 보기