20강 AI 머신러닝의 기본개념

학습목표
- AI와 머신러닝의 기본개념을 이해하고 머신러닝 실습을 적용할 수 있다

학습내용
- 1. AI와 머신러닝의 기본개념
- 2. 머신러닝의 예시

1. AI와 머신러닝의 기본개념
1) AI와 머신러닝의 기본개념
- AI와 머신러닝의 기본적인 개념 소개
- 데이터를 활용해 인공지능 모델을 개발하고 학습시키는 방법을 알아보며 실제 프로젝트 사례를 통해 현장 적용 방법 공유

 

인공지능(AI)의 정의
- 인공지능(AI)은 컴퓨터가 인간처럼 학습하고 문제를 해결하는 능력을 갖추도록 하는 기술
- 음성 인식, 이미지 인식, 자연어 처리 등이 AI의 대표적인 응용 분야
머신러닝의 정의
- 머신러닝은 데이터로부터 학습하고 예측하는 AI의 하위 분야
- 스팸 메일 필터링, 추천 시스템, 자율주행차 등이 머신러닝의 활용 사례
AI와 머신러닝의 관계
- AI는 머신러닝을 포함하는 더 넓은 개념이며, 머신러닝은 AI를 구현하는 핵심 기술
- 두 기술은 긴밀히 연관되어 있음
Diagram

2) 머신러닝의 기본원리
(1) 데이터 수집
- 다양한 소스에서 머신러닝 모델 학습에 필요한 데이터를 수집
(2) 데이터 전처리 (라벨링)
- 수집된 데이터를 정제하고 변환하여 모델 학습에 적합한 형태로 준비
(3) 모델 학습
- 준비된 학습 데이터를 사용하여 머신러닝 모델을 훈련
(4) 모델 평가
- 검증 데이터를 이용해 모델의 성능을 평가하고 개선 방안을 찾음
(5) 모델 예측
- 새로운 데이터를 입력하면 훈련된 모델이 결과를 예측

2. 머신러닝의 예시
1) 구체적인 머신러닝 : 개/고양이 이미지 분류
(1) 데이터 수집
- 10,000개의 개와 고양이 이미지 수집
(2) 모델 학습
- 개와 고양이의 시각적 특징 학습
(3) 패턴 인식
- 새로운 이미지를 입력하여 개인지 고양이인지 예측
(4) 결과 평가
- 95% 정확도로 개와 고양이 구분

2) 구체적인 머신러닝 : 의료 이미지 분류
(1) 데이터 수집
- 10,000개의 의료 이미지 수집 (정상/비정상)
(2) 모델 학습
- 정상과 비정상 이미지 구분 특징 학습
(3) 패턴 인식
- 새로운 의료 이미지를 입력하여 정상과 비정상 예측
(4) 결과 평가
- 95% 정확도로 정상과 비정상 이미지 구분

3) 구체적인 머신러닝 : 스팸 필터링
(1) 데이터 수집
- 수천 개의 스팸 메일과 정상 메일을 수집하여 모델 학습에 활용
(2) 모델 학습
- 수집된 메일 데이터를 통해 스팸 메일과 정상 메일의 특징을 학습
(3) 패턴 인식
- 새로운 메일이 입력되면 스팸인지 아닌지 예측
(4) 결과 평가
- 예측 결과를 검증 데이터와 비교하여 98%의 정확도로 스팸 메일 필터링

4) 구체적인 머신러닝 : 추천 시스템
(1) 데이터 수집
- 사용자 행동 데이터 (클릭, 구매 내역) 수집
(2) 모델 학습
- 사용자 선호도 학습
(3) 패턴 인식
- 새로운 사용자에게 추천 항목 예측
(4) 결과 평가
- 사용자 선호도에 맞춘 추천 정확도 90%

5) 구체적인 머신러닝 : 음성 인식
(1) 데이터 수집
- 다양한 사람의 음성 데이터 수집 (발음, 억양, 언어)
(2) 모델 학습
- 음성 데이터를 학습하여 텍스트로 변환하는 방법 익히기
(3) 패턴 인식
- 새로운 음성 입력을 텍스트로 변환
(4) 결과 평가
- 95% 정확도로 음성을 텍스트로 변환

정리
- AI는 인간처럼 학습하고 문제를 해결하는 기술이며, 머신러닝은 그 핵심 구현 기술임
- 머신러닝은 데이터 수집 → 전처리(라벨링) → 학습 → 평가 → 예측의 단계로 진행됨
- 이미지 분류, 의료 진단, 스팸 필터링, 추천 시스템, 음성 인식 등 다양한 분야에 적용됨
- 고품질 데이터와 정확한 라벨링이 머신러닝 성능을 결정하는 핵심 요소임