머신러닝·AI 핵심 개념 용어 총정리: 학습 방식부터 모델·평가·데이터 전처리까지 한눈에

핵심 메시지

• 이 강의는 머신러닝·AI의 필수 용어를 짧고 쉬운 정의와 애니메이션으로 한 번에 훑어 주는 개념 사전이다.
• 학습 방식은 비지도 학습, 강화 학습, 전이 학습 등으로 나뉘며 각각 다루는 문제와 데이터가 다르다.
• 경사 하강법·확률적 경사 하강법·역전파·학습률은 모델을 훈련시키는 최적화의 핵심 도구다.
• 결정 트리·랜덤 포레스트·SVM·CNN·RNN·LSTM·트랜스포머·GAN 등 대표 모델의 쓰임새를 간단히 정리한다.
• 교차 검증, 혼동 행렬, 정밀도·재현율, ROC AUC, 훈련-테스트 분할 등은 모델 성능을 평가하는 데 쓰인다.

쉽게 이해하기

영상은 튜링 타임 머신의 블라디미르가 진행하는 개념 정리 강의로, AI·데이터 과학·머신러닝의 큰 아이디어를 짧고 단순한 정의와 그래픽으로 풀어 준다. 복잡한 용어에 압도된 입문자가 핵심만 빠르게 잡도록 돕는 것이 목표다.

학습 패러다임부터 정리한다. 비지도 학습은 라벨 없는 데이터에서 군집화나 이상 탐지를 하고, 강화 학습은 에이전트가 환경과 상호작용하며 목표 달성을 배우며, 전이 학습은 한 작업에서 얻은 지식을 관련된 다른 작업에 적용한다. 회귀·로지스틱 회귀·선형 회귀는 변수 간 관계를 모델링하는 통계적 방법으로 소개된다.

최적화와 학습의 도구도 다룬다. 경사 하강법은 기울기의 반대 방향으로 파라미터를 조정해 함수의 극솟값을 찾고, 확률적 경사 하강법은 한 번에 하나의 데이터로 갱신한다. 역전파는 가중치를 조정해 손실 함수를 최소화하는 핵심 알고리즘이며, 학습률은 각 단계의 보폭을 정한다. 정규화와 드롭아웃, L1·L2 정규화는 과적합을 막기 위한 기법으로 설명된다.

모델 종류는 폭넓게 등장한다. 결정 트리와 그 앙상블인 랜덤 포레스트, 초평면으로 클래스를 나누는 SVM, 이미지에 강한 CNN, 시퀀스를 다루는 RNN과 장기 의존성을 보완한 LSTM, 자기 어텐션 기반의 트랜스포머, 생성자와 판별자를 함께 학습하는 GAN, 변분 오토인코더 등이 그것이다. 인공 신경망과 퍼셉트론, 활성화 함수(시그모이드·tanh·ReLU·소프트맥스)도 함께 짚는다.

평가와 데이터 처리도 빠지지 않는다. 교차 검증, 훈련-테스트 분할, 혼동 행렬, 정밀도·재현율, ROC 곡선 아래 면적(AUC), MSE·RMSE·R², 그리드 서치 같은 평가·튜닝 개념과 함께, 원-핫 인코딩·정규화·결측치 처리·특성 공학·PCA 같은 전처리, 그리고 유클리드·맨해튼·해밍·자카드·코사인 유사도 같은 거리 척도까지 사전식으로 정리한다.

주요 인사이트

• 수많은 머신러닝 용어도 "학습 방식 / 최적화 / 모델 / 평가 / 데이터 처리"라는 큰 갈래로 묶으면 전체 지도를 그리기 쉽다.
• 과적합을 막는 도구가 정규화·드롭아웃·L1/L2처럼 여러 층위로 존재한다는 점은 모델 일반화의 중요성을 보여 준다.
• RNN의 장기 의존성 문제를 LSTM이, 다시 순차 처리의 한계를 트랜스포머가 보완하는 흐름은 모델 발전의 맥락을 잡게 해 준다.
• 정밀도와 재현율, ROC AUC 같은 지표는 특히 클래스가 불균형한 데이터에서 모델을 제대로 평가하는 데 핵심이다.
• 코사인 유사도·유클리드/맨해튼/해밍/자카드 거리처럼 "유사도를 재는 방법"이 여럿이라는 점은 데이터 표현과 비교의 기초가 된다.

자주 묻는 질문

관련 AI 소식