k-평균과 가우시안 혼합모델 정리 — 스탠퍼드 CS229 2026년 9강이 짚은 가정과 한계
스탠퍼드 CS229 2026년 봄학기 9강은 k-평균이 왜 반드시 멈추면서도 최적해를 놓치는지, 군집 개수 K를 고르는 일이 왜 통계가 아니라 모델링 결정인지를 짚고, 확률로 배분하는 가우시안 혼합모델로 넘어간다.
핵심 내용 읽기 →
AI TOPIC
비지도학습 최신 뉴스와 핵심 해설
비지도학습 관련 핵심 뉴스와 활용 인사이트 15편을 최신순으로 모았습니다.
열화상 세그멘테이션 도메인 적응: RGB-열화상 상호 증류로 야간 자율주행 인식 성능 높이기
딥러닝 논문 읽기 모임이 소개한 크로스 스펙트럴 비지도 도메인 적응 연구. 마스크드 상호 학습·크로스 스펙트럴 프로토타입·프로토타입 자기지도 손실로 라벨 없는 야간 열화상에서도 mIoU를 70.4%에서 76.9%로 끌어올린다.
핵심 내용 읽기 →
머신러닝 vs 딥러닝 차이 — 신경망 계층과 데이터 라벨링으로 구분하기
IBM의 강의가 피자 주문 결정 모델을 예로 들어 머신러닝과 딥러닝의 관계를 설명하고, 신경망 계층 수와 사람의 데이터 라벨링 개입 여부라는 두 가지 핵심 차이를 짚는다.
핵심 내용 읽기 →
앤드루 응의 스탠퍼드 CS229 머신러닝 1강 정리: 지도학습과 비지도학습 핵심 기초 개념
앤드루 응이 진행한 스탠퍼드 CS229 머신러닝 첫 강의를 정리했다. AI는 새로운 전기라는 비유부터 머신러닝의 두 가지 정의, 지도학습의 회귀와 분류, 비지도학습, 그리고 체계적인 학습 전략까지 핵심 개념을 두루 담았다.
핵심 내용 읽기 →
머신러닝 기초 완전정복: 지도·비지도·강화학습부터 모델 배포까지
유튜브 추천부터 스팸 필터까지, 머신러닝이 무엇이고 어떤 단계를 거쳐 모델이 완성되는지 초보자 눈높이로 정리했다. 학습 유형과 전체 워크플로를 한 번에 짚는다.
핵심 내용 읽기 →
지식 증류(Knowledge Distillation) 기반 산업 이미지 이상 탐지: 4편 논문 흐름
정상 데이터만 학습한 학생-교사 모델이 결함을 탐지하는 지식 증류의 원리와, Uninformed Students·MKD·RD4AD·AST로 이어지는 발전 흐름을 DMQA 세미나로 정리했다.
핵심 내용 읽기 →
머신러닝 입문 풀코스 — 지도·비지도 학습과 분류·회귀·군집화 정리
초보자를 위한 머신러닝 풀코스 강의를 정리했습니다. 지도·비지도 학습, 분류와 회귀, 신경망과 TensorFlow, k-평균 군집화와 PCA를 코랩 실습 흐름으로 설명합니다.
핵심 내용 읽기 →
머신러닝이란? 지도학습·비지도학습·강화학습 쉽게 이해하기
머신러닝의 개념과 KNN 알고리즘, 지도·비지도·강화학습의 차이를 노래 취향과 동전 분류 같은 친숙한 예시로 풀어 설명한다.
핵심 내용 읽기 →
AI 머신러닝 풀코스 정리 — 지도·비지도 학습, 모델 평가, 딥러닝 기초
심플리런(Simplilearn)의 AI·머신러닝 풀코스를 정리했다. AI/ML의 차이, 12개 모듈 구성, 지도·비지도 학습, scikit-learn 붓꽃 분류 실습까지 한국어로 풀었다.
핵심 내용 읽기 →
머신러닝이란? AI·딥러닝과의 차이와 지도·비지도·강화학습 쉽게 이해하기
IBM 엔지니어가 자주 혼동되는 AI·머신러닝·딥러닝의 관계를 정리하고, 지도·비지도·강화학습의 차이를 고객 이탈, 가격 예측, 자율주행 등 실제 사례로 설명합니다.
핵심 내용 읽기 →
자기조직화지도(SOM) 학습 원리: 고차원 데이터를 2차원으로 압축하는 코호넨 맵
자기조직화지도(SOM)는 출력 노드의 가중치를 입력 공간의 좌표로 삼아, 데이터와 가장 가까운 노드(BMU)와 그 이웃을 끌어당기며 고차원 데이터를 2차원 지도로 압축하는 비지도 학습 기법이다. 그 학습 원리를 정리했다.
핵심 내용 읽기 →
스펙트럴 군집화 원리 3단계: 유사도 그래프·라플라시안·고유분해로 비선형 군집 풀기
원형이 아닌 복잡한 형태의 데이터에서 K-평균이 실패하는 이유와, 유사도 그래프·정규화 라플라시안·고유값 분해를 거쳐 K-평균이 통하는 공간으로 바꿔 군집을 찾는 스펙트럴 군집의 3단계 원리를 정리했다.
핵심 내용 읽기 →
DBSCAN 군집화 알고리즘 완벽 정리: 밀도 기반 클러스터링으로 중첩 군집과 이상치 구분하기
DBSCAN은 점들이 모여 있는 밀도를 기준으로 데이터를 군집으로 묶는 비지도 학습 알고리즘입니다. k-평균이 어려워하는 중첩 군집과 이상치를 어떻게 구분하는지 핵심점 개념을 들어 쉽고 자세하게 정리했습니다.
핵심 내용 읽기 →
오토인코더(Autoencoder) 쉽게 이해하기: 인코더·디코더 구조와 노이즈 제거·이상 탐지 활용
IBM이 설명하는 오토인코더 입문 해설. 인코더가 데이터를 압축해 코드로 만들고 디코더가 이를 복원하는 구조로 핵심 특징을 학습하며, 노이즈 제거·고해상도 복원·흑백 이미지 컬러화·이상 탐지에 쓰이는 원리를 정리했다.
핵심 내용 읽기 →
K-평균 군집화 완벽 정리: 작동 원리와 군집 개수(K)를 고르는 엘보 기법까지 한눈에
K-평균 군집화가 라벨 없는 데이터를 스스로 묶는 과정을 단계별로 설명합니다. 군집 중심을 무작위로 잡고 가까운 점을 배정한 뒤 평균을 다시 계산하는 반복, 군집 내 변동으로 품질을 평가하는 법, 엘보 기법으로 최적의 K를 고르는 요령까지 짚었습니다.
핵심 내용 읽기 →