기술사 학습노트 | imt-log

기술사 학습노트 › AI / 빅데이터 › 머신러닝 알고리즘 분류

AI / Big Data · 한장정리

[기술사토픽] 머신러닝 알고리즘 분류 완벽 정리 - 한장정리

지도·비지도·강화학습 분류와 주요 알고리즘 특징, 편향-분산 트레이드오프, 과적합 방지 기법까지 기술사 빈출 주제를 완벽 정리합니다.

머신러닝지도학습비지도학습강화학습과적합정보관리기술사

Ⅰ.데이터 기반 학습 기술, 머신러닝의 개요

개념: 머신러닝(Machine Learning)이란 명시적 프로그래밍 없이 데이터로부터 패턴을 학습하여 예측·분류·결정하는 AI 기술입니다. Arthur Samuel(1959)이 처음 정의했습니다.

특징: (1) 데이터가 핵심 자원 (2) 학습 방식에 따라 지도·비지도·강화학습으로 분류 (3) 성능은 데이터 품질·양에 크게 의존

가. 머신러닝 3가지 학습 유형

지도학습

입력: 레이블된 데이터

목표: 입력→출력 함수 학습

분류: SVM, 결정트리, KNN

회귀: 선형회귀, 랜덤포레스트

적합: 스팸필터, 이미지분류

비지도학습

입력: 레이블 없는 데이터

목표: 숨겨진 구조 발견

군집화: K-Means, DBSCAN

차원축소: PCA, t-SNE

적합: 고객세분화, 이상탐지

강화학습

입력: 환경·보상 신호

목표: 누적 보상 최대화

알고리즘: Q-Learning, DQN

핵심: 에이전트·환경·보상

적합: 게임AI, 로봇제어

Ⅱ.주요 알고리즘 특징 & 비교

알고리즘	유형	특징	장점	단점
선형회귀	지도(회귀)	연속값 예측	해석 쉬움	비선형 관계 한계
로지스틱회귀	지도(분류)	확률 기반 이진분류	확률 출력	선형 경계만 가능
결정 트리	지도(분류/회귀)	규칙 기반 분기	해석 용이	과적합 취약
랜덤 포레스트	지도(앙상블)	다수 트리 투표	과적합 방지	해석 어려움
SVM	지도(분류)	최대 마진 초평면	고차원 효과적	대용량 느림
K-Means	비지도(군집)	K개 중심 군집화	구현 간단	K값 사전 지정
Q-Learning	강화학습	Q값으로 행동 선택	모델 불필요	연속 공간 한계

Ⅲ.과적합·과소적합 & 방지 기법

구분	과적합(Overfitting)	과소적합(Underfitting)
개념	훈련 데이터에 과하게 맞춰져 일반화 실패	학습 부족으로 훈련·테스트 모두 성능 낮음
원인	모델 복잡도 높음, 훈련 데이터 부족	모델 복잡도 낮음, 학습 부족
해결	정규화(L1/L2), 드롭아웃, 데이터 증강, 교차검증	모델 복잡도 증가, 학습 데이터 추가
편향/분산	저편향·고분산	고편향·저분산

시험 포인트

편향-분산 트레이드오프: 모델 복잡도↑ → 편향↓ 분산↑ (과적합) / 모델 복잡도↓ → 편향↑ 분산↓ (과소적합)
최적 모델 = 편향과 분산의 균형점. 교차검증(Cross-Validation)으로 찾음.

Ⅳ.결론 및 전문가 의견

결론

머신러닝은 AI의 핵심 엔진으로 데이터 중심 의사결정을 가능하게 합니다.
향후 AutoML(자동화된 머신러닝), Few-Shot Learning(소량 데이터 학습), Foundation Model(GPT·BERT 등 대형 모델)로 진화하며 적용 범위가 폭발적으로 확장되고 있습니다.

"모든 모델은 틀렸다. 그러나 일부는 유용하다." — George Box

블로그: 기술사 학습노트 · imt-log.tistory.com

← AI/빅데이터 목록