학습 방식과 데이터의 관계

개요

라벨 유무와 목적에 맞는 학습 방식을 선택한다.

먼저 AI·머신러닝·생성형 AI의 역할의 핵심 개념을 확인하세요.

세부 학습 목표

• 지도·비지도·강화학습의 학습 신호와 추론을 구별한다.
• 라벨 유무와 표·시계열·이미지·텍스트 및 구조화 수준을 구별한다.

핵심 개요

학습은 예시에서 규칙을 조정하는 과정이고 추론은 조정된 규칙을 새 입력에 적용하는 과정입니다. 지도학습은 입력과 정답을 함께 사용합니다. 비지도학습은 정답 라벨 없이 자료의 구조를 찾으며, 강화학습은 행동 뒤에 받은 보상을 이용합니다.

라벨은 사람이 붙였다는 이유만으로 정확하지 않습니다. 언제 누구의 기준으로 정했는지, 실제 서비스에서 그 정답을 관찰할 수 있는지 확인해야 합니다. 같은 고객이 학습과 평가에 겹치면 새 고객에 대한 능력을 과대평가할 수 있습니다.

필요한 용어

• 라벨: 학습할 입력에 대응하는 정답 정보
• 추론: 학습된 모델에 새로운 입력을 넣어 결과를 얻는 과정

작동 과정

1. 업무의 입력과 원하는 결과를 적습니다.
2. 정답 사례가 있는지와 라벨 품질을 확인합니다.
3. 학습과 분리한 자료에서 기준선과 비교합니다.

자료의 모양과 학습 신호는 다른 구분이다

• 구조화 자료는 정한 열의 표, 반구조화 자료는 항목 구조가 있는 JSON·이벤트 기록, 비구조화 자료는 문장·사진·음성 같은 콘텐츠로 구별합니다. 숫자·문자 파일 확장자만으로 판단하지 않습니다.

  시계열은 시간 순서와 간격이 중요한 자료입니다. 표로 저장돼도 미래 정보를 과거 학습에 섞지 않는 분할이 필요합니다.

• 비구조화 자료에도 정답 라벨을 붙여 지도학습할 수 있습니다. 반대로 표라고 항상 지도학습인 것은 아닙니다. 라벨 없는 표에서는 군집·이상 패턴을 탐색할 수 있습니다. 자료의 형태와 목표·학습 신호를 별도로 정합니다.

AWS AIF-C01 공식 영역 1 

풀이 예제

아래 입력과 기록은 직접 만든 교육용 가상 자료입니다.

입력·조건

고객 문의 100건에는 상담사가 정한 배송·환불 라벨이 있고, 나머지 900건에는 본문만 있습니다.

판단·결과

100건은 문의 분류기의 지도학습·평가 후보이며, 900건에서는 주제 군집을 탐색할 수 있습니다. 군집에 붙인 이름을 정답으로 바로 사용하지 않습니다.

이렇게 판단한 이유

라벨이 있는 분류와 라벨 없이 구조를 찾는 작업은 학습 신호가 다릅니다. 자료 수보다 목표와 정답의 존재가 먼저 판단 기준입니다.

흔한 실패와 복구

라벨 없는 데이터에 비지도학습을 적용했다고 고장 원인을 알아낸 것은 아닙니다. 이상 점수와 실제 고장 여부를 후속 조사로 대조합니다.

확인 문제

참고 자료

1. Google ML Crash Course  — 학습 방식·회귀·분류·손실·평가의 기초.
2. scikit-learn: Common pitfalls  — 분할 전후 전처리와 데이터 누출.
3. AWS AIF-C01 공식 영역 1  — 공식 세부 목표와 판단 수준.

자료 확인: 2026-10-25. 사례·문항·실습은 자체 제작했습니다. 외부 서비스 호출과 실제 모델 품질 측정은 학습자가 별도 환경에서 수행합니다.

설비 센서 기록에는 정상·고장 표시가 없고, 일부 장비의 고장 시점만 별도로 있습니다. 고장 예측과 이상 패턴 탐색을 어떻게 나눌지 설계하세요.