#machine-learning
노트 22개
Algorithm › Math
미분과 적분 기초극한과 연속, 순간변화율로서의 도함수와 미분 규칙(곱·몫·연쇄 법칙), 지수·로그·삼각함수의 도함수, 증감과 극값을 이용한 최적화, 누적으로서의 적분과 미적분학의 기본 정리를 정리하고 수치 미분·경사 하강·수치 적분 코드로 연결한다.
AI & Data
추천 시스템사용자가 좋아할 아이템을 예측해 골라 주는 추천 시스템을 묶은 주제다. 추천이 나오는 세 자리, 협업·콘텐츠 기반 필터링의 기초, 후보 생성 → 랭킹의 딥러닝 구조, 밴딧과 실시간 피드백·A/B 테스트를 하위 노트로 나누고, 실서비스에서 반복되는 설계 원칙을 정리했다.
AI & Data › Recommender System
실시간 추천과 실험: 밴딧, 피드백 지연, A/B 테스트뉴스처럼 수명이 짧은 콘텐츠를 사용자 반응에 맞춰 바로바로 추천하는 방법을 정리했다. ε-greedy·톰슨 샘플링·UCB로 탐색과 활용을 오가는 멀티암드 밴딧, 사용자 군집·아이템 특징과 밴딧을 묶은 타기팅, 뉴스용 보정(시간 감쇠·위치 편향·중복 회피), 클릭률의 한계와 열독률, 피드백 지연이 성능에 주는 영향, 실시간 파이프라인 구조, 노출 편향을 걷어 낸 인기 콘텐츠, 버킷 A/B 테스트, 여론에 영향을 주는 추천의 투명성과 사용자 조절권을 다룬다.
AI & Data › Recommender System
추천 시스템 기초: 협업 필터링과 콘텐츠 기반 필터링추천 시스템의 두 기둥인 협업 필터링(행동 데이터)과 콘텐츠 기반 필터링(아이템 내용)을 정리했다. 명시적·암묵적 피드백, 베이스라인 모형과 이웃 기반 CF(유사도·KNN 가중 평균), 편향을 더한 행렬 분해(ALS)와 디노이징 오토인코더, 아이템·태그 공동 임베딩, 오디오·텍스트·이미지 임베딩, 둘을 섞는 앙상블과 폴백, 콜드 스타트·희소성·인기 편향, 오프라인·온라인 평가 지표, 알고리즘보다 추천 자리와 비용을 먼저 정하는 원칙을 다룬다.
AI & Data
강화 학습: 에이전트·MDP·가치 함수와 알고리즘 분류강화 학습은 에이전트가 환경과 주고받는 상태·행동·보상으로 누적 보상을 최대화하는 정책을 배우는 방법이다. 기본 용어, 마르코프 결정 과정(MDP), 리턴·가치 함수·벨만 방정식, 모델 기반/모델 프리·가치 기반/정책 기반·온/오프 정책 분류, 응용 분야, 환경 점검과 알고리즘별 구현 요령을 정리한다.
AI & Data
결정 트리와 앙상블: 랜덤 포레스트와 부스팅표 형태(정형) 데이터에서는 딥러닝보다 트리 기반 모델이 강할 때가 많다. 지니 불순도로 가지를 나누는 결정 트리, 여러 트리를 투표시키는 배깅·랜덤 포레스트, 앞 모델의 실수를 이어 고치는 부스팅(AdaBoost, XGBoost·LightGBM·CatBoost)을 비교한다. 두 계열이 쓰는 트리 깊이와 하이퍼파라미터의 차이, 정형 데이터에서 그레이디언트 부스팅이 이기는 이유, 큰 트리 하나보다 작은 트리 여러 개가 나은 이유(상관과 분산)를 다루고, 학습한 모델을 서버나 기기에 배포하는 방식을 정리한다.
AI & Data
논문 읽기와 구현: 고르고, 여러 번 나눠 읽고, 재현할 수 있게 공개하기머신 러닝 논문은 목록을 만들어 병렬로 훑고 일부만 깊게 읽는다. 한 편은 제목·초록·그림 → 도입·결론 → 본문 순으로 여러 번 나눠 읽고 네 가지 질문으로 이해를 점검한다. 구현은 수식을 코드로 옮기는 반복 작업이 되지 않게 저자의 의도와 실패를 상상하며 하고, 공개할 때는 의존성·학습 코드·평가 코드·사전 학습 모델·결과 표와 재현 명령의 다섯 가지를 갖춘다.
AI & Data
데이터 직군: 분석가·엔지니어·머신러닝 엔지니어·사이언티스트데이터 직군은 성향에 따라 기획자형 데이터 분석가, 개발자형 데이터 엔지니어와 머신러닝 엔지니어, 연구자형 데이터 사이언티스트로 나뉜다. 직군별 주요 업무·필요 역량·자격 요건, 분석가와 머신러닝 직군의 일하는 흐름, 연구와 프로덕션의 차이, 애널리틱스 엔지니어·MLOps 엔지니어·AI 엔지니어 같은 새 직군, 기대와 현실의 차이, 직군별 학습 로드맵, 자격증·대학원·학원과 포트폴리오(Kaggle, 공모전, 직접 수집하는 프로젝트, 블로그), 채용 과제와 면접까지 정리한다.
AI & Data
딥러닝 직관으로 이해하기: 신경망으로 숫자에서 패턴 찾기인공지능을 「신경망으로 숫자에서 패턴 찾기」 한 문장으로 풀어 보는 입문 노트. 컴퓨터에서는 사진·소리·바둑판이 모두 숫자이고, 사람이 순서도를 짜는 프로그래밍과 달리 딥러닝은 곱하기·더하기 구조의 가중치를 학습으로 찾는다. 층이 쌓이며 선에서 눈·다리로 올라가는 특징, 설명하기 어려운 이유, 강화 학습과 알파고에서 알파제로로의 변화, 전이 학습까지 다룬다.
AI & Data
머신 러닝 기초: 네 단계 추상화머신 러닝은 데이터의 분포를 배워 예측하는 일이다. 문제를 데이터 → 모델 → 최적화 목표(손실 함수) → 최적화 알고리즘의 네 단계로 나눠 보면 어떤 기법이든 자리를 찾을 수 있다. 최소제곱법과 그 행렬 풀이(정규 방정식)를 예로 들고, K-겹 교차 검증과 데이터 누수, 과적합·과소적합, 확률과 우도의 차이와 MLE·MAP, 특징화, 규제(L1·L2)와 특징 스케일링의 구분, 차원의 저주와 PCA를 정리한다. 소프트웨어 엔지니어가 다시 초보자가 되어 머신 러닝 실무자로 넘어가는 법도 다룬다.
AI & Data
머신러닝 모델 서빙학습한 모델을 서비스에서 호출할 수 있게 띄우는 방법. VM·컨테이너·서버리스·모델 서버 같은 배포 형태와 CPU·GPU 추론 선택, 모바일·엣지 배포, 동기 API와 큐 기반 비동기 워커 중 무엇을 고를지, 가중치·이미지 분리, 배치 처리, 헬스 체크, 배포 게이트 같은 설계 원칙과, BentoML처럼 모델을 API·컨테이너로 묶어 주는 프레임워크의 역할을 정리했다.
AI & Data
분류 모델 성능 평가 지표분류 모델은 혼동 행렬의 TP·FP·FN·TN으로 평가한다. 정밀도·재현율이 서로 맞바뀌는 이유, 정확도가 불균형 데이터에서 속이는 이유, 조화평균인 F1 점수, 임계값을 바꿔 그리는 ROC 곡선과 AUC(양성이 드물면 PR AUC), 회귀 지표 MAE·RMSE·MAPE·R²와 문제 유형별 지표 고르기, 객체 탐지의 IoU·PR 곡선·AP·mAP를 정리한다.
AI & Data
불확실한 지식으로 추론하기: 베이지안 분류기와 퍼지 추론불확실성을 다루는 두 추론 방식을 비교한다. 베이지안 추론은 경계가 분명한 부류 중 어디에 속하는지가 불확실할 때 베이즈 정리로 사후확률을 계산하고, 퍼지 추론은 '키 큰 사람'처럼 경계 자체가 흐릿할 때 0~1의 소속도로 집합과 논리를 확장한다.
AI & Data
서비스용 텍스트 분류 모델 만들기악성 댓글 탐지, 상품 카테고리 자동 분류처럼 실제 서비스에 넣는 분류 모델을 만들 때의 결정들. 라벨 기준 정의와 애매한 데이터 제외, 노이즈 많은 텍스트의 토큰화, 가벼운 모델을 고르는 이유와 BoW 선형 모델에서 TextCNN·BiLSTM·트랜스포머까지의 후보, 클래스 불균형, 모델로 라벨 오류 찾기, 사람이 고친 데이터로 재학습, 텍스트·이미지·메타데이터를 함께 쓰는 다중 입력 모델을 정리했다.
AI & Data
시계열 분석: 정상성·분해·ARIMA에서 Prophet과 딥러닝 예측까지시간 순서로 관측한 데이터를 다루는 시계열 분석을 정리한다. 추세·계절성·주기 성분, 정상성과 ACF·PACF·단위근 검정, 로그 변환과 차분, 고전 분해와 STL, 기준 예측과 지수평활, ARIMA·SARIMAX와 GARCH 같은 확장, Prophet의 성분 모델과 주요 파라미터, 윈도 지도 학습·seq2seq·인과 합성곱 같은 딥러닝 예측, 시간 순서를 지키는 평가, DTW 거리로 하는 시계열 분류·군집까지 다룬다.
AI & Data
예측형 AI와 생성형 AI예측형 AI는 과거 데이터에서 분류·회귀·추천·이상 탐지 같은 좁은 답을 내고, 대개 직접 학습한 모델로 만든다. 생성형 AI는 사전 학습된 큰 모델 위에 프롬프트·컨텍스트를 얹어 열린 출력을 만든다. 두 방식의 개발 루프, 평가 방법, 흔한 함정과 대응을 비교한다.
AI & Data
자연어 처리 파이프라인: 전처리부터 언어 모델까지자연어 처리(NLP)는 사람의 언어를 컴퓨터가 다루게 하는 분야다. 표현·분류·구조 분석·중의성 해소·언어 모델·시퀀스 변환으로 나뉘는 과제, 데이터셋 준비 → 전처리(토큰화·정제·정규화·인코딩·패딩) → 모델 학습 → 평가·예측의 흐름, 한국어 데이터셋, 교착어 토큰화, 원-핫·TF-IDF·임베딩 층 같은 표현 방식, n-gram부터 트랜스포머·LLM까지의 언어 모델 계보와 퍼플렉서티, 학습 이전의 구문 분석·지식 그래프, 스펙트로그램에서 출발하는 음성 인식과 음성 합성을 정리한다.
AI & Data
지능형 튜터링 시스템과 베이지안 지식 추적지능형 튜터링 시스템(ITS)은 학습자가 무엇을 알고 모르는지 추정해 맞는 문제와 피드백을 주는 교육 소프트웨어다. 생성 규칙과 버그 규칙으로 이뤄진 도메인 모델, 숙달 정도를 기록하는 학생 모델, 정답·오답 관찰로 숙달 확률을 갱신하는 베이지안 지식 추적의 네 확률(사전·전이·추측·실수)과 갱신식, 숙달 학습과 적응형 순서, 교육 데이터 마이닝, 대규모 온라인 강좌가 부딪힌 피드백 문제를 정리한다.
AI & Data
책임 있는 AI: 윤리, 프라이버시·공정성·신뢰AI의 판단은 데이터와 설계자의 선택이 담긴 산출물이라는 관점에서, AI 거버넌스의 세 축인 프라이버시·공정성·신뢰와 투명성을 데이터·지능·UX 세 층에 나눠 무엇을 할지 정리한다. 덜 모으고 PII를 지우고, 데이터 편향(COMPAS, 하위 집단 누락)을 점검하고 신고 경로를 열고, 사용자를 '보정된 신뢰'로 이끌며, 트롤리 딜레마·모럴 머신처럼 정답 없는 판단은 명시하고 공론화한다.
AI & Data
퍼셉트론과 다층 퍼셉트론퍼셉트론은 입력과 가중치의 합을 활성화 함수에 통과시키는 인공 뉴런이자 선형 분류기다. 퍼셉트론 학습(경사 하강·델타 규칙), XOR 문제로 드러난 한계, 은닉층을 쌓은 다층 퍼셉트론(MLP)과 오류 역전파 알고리즘, 그 행렬 표기를 정리한다.
AI & Data
LLM은 무엇을 하고 왜 작동하나대규모 언어 모델은 '지금까지의 글에 이어질 그럴듯한 다음 토큰'을 하나씩 확률로 고르는 기계다. 다음 토큰 예측, 매개변수 파일과 실행 코드 두 개로 된 모델, 인터넷의 손실 압축으로서의 사전 학습과 환각, 역전 저주, 임베딩, 트랜스포머 내부 구조, 기본 모델에서 어시스턴트로 가는 학습 단계, 스케일링 법칙, 계산 환원 불가능성에서 오는 한계와 이를 보완하는 시스템 2 추론·자기 개선·도구 사용까지 정리한다.
AI & Data
MLOps: 머신러닝을 운영 환경에서 굴리기MLOps는 머신러닝(ML)과 운영(Ops)을 합친 말로, 모델을 서비스에 올리고 데이터·모델 버전 관리, 모니터링, 재학습까지 계속 돌리는 일이다. 생명 주기별 구성 요소와 도구, 프로젝트를 고르고 지표·베이스라인을 정하는 법, Kubeflow Pipelines로 본 학습·배포 파이프라인, ML 시스템에 필요한 테스트, 피처 테이블과 학습·서빙 불일치를 막는 법, 파이프라인을 먼저 잇고 모델은 나중에 키우는 원칙을 정리했다.