AWS AI Practitioner 시험에서 반드시 알아야 할 ML 개념
AWS AI Practitioner 시험에서 AI의 기본 개념만큼 중요한 것이 Machine Learning의 기본 원리입니다.
Machine Learning은 AI를 이해하기 위한 핵심 기술이기 때문에 몇 가지 기본 개념은 반드시 알고 있어야 합니다.
이번 글에서는 수학적인 내용보다는 시험에 필요한 핵심 개념과 차이점을 중심으로 정리하겠습니다.
1. Machine Learning이란?
Machine Learning은 데이터를 이용하여 컴퓨터가 패턴을 학습하고 새로운 데이터에 대해 예측이나 판단을 수행하도록 하는 기술입니다.
전통적인 Programming:
Rules + Data
↓
Program
↓
Result
Machine Learning:
Data + Expected Result
↓
Training
↓
Model
↓
New Data
↓
Prediction
핵심은 Model입니다.
모델은 Training Data에서 학습한 패턴을 기반으로 새로운 데이터를 처리합니다.
2. Training vs Inference
시험에서 매우 중요한 개념입니다.
Training
Training은 모델을 학습시키는 과정입니다.
Training Data
↓
Machine Learning Algorithm
↓
Model
↓
Learning
↓
Trained Model
Inference
Inference는 학습된 모델을 사용하여 새로운 데이터에 대한 결과를 만드는 과정입니다.
New Data
↓
Trained Model
↓
Prediction
쉽게 기억하면:
Training = 공부하는 과정
Inference = 공부한 것을 이용해 문제를 푸는 과정
3. Supervised Learning
Supervised Learning은 정답(Label)이 있는 데이터를 이용하여 학습합니다.
예를 들어:
Email A → Spam
Email B → Not Spam
Email C → Spam
Email D → Not Spam
이 데이터를 학습한 모델은 새로운 이메일에 대해 Spam 여부를 예측할 수 있습니다.
대표적인 문제 유형은:
- Classification
- Regression
입니다.
4. Classification
Classification은 결과가 Category인 문제입니다.
예:
이 이메일은 Spam인가?
결과:
Spam
Not Spam
또 다른 예:
이 고객은 이탈할 것인가?
Churn
Not Churn
5. Regression
Regression은 결과가 연속적인 숫자인 문제입니다.
예:
이 집의 가격은 얼마인가?
결과:
$500,000
$520,000
$750,000
또는:
다음 달 매출은 얼마인가?
와 같은 문제입니다.
따라서 쉽게 기억하면:
Classification = 종류를 맞힌다
Regression = 숫자를 예측한다
6. Unsupervised Learning
Unsupervised Learning은 정답이 없는 데이터를 이용합니다.
예를 들어 고객 데이터만 있고 고객의 그룹 정보가 없다고 생각해 보겠습니다.
AI가 고객의 행동 패턴을 분석하여 비슷한 고객을 그룹으로 묶을 수 있습니다.
Customer Data
↓
Unsupervised Learning
↓
Pattern Discovery
↓
Customer Groups
대표적인 활용이 Clustering입니다.
7. Reinforcement Learning
Reinforcement Learning은 Reward와 Penalty를 이용하여 학습합니다.
Environment
↑
Reward
│
Agent
│
Action
↓
Environment
Agent가 어떤 행동을 했을 때 좋은 결과를 얻으면 Reward를 받고, 나쁜 결과를 얻으면 Penalty를 받을 수 있습니다.
대표적인 활용 분야:
- Game AI
- Robotics
- Autonomous Systems
- Optimization
8. Overfitting
Machine Learning에서 매우 중요한 개념입니다.
Overfitting은 모델이 Training Data를 너무 잘 학습해서 새로운 데이터에 대해서는 성능이 떨어지는 현상입니다.
쉽게 말하면:
기출문제는 완벽하게 외웠지만 새로운 문제는 잘 풀지 못하는 학생
과 비슷합니다.
Training Data
↓
Model
↓
Training Accuracy ↑
New Data Accuracy ↓
9. Underfitting
반대로 Underfitting은 모델이 Training Data조차 제대로 학습하지 못한 상태입니다.
Training Data
↓
Model
↓
Training Performance ↓
Test Performance ↓
즉,
Overfitting = 너무 많이 외움
Underfitting = 충분히 학습하지 못함
이라고 기억하면 됩니다.
10. Model Evaluation
모델이 얼마나 잘 동작하는지 평가하기 위한 다양한 지표가 있습니다.
대표적으로:
- Accuracy
- Precision
- Recall
- F1 Score
가 있습니다.
11. Accuracy
전체 예측 중에서 맞춘 비율입니다.
예를 들어 100개의 데이터를 예측해서 90개를 맞췄다면:
Accuracy = 90%
입니다.
하지만 데이터의 종류가 한쪽으로 치우쳐 있다면 Accuracy만으로 모델 성능을 판단하기 어려울 수 있습니다.
12. Precision
Precision은 모델이 Positive라고 예측한 것 중 실제 Positive가 얼마나 되는가를 나타냅니다.
쉽게 말하면:
"Positive라고 한 것 중 얼마나 정확한가?"
입니다.
13. Recall
Recall은 실제 Positive 중에서 모델이 얼마나 많이 찾아냈는가를 나타냅니다.
쉽게 말하면:
"실제 Positive를 얼마나 놓치지 않았는가?"
입니다.
14. Precision vs Recall
시험에서는 두 개념을 비교할 수 있어야 합니다.
| 개념 | 질문 |
| Precision | Positive라고 판단한 것 중 진짜 Positive는 얼마나 되는가? |
| Recall | 실제 Positive 중 얼마나 찾아냈는가? |
예를 들어 암 진단과 같은 경우에는 Recall이 중요할 수 있습니다.
환자를 놓치지 않는 것이 중요하기 때문입니다.
반면 Spam Detection에서는 정상 이메일을 Spam으로 잘못 분류하지 않는 것이 중요하다면 Precision이 중요할 수 있습니다.
15. ML 개념 한눈에 보기
| 개념 | 핵심 |
| Supervised | 정답이 있는 데이터 |
| Unsupervised | 정답이 없는 데이터 |
| Reinforcement | Reward / Penalty |
| Classification | Category 예측 |
| Regression | 숫자 예측 |
| Training | 모델 학습 |
| Inference | 학습된 모델 사용 |
| Overfitting | 학습 데이터에 과도하게 적합 |
| Underfitting | 충분히 학습하지 못함 |
| Accuracy | 전체적으로 얼마나 맞는가 |
| Precision | Positive 예측의 정확성 |
| Recall | 실제 Positive를 얼마나 찾는가 |
마무리
AWS AI Practitioner 시험에서 Machine Learning을 공부할 때는 복잡한 수학보다 개념 간 차이를 이해하는 것이 중요합니다.
특히 다음은 바로 설명할 수 있어야 합니다.
Training vs Inference
Supervised vs Unsupervised vs Reinforcement
Classification vs Regression
Overfitting vs Underfitting
Precision vs Recall
다음 글에서는 AWS AI Practitioner에서 가장 중요한 영역 중 하나인 Generative AI를 자세히 살펴보겠습니다.
Next → LLM, Foundation Model, Token, Prompt, Embedding, RAG 완벽 이해하기