[혼자 공부하는 머신러닝+딥러닝] 1장. 나의 첫 머신러닝

Posted Sep 16, 2026 Updated Sep 26, 2026

By Shin-SuBin

views 14 min read

“혼자 공부하는 머신러닝+딥러닝(개정판)” 도서 바로가기

예제 코드 (저자 제공): 01-3

1장. 나의 첫 머신러닝

01-1. 인공지능과 머신러닝, 딥러닝

인공지능이란

: 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템을 만드는 기술

인공지능의 역사
- 1943년, 매컬러-피츠 뉴런: 뇌의 뉴런을 수학 모델로 표현한 최초의 시도
- 1950년, 튜링 테스트: 기계가 지능을 가졌는지 판별하는 기준 제안
- 1956년, 다트머스 회의: “인공지능(Artificial Intelligence)”이라는 용어가 처음 쓰인 자리 → 인공지능 태동기
- 이후 기대에 못 미치는 성과로 두 번의 인공지능 겨울(AI winter) 을 겪음
인공지능의 분류
- 강인공지능(인공일반지능, AGI): 사람과 구분할 수 없을 정도로 지능적인, 사람이 하는 모든 일을 할 수 있는 인공지능 (영화 속 인공지능)
- 약인공지능(Narrow AI): 특정 분야에서 사람의 일을 보조하는 수준의 인공지능 (음성 비서, 번역기, 추천 시스템 등 현재의 인공지능)

머신러닝이란

: 규칙을 하나하나 프로그래밍하지 않아도 데이터에서 규칙을 자동으로 학습하는 알고리즘을 연구하는 분야

인공지능의 하위 분야이며, 지능을 구현할 소프트웨어를 담당하는 핵심 분야
통계학과 깊은 관련이 있다. 통계학에서 유래한 알고리즘이 많고, 반대로 컴퓨터 과학 쪽에서 발전한 알고리즘도 통계학으로 설명된다.
대표 라이브러리: 사이킷런(scikit-learn)
- 파이썬 API를 제공하는 오픈소스 라이브러리
- 검증된 알고리즘만 추가하기 때문에 안정적이고, 사용법이 통일되어 있어 배우기 쉽다

딥러닝이란

: 머신러닝 알고리즘 중 인공 신경망(artificial neural network) 을 기반으로 한 방법들을 통칭하는 말

신경망이 주목받게 된 계기
- 1998년, 얀 르쿤의 LeNet-5 (합성곱 신경망으로 손글씨 숫자 인식)
- 2012년, 제프리 힌턴 팀의 AlexNet (이미지넷 대회에서 압도적 성적)
성공 배경: 풍부한 데이터, GPU 등 컴퓨터 성능 향상, 알고리즘 개선
대표 오픈소스 라이브러리
- 텐서플로(TensorFlow): 2015년 구글 공개. 케라스(Keras) API로 사용
- 파이토치(PyTorch): 2016년 페이스북(현 메타) 공개 (2018년 1.0 정식 출시)
포함 관계: 인공지능 ⊃ 머신러닝 ⊃ 딥러닝

01-2. 코랩과 주피터 노트북

구글 코랩

: 웹 브라우저에서 파이썬 코드를 작성하고 실행할 수 있는 클라우드 기반 주피터 노트북 개발 환경

구글 계정만 있으면 무료로 사용할 수 있고, 별도의 설치나 환경 설정이 필요 없다
실제 코드는 내 컴퓨터가 아니라 구글 클라우드의 가상 서버(VM) 에서 실행된다
무료 버전은 사용 시간·메모리·동시 세션 수에 제한이 있다

텍스트 셀

: 설명을 적는 셀

마크다운과 HTML 태그를 사용할 수 있다
제목, 목록, 링크, 이미지, 수식(LaTeX) 등을 넣어 문서처럼 정리할 수 있다
편집 중에는 입력한 마크다운과 렌더링 결과가 함께 보인다

코드 셀

: 파이썬 코드를 작성하고 실행하는 셀

셀 단위로 실행되며, 실행 결과가 셀 바로 아래에 출력된다
실행한 순서대로 번호가 매겨지고, 변수는 세션 전체에서 공유된다

노트북

: 코랩의 기본 단위이자, 코드·텍스트·실행 결과를 하나의 문서에 담는 대화식 프로그래밍 환경

구성: 코드 셀 + 텍스트 셀 + 코드 실행 결과
작성한 노트북은 구글 드라이브의 Colab Notebooks 폴더에 자동 저장된다
깃허브에 올려 둔 노트북을 코랩에서 바로 열 수도 있다

01-3. 마켓과 머신러닝

생선 분류 문제

상황: 생선 이름을 자동으로 알려 주는 프로그램이 필요하다
규칙 기반으로 짜면 “길이가 30cm 이상이면 도미” 같은 조건을 사람이 정해야 하는데, 예외가 계속 생긴다
- → 기준을 사람이 정하지 않고 데이터에서 스스로 찾게 하는 것이 머신러닝
사용 데이터: 도미(bream) 35마리 + 빙어(smelt) 14마리, 총 49개의 길이와 무게 데이터
특성(feature): 데이터의 성질을 나타내는 값. 여기서는 길이와 무게 두 가지

  
bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0,
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0,
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0,
                500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0,
                700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0]

  
import matplotlib.pyplot as plt

plt.scatter(bream_length, bream_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

산점도(scatter plot): x축과 y축을 두 특성으로 두고 데이터를 점으로 찍어 표현한 그래프
도미 데이터는 길이가 길수록 무게가 늘어나는 선형적인 모습을 보인다

  
smelt_length = [9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
smelt_weight = [6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]

  
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

두 생선을 함께 그리면 뚜렷하게 다른 영역에 모여 있는 것이 보인다 (주황색이 빙어)
빙어도 길이가 늘수록 무게가 늘지만, 도미에 비해 기울기가 완만하다

첫 번째 머신러닝 프로그램

사용 알고리즘: k-최근접 이웃(K-Nearest Neighbors, KNN)
- 어떤 데이터를 예측할 때 가장 가까운 이웃 k개를 보고 다수인 쪽으로 판단하는 알고리즘
- 훈련이랄 게 따로 없고 데이터를 전부 가지고 있다가 비교하는 방식이라 데이터가 크면 메모리와 계산량이 많이 든다
- 사이킷런의 기본값은 n_neighbors=5 (가까운 5개를 참고)

  
length = bream_length + smelt_length
weight = bream_weight + smelt_weight

fish_data = [[l, w] for l, w in zip(length, weight)]
print(fish_data)

  
fish_target = [1] * 35 + [0] * 14
print(fish_target)

사이킷런은 각 샘플의 특성을 리스트로 묶은 2차원 리스트를 입력으로 기대한다
fish_target: 찾으려는 대상(도미)을 1, 나머지(빙어)를 0으로 둔 정답 데이터

  
from sklearn.neighbors import KNeighborsClassifier

kn = KNeighborsClassifier()
kn.fit(fish_data, fish_target)
kn.score(fish_data, fish_target)

1.0

fit(): 주어진 데이터로 알고리즘을 훈련한다
score(): 모델을 평가한다. 분류에서는 정확도(accuracy) 를 0~1 사이 값으로 반환
훈련(training): 알고리즘이 데이터에서 규칙을 찾는 과정
모델(model): 훈련이 끝난 알고리즘 객체

  
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.scatter(30, 600, marker='^')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

  
kn.predict([[30, 600]])

array([1])

길이 30cm, 무게 600g인 새로운 생선(삼각형 마커)은 도미 무리 쪽에 가깝다
predict(): 새로운 데이터의 정답을 예측한다. 결과 1 = 도미

  
print(kn._fit_X)   # 모델이 가지고 있는 훈련 데이터
print(kn._y)       # 모델이 가지고 있는 정답 데이터

k-최근접 이웃 모델은 훈련 데이터를 그대로 저장해 두고 있다가, 예측할 때 거리를 계산한다

  
kn49 = KNeighborsClassifier(n_neighbors=49)

kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)

0.7142857142857143

이웃을 전체 데이터 개수인 49로 두면, 어떤 값을 넣어도 다수인 도미(35마리) 로만 예측하게 된다
정확도가 35/49 ≈ 0.71 로 떨어진다 → k 값(하이퍼파라미터) 선택이 성능에 직접 영향을 준다

도미와 빙어 분류

이번 절의 문제 해결 과정을 순서대로 정리하면 다음과 같다.

문제 정의: 길이와 무게만 보고 도미인지 빙어인지 구분하기
데이터 준비: 도미 35마리, 빙어 14마리의 길이·무게를 리스트로 모으고, 산점도로 두 생선이 구분되는지 확인
입력 형태 맞추기: 두 특성을 2차원 리스트 fish_data로 만들고, 도미 1 / 빙어 0인 fish_target을 만듦
훈련: KNeighborsClassifier 객체를 만들어 fit()으로 훈련
평가: score()로 정확도 확인 → 1.0
예측: predict()로 새로운 샘플(길이 30, 무게 600)을 도미로 예측

머신러닝은 이렇게 데이터 준비 → 훈련 → 평가 → 예측의 흐름으로 진행된다
이번에는 훈련에 쓴 데이터로 그대로 평가해서 정확도가 1.0이 나왔다. 이 문제를 어떻게 다루는지는 2장에서 이어진다.

📌 정리

인공지능 ⊃ 머신러닝 ⊃ 딥러닝의 관계를 정리하고, 구글 코랩으로 실습 환경을 준비했다
도미 35마리와 빙어 14마리의 길이·무게 데이터로 첫 머신러닝 프로그램을 만들었다
k-최근접 이웃은 가까운 이웃 k개를 보고 다수인 쪽으로 판단한다. fit() → score() → predict() 순서로 진행한다
이웃 개수를 49로 바꾸니 정확도가 0.71로 떨어졌다 → k 값 선택이 성능을 좌우한다

핵심 용어: 인공지능 / 머신러닝 / 딥러닝 / 코랩 / 노트북 / 특성 / 훈련 / 모델 / k-최근접 이웃 / 정확도

ECC, Team-Study-MLDL, Self_Study_ML_DL

dev study ml dl python

This post is licensed under CC BY 4.0 by the author.