비지도학습 (1)

학습 목표

이 비디오를 통해 비지도 학습의 기본 개념을 이해하고, 지도 학습과의 차이점을 명확히 구분할 수 있습니다. 또한, 비지도 학습의 주요 기법인 군집화(Clustering), 차원 축소(Dimensionality Reduction), 이상 탐지(Anomaly Detection)의 원리를 파악하고, 특히 K-means 군집화 알고리즘의 작동 방식과 적용 사례를 학습합니다.

핵심 개념

• 비지도 학습 (Unsupervised Learning): 정답(레이블)이 없는 데이터를 사용하여 데이터 자체의 패턴, 구조, 관계를 학습하는 머신러닝 기법입니다. 입력 데이터만 주어지며, 모델은 데이터 내에서 숨겨진 특징을 스스로 발견합니다.
• 지도 학습 vs 비지도 학습: 지도 학습은 입력 데이터와 해당 정답(레이블)을 함께 사용하여 모델을 학습시키지만, 비지도 학습은 입력 데이터만으로 학습합니다. 지도 학습의 목표는 예측 또는 분류 정확도를 높이는 것이고, 비지도 학습의 목표는 데이터의 내재된 패턴을 발견하는 것입니다.
• 군집화 (Clustering): 유사한 특성을 가진 데이터들을 그룹으로 묶는 기법입니다. K-means는 대표적인 군집화 알고리즘으로, K개의 중심점을 설정하고 각 데이터 포인트를 가장 가까운 중심점에 할당하며 중심점을 반복적으로 업데이트하여 군집을 형성합니다.

  from sklearn.cluster import KMeans
  # ... 데이터 준비 ...
  kmeans = KMeans(n_clusters=k)
  kmeans.fit(data)
  labels = kmeans.labels_ # 각 데이터 포인트의 군집 레이블
  centroids = kmeans.cluster_centers_ # 각 군집의 중심점
  

  복사
• 차원 축소 (Dimensionality Reduction): 데이터의 특징(피처) 수를 줄여 데이터의 복잡성을 낮추고, 노이즈를 제거하며, 시각화를 용이하게 하는 기법입니다. 원본 데이터의 중요한 정보를 최대한 보존하면서 차원을 축소하는 것이 목표입니다.
• 이상 탐지 (Anomaly Detection): 정상적인 데이터 패턴에서 벗어나는 데이터 포인트를 탐지하는 기법입니다. 비정상적인 거래, 시스템 오류 등을 식별하는 데 활용됩니다.

공부 방향성

본 영상 시청 전, 지도 학습의 기본 개념(분류, 회귀)에 대한 이해가 있다면 비지도 학습과의 비교 학습에 도움이 됩니다. 영상 시청 후에는 K-means 알고리즘의 원리를 실제 코드에 적용해보며, 엘보우(Elbow) 방법이나 실루엣 계수(Silhouette Coefficient)와 같은 K 값 결정 방법을 탐구해보는 것을 권장합니다. 또한, 군집화 결과를 실제 금융 데이터에 적용하여 섹터별 주가 패턴과의 연관성을 분석하는 실습을 통해 비지도 학습의 실용성을 체감할 수 있습니다.