💡 학습 팁: 조금 더 쉽고 재미있게 공부하고 싶으신가요? 이 페이지는 중학생도 이해할 수 있는 친절한 ‘쉬운 해설판’ 내비게이션입니다! 원문을 그대로 읽고 싶으시다면 📖 직역본 보기 메뉴를 활용하세요!
🚀 2. 통계적 학습 세계로의 초대 (Statistical Learning)
환영합니다! 2장에서는 드디어 우리 기계학습의 주인공, ‘통계적 학습’의 무대로 본격 진입하게 됩니다. 여기서는 컴퓨터가 어떻게 데이터의 규칙 패턴을 찾아서 수학 함수 $f$ 형태로 만들수 있는지, 그리고 그 모델이 맞닥뜨리게 될 편향(고정관념)과 분산(흔들림) 사이의 아슬아슬한 줄다리기(Trade-Off)를 핵심 이야기로 다뤄봅니다.
🗺️ 2.1 통계적 학습이란 도대체 무엇일까? (What Is Statistical Learning?)
어떤 원인(입력)을 넣었을 때, 어떤 결과(출력)가 나올까? 이 둘 사이의 보이지 않는 관계를 하나의 요술 상자(함수 $f$)로 만드는 연습을 합니다. 결과를 미리 맞추는 ‘예측’과, 원인이 어떻게 결과에 영향을 미치는지 분석하는 ‘추론’이라는 멋진 두 가지 방패를 얻게 될 거예요!
🎯 2.1.1 굳이 왜 요술 상자 f를 찾아야 해? (Why Estimate f ?)
아직 일어나지 않은 일을 족집게처럼 예측하는 것도 중요하지만, 대체 ‘왜’ 그런 일이 생겼는지 추론을 통해 원인을 샅샅이 파헤치는 것도 아주 중요하답니다!
🔮 Prediction (내일 일을 맞춰보자!)
오로지 정답을 예측하는 것에만 집중해 봅니다! 하지만 조심하세요. 세상에는 우리가 어떻게 해도 줄일 수 없는, ‘신만이 아는 에러(Irreducible Error)’라는 게 존재하거든요.
🛠️ 2.1.2 상자 f를 어떻게 만들까? (How Do We Estimate f ?)
과거의 경험치(학습 데이터)를 가지고 가장 최고의 요술 상자를 어떻게 조립할 수 있을지 배워봅니다. 크게 모델의 형태를 먼저 정해놓고 끼워 맞추는 방법과, 데이터가 흘러가는 대로 놔두는 방법으로 나뉩니다.
📐 Parametric Methods (틀 지정 방법론 - 모수적)
“이 데이터는 왠지 직선 형태(선형)일 거야!”라고 짐작하고 시작하는 매우 빠른 방법이에요. 하지만 어림짐작이 완전히 빗나가면 결과도 엉망이 될 수 있다는 함정이 있습니다.
🌊 Non-Parametric Methods (자유로운 방법론 - 비모수적)
특정 형태를 가정하지 않고 그냥 데이터 점들을 유연하게 구불구불 따라가는 방법이에요. 잘만 하면 엄청난 정답률을 보여주지만, 대신 엄청나게 많은 데이터가 필요하답니다.
⚖️ 2.1.3 예측 정확도 vs 해석력, 무엇이 중요할까? (The Trade-Off)
맞추기만 잘하면 될까요? 모델이 복잡해질수록(정확도 상승) 모델의 속마음을 들여다보기 어려워집니다(해석력 하락). 이것을 ‘블랙박스’ 현상이라고 부르며, 상황에 따라 여러분은 똑똑한 선택을 내려야 해요.
🎓 2.1.4 지도 학습과 비지도 학습 비교 (Supervised vs Unsupervised)
선생님이 정답지를 줘가면서 공부시키는 ‘지도 학습’과, 아무 힌트 없이 스스로 패턴을 찾아나가는 ‘비지도 학습’! 아주 다른 성격의 두 학교를 구경해 봅니다. 반반씩 섞인 ‘반지도 학습’도 있어요.
📊 2.1.5 회귀 문제, 아니면 분류 문제? (Regression vs Classification)
“집값이 정확히 얼마일까?” 처럼 숫자를 맞추는 건 회귀(Regression)이고, “이 사진이 개인가 고양이인가?” 를 나누는 건 분류(Classification)입니다. 각 상황마다 여러분이 쓸 수 있는 무기가 완전히 다르답니다.
🎯 2.2 내가 만든 모델, 얼마나 믿을 수 있을까? (Assessing Model Accuracy)
어떤 모델 하나가 모든 분야에서 1등일 수는 없습니다(No Free Lunch!). 이제 우리가 만든 모델의 시험 점수를 매길 수 있는 채점 기준표를 배울 시간입니다. 공부할 때 풀었던 문제집(훈련)과 실전 모의고사(시험) 점수가 왜 다른지 집중적으로 알아봐요!
📏 2.2.1 적합도 품질 평가하기 (Measuring the Quality of Fit)
회귀 문제에서 오차를 재는 만능 자 단위인 평균 제곱 오차(MSE)를 알아봅니다. 결국 모델의 궁극적 목표는 새로운 문제에 적응하는 ‘일반화’ 능력이라는 점을 깊이 다룹니다.
🎢 2.2.2 편향과 분산의 줄다리기 (The Bias-Variance Trade-Off)
“고정관념이 강한 모델(편향)”과 “사소한 것에도 민감하게 흔들리는 모델(분산)”. 모델이 똑똑(유연)해지면 고정관념은 줄지만, 너무 예민해져서 흔들림이 심해집니다. 이 환장할 U자 형태의 관계를 타파해 봅니다.
🔍 2.2.3 분류 환경에서의 평가법 (The Classification Setting)
분류 문제에서는 단순히 몇 개나 틀렸는지를 세는 ‘오분류율’을 씁니다. 더불어, 우리가 아무리 똑똑한 모델을 만들어도 뛰어넘을 수 없는 신의 경지, 즉 최소 오차율인 ‘베이즈 에러율’을 소개합니다.
👥 K-최근접 이웃 알고리즘 (K-Nearest Neighbors)
주변에 있는 이웃 $K$명한테 다수결로 물어보고 정답을 결정하는 아주 단순하고 직관적인 친구입니다. 투표권자($K$)의 숫자에 따라 편향-분산 줄다리기가 어떻게 발생하는지 관찰해 봐요!
🐍 2.3 파이썬 첫 입문 실습 (Lab: Introduction to Python)
기계학습 여정에 필요한 코딩 짐싸기! 데이터 분석계의 3대장, NumPy, Pandas, Matplotlib을 처음 만나는 기초 실습 랩(Lab)입니다.
(요약은 하위 챕터 제목들에 기반한 내용으로 이뤄집니다. 주피터 실행법부터 시퀀스 지정, 데이터 로드, 루프문 등 필수 코딩을 손에 익히는 시간입니다.)
🏋️ 2.4 연습 문제 한 판 승부! (Exercises)
지금까지 2장에서 배운 편향 및 분산, 유연성의 한계를 실험할 수 있는 흥미진진한 시험장입니다! 배운 지식을 활용해 즐겁게 복습해 봅시다.