들어가며
저번 글에서는 머신러닝 시스템을 훈련 시 정보가 어떻게 주어지는 지에 따라 분류된 것들 중
지도학습과 비지도학습에 대하여 공부했었다
이번 글에서는 레이블의 유무로 기준을 나눈 것 중 지도학습과 비지도학습 외의 준지도학습, 자기지도학습,
레이블과도 관계가 없고 아예 다른 종류의 알고리즘인 강화학습에 대하여 알아보려고 한다
준지도 학습
준지도 학습이란?
일반적으로 모든 데이터에 레이블을 다는 것은 시간과 비용적으로 비효율적이고 어렵기 때문에
일부 데이터에만 레이블이 있고 레이블된 샘플이 없는 경우가 많다
준지도 학습은 쉽게 말해서 레이블이 전체 데이터에 다 있는 것이 아닌 일부 데이터에만 있어
이를 통해 학습하는 것을 말한다
언제 준지도 학습을 사용할까?
준지도 학습은 라벨링 비용이 매우 비싸지만 데이터는 넘칠 때
소량의 신뢰할 수 있는 라벨이 있다면 사용 가능하다
또한 지도학습이 과대적합(overfitting)되어 불안정할 때 무라벨 데이터로 완화시킬 수 있어
과대적합의 완화 전략으로 사용될 수 있다
준지도 학습의 예시
준지도 학습을 활용한 사례는 대표적으로 구글 포토 서비스가 있다
포토 서비스에 한 사람당 여러장의 사진을 올리면 비지도 학습(군집)을 통해 1차적으로 사진이 군집화된다
그리고 사람들마다 이름이라는 레이블을 한사람 당 하나씩 달면
학습을 통해 모든 사람들의 이름을 알 수 있게되고 편리하게 사진을 찾을 수 있게된다
준지도 학습은 비지도 학습과 지도 학습의 조합이라고 볼 수 있고
지도 학습적인 관점과 비지도 학습적인 관점을 활용하여 판단한다
여기서 말하는 지도 학습적인 관점이라는 것은 그래프 상 데이터 간의 거리를 의미하고
비지도 학습적인 관점은 그래프 상의 분포나 밀도 등을 의미한다
자기 지도 학습
자기 지도 학습이란?
자기 지도 학습은 레이블이 전혀 없는 데이터셋에서 레이블이 완전히 부여된 데이터셋을 생성하는 것이다
가려지거나 잘린 이미지나 흑백이미지를 복원하는 데에 쓰이는 것이 대표적인 예이다
자기 지도 학습을 통해 모든 데이터에 레이블이 부여되고 나면 지도 학습 알고리즘을 사용할 수 있게된다
자기 지도 학습 동작 과정
1. Pretext Task
우선 원본 데이터를 준비한다
그 후 의도적으로 데이터를 마스킹한 후 자기 스스로 라벨링하면서 마스킹된 부분을 예측하는 훈련을 한다
이 때 원본 데이터가 기준이 된다
2. Downstream Task
훈련된 모델은 어느정도 목표한 것에 잘 도달할 수 있지만 목적이 아닌 경우도 아직 있을 것이다
이 때 모델을 실제 목적에 맞게 미세조정(fine-tuning)하는 작업을 수행한다
자기지도 학습은 레이블이 전혀 없는 데이터셋을 사용하니까 비지도 학습이라고 생각할 수 있다
하지만 훈련하는 동안 모델이 스스로 생성한 레이블을 사용하므로 오히려 지도 학습에 더 가깝다고 볼 수 있다
강화 학습
강화 학습이란?
우선 강화 학습은 지금까지 나왔던 지도,비지도,준지도,자기지도와는 다른 종류의 알고리즘이다
강화학습은 에이전트(학습하는 시스템)의 행동에 따라 보상과 벌점을 부여하여 최적의 정책을 찾을 때까지 학습한다
그렇다면 강화 학습은 레이블이 사용되지도 않고 관련도 없는데
왜 지도,비지도,준지도,자기지도와 묶여서 구분될까?
강화 학습에서는 일종의 학습 신호를 받는데 그 신호가 레이블이 아니라 보상이다
그래서 어떠한 신호가 있다는 점에서 위 개념들에 묶여서 구분된 것이다
강화 학습 동작 과정
강화 학습은 우선 환경을 관찰하고 정책에 따른 행동을 선택한다
그 후 보상 or 벌점을 받게되고 정책을 수정한다
그리고 이를 반복하며 최적의 정책을 구하는 방식으로 동작된다
강화 학습의 예시
강화 학습은 게임, 로봇 산업, 자동차 산업 등에서 사용되는데
대표적인 예시로는 구글 딥마인드의 알파고가 있다
상태를 보고 행동을 선택하고 보상을 받아 정책을 개선해 나가는데
시간이 지나면서 연산, 시뮬레이션이 늘어나고 성능이 크게 발달 될 수밖에 없다
마치며
이번 글에서는 훈련 시 주어지는 정보의 형태에 따라 분류한 것들 중
준지도 학습, 자기 지도 학습, 강화 학습에 대하여 알아보았다
개인적으로 준지도 학습의 개념이 지도와 비지도의 조합이라는 부분에서 이해가 조금 안되었는데
지도와 비지도 부분을 다시 공부해보면서 안보였던 것들도 보이게 되고 궁금증이 생기고 해결해나가는 과정을 통해
준지도 학습을 이해하는 데에 도움이 되었다
다음 글에서는 데이터가 어떤 방식으로 유입되는 지에 따라 분류한 오프라인 학습과 온라인 학습에 대해 알아볼 것이다
'AI > Machine Learning' 카테고리의 다른 글
| [AI] 홀드아웃 검증(holdout validation), 교차 검증(cross-validation) (0) | 2026.01.21 |
|---|---|
| [AI] 과대 적합(overfitting), 과소 적합(underfitting) (1) | 2026.01.21 |
| [AI] 사례 기반 학습(instance-based learning), 모델 기반 학습(model-based learning) (0) | 2026.01.20 |
| [AI] 오프라인 학습(offline learning), 온라인 학습(online learning) (0) | 2026.01.19 |
| [AI] 지도학습(supervised learning), 비지도학습(unsupervised learning) (0) | 2026.01.18 |