0Pricing
Machine Learning Academy · 강의

지도 학습, 비지도 학습, 강화 학습

학습자는 머신러닝의 세 가지 주요 패러다임을 분류하고, 각각의 구체적인 활용 사례를 살펴보며, 실제 문제를 알맞은 학습 유형과 연결합니다.

지도 학습, 비지도 학습, 강화 학습은(는) CoddyKit의 무료 Machine Learning Academy 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Machine Learning Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Machine Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

Three Learning Paradigms Overview

ML isn't one technique but a family, split by the feedback they learn from. The big three: supervised, unsupervised, and reinforcement learning.

Supervised Learning: Learning with Labels

Supervised learning trains on examples that already have the right answer (a label). It powers most ML you use, for both classification and prediction.

# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np

# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])

model = LinearRegression()
model.fit(X, y)  # supervised: model sees both X and y

# Predict on new data
print(model.predict([[1200]]))  # ~$240,000

Supervised Learning Use Cases

Supervised learning is everywhere: spam filters, medical diagnosis, credit scoring, and image recognition. In each, the model learns from past labeled examples.

Unsupervised Learning: Finding Hidden Structure

Unsupervised learning works with no labels at all. The algorithm explores the data and finds hidden structure on its own — most often by clustering.

# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np

# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X)  # no y — discovers structure on its own

print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labels

Unsupervised Learning Use Cases

Unsupervised learning shines when labels are too costly: grouping customers, spotting anomalies in network traffic, or finding topics across thousands of articles.

Reinforcement Learning: Learning by Doing

In reinforcement learning, an agent acts in an environment and earns rewards or penalties — learning the best strategy by trial and error, like training a dog. 🐕

Reinforcement Learning Use Cases

Reinforcement learning drives some famous wins: AlphaGo mastering Go through self-play, robots learning to walk, and agents learning to drive in simulation.

Self-Supervised Learning: A Fourth Paradigm

A modern twist is self-supervised learning: the data labels itself. Language models like BERT learn by predicting masked words in a sentence.

Matching Problems to Paradigms

To pick a paradigm, ask: do you have labels? Is the output a category or a number? Is learning reward-driven? A safe default is supervised learning.

Semi-Supervised Learning: Best of Both Worlds

Semi-supervised learning mixes a little labeled data with lots of unlabeled data — perfect when labeling is expensive but raw data is plentiful.

Scikit-learn API for All Paradigms

scikit-learn shines with one consistent API: create an estimator, call fit(), then predict() or transform(). Swapping algorithms takes barely any code.

# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression    # supervised
from sklearn.cluster import KMeans                      # unsupervised
from sklearn.decomposition import PCA                   # unsupervised
import numpy as np

X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)

# Supervised
clf = LogisticRegression()
clf.fit(X, y)  # needs labels

# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X)  # no labels needed

pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)

Quick Check

Test your understanding of Machine Learning with Python concepts from this lesson.

Lesson Recap

Nice work! Supervised learns from labels, unsupervised finds hidden structure, and reinforcement learns by reward. Next: the full ML workflow.

자주 묻는 질문

“지도 학습, 비지도 학습, 강화 학습” 강의는 무료인가요?

네 — “지도 학습, 비지도 학습, 강화 학습” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Machine Learning Academy 강의 전체를 잠금 해제할 수 있습니다. Machine Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“지도 학습, 비지도 학습, 강화 학습”에서 뭘 배우나요?

학습자는 머신러닝의 세 가지 주요 패러다임을 분류하고, 각각의 구체적인 활용 사례를 살펴보며, 실제 문제를 알맞은 학습 유형과 연결합니다. 브라우저에서 직접 실행하는 실습 코드로 Machine Learning Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Machine Learning Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Machine Learning Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“지도 학습, 비지도 학습, 강화 학습” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Machine Learning Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Machine Learning Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

  1. 전통적 프로그래밍과 머신러닝
  2. 지도 학습, 비지도 학습, 강화 학습
  3. 머신러닝 작업 흐름: 데이터에서 예측까지
  4. 현실 세계의 머신러닝: 활용 사례와 한계
← Machine Learning Academy(으)로 돌아가기