전통적 프로그래밍과 머신러닝
학습자는 규칙 기반 프로그래밍과 데이터 기반 학습을 비교하고, 패턴 인식 작업에서 머신러닝이 직접 작성한 논리보다 뛰어난 이유를 이해합니다.
전통적 프로그래밍과 머신러닝은(는) CoddyKit의 무료 Machine Learning Academy 강의입니다. 이것은 4개 중 1번째 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.
What Is Traditional Programming?
In traditional programming, you write every rule by hand and the computer follows them. It works great when rules are clear — but gets impossible for messy problems.
Rules-Based Systems and Their Limits
A rules-based spam filter is just a long chain of if statements. The trouble? Spammers adapt, writing fr33 instead of free — and your rules need endless updating.
# Traditional rules-based spam filter
def is_spam_traditional(email_text):
spam_words = ['free', 'winner', 'click here', 'buy now']
for word in spam_words:
if word in email_text.lower():
return True
return False
print(is_spam_traditional('You are a WINNER! Click here for free stuff'))
# Output: True
print(is_spam_traditional('fr33 stuff for you!'))
# Output: False -- fails on obfuscated spamHow Machine Learning Flips the Paradigm
Machine learning flips the script: instead of writing rules, you feed the model many examples with correct answers, and it learns the rules on its own.
# The ML paradigm shift
# Traditional: Input + Rules -> Output
# ML: Input + Output -> Rules (learned automatically)
# Pseudocode conceptual example
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer
emails = ['Free money now', 'Meeting at 3pm', 'Win a prize', 'Project update']
labels = [1, 0, 1, 0] # 1=spam, 0=not spam
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(emails)
model = MultinomialNB()
model.fit(X, labels) # model learns the rules from dataData as the New Source of Intelligence
The fuel for machine learning is labeled data — examples where you know the right answer. The more good data you have, the more the model can learn.
When Traditional Programming Still Wins
ML isn't always the answer. Stick with traditional code when the rules are clear and stable, when you have very little data, or when you need fully predictable behaviour.
Pattern Recognition: Where ML Shines
ML really shines at pattern recognition — spotting a cat in a photo, flagging fraud, recognising speech. These patterns are too subtle to spell out by hand.
The Learning Process in Brief
At its core, a model learns by minimising error: it guesses, sees how wrong it was, and adjusts — like fixing your aim after each dart throw. 🎯
# Conceptual training loop
import numpy as np
# Simulate a simple learning process
learning_rate = 0.1
weight = 0.0 # start with a random guess
for epoch in range(10):
prediction = weight * 2.0
target = 5.0
error = target - prediction
weight += learning_rate * error # adjust based on error
print(f'Epoch {epoch+1}: weight={weight:.3f}, error={error:.3f}')Key Vocabulary: Model, Training, Inference
Three words you'll use a lot: a model maps inputs to outputs, training teaches it from examples, and inference is using it on new data.
Generalisation: The True Goal
The real goal of ML is generalisation — doing well on new, unseen data, not just memorising the training set. That's why we always test on fresh data.
A Concrete Comparison Side by Side
Predicting house prices? Traditional code uses a human's guessed formula. An ML model instead learns the right weights straight from real sales data.
# Traditional: hand-coded formula
def price_traditional(bedrooms, bathrooms, sqft):
return 100000 + bedrooms * 50000 + bathrooms * 30000 + sqft * 150
# ML: coefficients learned from data
from sklearn.linear_model import LinearRegression
import numpy as np
# Training data (bedrooms, bathrooms, sqft)
X_train = np.array([[3, 2, 1500], [4, 3, 2000], [2, 1, 900]])
y_train = np.array([300000, 450000, 180000])
model = LinearRegression()
model.fit(X_train, y_train) # learns coefficients from data
print('Learned coefficients:', model.coef_)Why ML Is Transforming Every Industry
ML is booming because three things lined up: massive data, cheap powerful hardware (GPUs), and free open-source tools that put it in everyone's hands.
Quick Check
Test your understanding of Machine Learning with Python concepts from this lesson.
Lesson Recap
Great start! Traditional code follows hand-written rules, ML learns rules from labeled data, and its true goal is generalising — not memorising. Next: the types of ML.
자주 묻는 질문
“전통적 프로그래밍과 머신러닝” 강의는 무료인가요?
네 — “전통적 프로그래밍과 머신러닝” 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.
“전통적 프로그래밍과 머신러닝”에서 뭘 배우나요?
학습자는 규칙 기반 프로그래밍과 데이터 기반 학습을 비교하고, 패턴 인식 작업에서 머신러닝이 직접 작성한 논리보다 뛰어난 이유를 이해합니다. 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 1번째 강의입니다.
“전통적 프로그래밍과 머신러닝” 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.