🚀 "[AI 개발 2단계] 머신러닝 초보 가이드: 개념 이해부터 첫 모델 만들기까지"

AI 개발 & 프로그래밍 초보자 가이드: 2단계 - 머신러닝 기초 & 첫 모델 만들기

AI 개발 환경을 설정했다면, 이제 머신러닝의 개념을 익히고 간단한 모델을 만들어볼 차례입니다. 이번 포스팅에서는 머신러닝의 기본 개념과 첫 번째 모델을 구축하는 방법을 쉽게 설명하겠습니다.

 

AI 개발

 

---

1. 머신러닝이란?

머신러닝(Machine Learning)은 컴퓨터가 데이터를 학습하여 패턴을 찾아내고, 이를 기반으로 예측을 수행하는 기술입니다. 쉽게 말해, 사람이 직접 명령어를 입력하지 않아도 컴퓨터가 스스로 데이터를 분석하고 결론을 도출하는 기술입니다. 머신러닝은 크게 세 가지 유형으로 나뉩니다.

1️⃣ 지도학습 (Supervised Learning)

✔️ 정답(레이블)이 있는 데이터를 학습하여 새로운 입력에 대한 예측을 수행합니다.
✔️ 예제: 이메일 스팸 필터링, 이미지 분류, 주가 예측

2️⃣ 비지도학습 (Unsupervised Learning)

✔️ 정답이 없는 데이터를 분석하여 숨겨진 패턴을 찾습니다.
✔️ 예제: 고객 군집 분석, 차원 축소, 이상 탐지

3️⃣ 강화학습 (Reinforcement Learning)

✔️ 보상을 최대화하는 방향으로 행동을 학습하는 방식입니다.
✔️ 예제: 게임 AI, 로봇 제어, 알파고

---

2. 머신러닝 프로젝트 기본 흐름

머신러닝 프로젝트는 데이터를 활용하여 모델을 개발하는 과정으로, 다음과 같은 4단계로 진행됩니다.

1️⃣ 데이터 수집 및 전처리: 데이터를 불러오고 정리하기
2️⃣ 모델 선택 및 학습: 적절한 머신러닝 알고리즘을 선택하고 학습하기
3️⃣ 성능 평가: 모델의 성능을 검증하고 개선하기
4️⃣ 예측 및 실전 적용: 실제 데이터에 모델을 적용하여 예측 수행하기

---

 

3. 첫 번째 머신러닝 모델 만들기

이제 간단한 머신러닝 모델을 직접 만들어보겠습니다. 실습을 통해 데이터 전처리, 모델 학습, 평가 과정까지 하나씩 따라가면서 이해할 수 있도록 구성했습니다. 이번 예제에서는 Scikit-learn 라이브러리를 사용하여 타이타닉 생존자 예측 모델을 구축해보겠습니다.

 

---

1️⃣ 라이브러리 설치

✅ Windows 명령 프롬프트(CMD) 또는 PowerShell 실행 방법

1. Win + R을 눌러 '실행' 창을 엽니다.
2. cmd를 입력하고 Enter 키를 누르면 명령 프롬프트가 실행됩니다.
3. 또는 '시작' 메뉴에서 cmd 또는 PowerShell을 검색하여 실행할 수도 있습니다.

✅ Mac/Linux 터미널 실행 방법

1. Command + Space를 눌러 Spotlight 검색을 엽니다.
2. '터미널'을 입력한 후 실행합니다.
3. 또는 Ctrl + Alt + T를 눌러 바로 터미널을 실행할 수 있습니다.

✅ 필요한 라이브러리 설치

pip install numpy pandas matplotlib scikit-learn

 

✅ 설치 확인 방법
아래 명령어를 실행하여 라이브러리가 정상적으로 설치되었는지 확인하세요.

python -c "import numpy, pandas, matplotlib, sklearn; print('설치 완료!')"

 

 

---

✅ Python 코드 실행 방법

1. Jupyter Notebook 사용 (추천)
   • 터미널 또는 명령 프롬프트에서 jupyter notebook 입력 후 실행
   • 새 Python 노트북을 열고 아래 코드를 셀에 입력 후 실행
2. Python 스크립트 실행
   • 메모장에서 ml_model.py 파일을 생성한 후 아래 코드를 복사하여 저장
   • 터미널 또는 명령 프롬프트에서 python ml_model.py 입력 후 실행

 

 

✅ Python 코드: 머신러닝 모델 구현

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 1. 데이터 불러오기
data = pd.read_csv("https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv")

# 2. 필요한 컬럼 선택 및 결측치 처리
data = data[['Pclass', 'Sex', 'Age', 'Survived']].dropna()
data['Sex'] = data['Sex'].map({'male': 0, 'female': 1})

# 3. 데이터 분할
X = data[['Pclass', 'Sex', 'Age']]
y = data['Survived']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 4. 모델 학습
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

# 5. 예측 및 평가
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'모델 정확도: {accuracy:.2f}')

✅ 코드 설명

• 데이터 불러오기: 타이타닉 데이터셋을 다운로드합니다.
• 데이터 전처리: 결측치를 제거하고, 성별 데이터를 숫자로 변환합니다.
• 데이터 분할: 훈련 데이터와 테스트 데이터로 나눕니다.
• 모델 학습: 랜덤 포레스트(Random Forest) 알고리즘을 사용하여 모델을 학습합니다.
• 성능 평가: 테스트 데이터로 모델을 평가하고 정확도를 출력합니다.

---

4. 머신러닝 모델 개선하기

기본 모델을 만들었으니, 이제 모델을 더욱 정교하게 개선하는 방법을 알아봅시다. 머신러닝 모델의 성능을 향상시키는 것은 실무에서 매우 중요한 과정이며, 다음과 같은 접근법이 효과적입니다.

✔️ 더 많은 데이터 사용: 데이터를 추가하여 모델의 일반화 성능을 향상시킵니다.
✔️ 특성 엔지니어링(Feature Engineering): 더 의미 있는 데이터를 추출하여 모델의 성능을 개선합니다.
✔️ 하이퍼파라미터 튜닝: 최적의 모델을 찾기 위해 파라미터를 조정합니다. (예: GridSearchCV 활용)
✔️ 다른 알고리즘 테스트: SVM, XGBoost 등 다양한 알고리즘을 적용해봅니다.

---

맺음말: 머신러닝 모델 만들기 첫걸음

이번 포스팅에서는 머신러닝의 개념을 익히고, 실제로 모델을 만들어보았습니다. 처음에는 어렵게 느껴질 수 있지만, 실습을 반복하면서 익숙해질 것입니다. 🚀

다음 단계에서는 딥러닝의 기본과 첫 신경망 구축을 다룰 예정이니 기대해주세요! 😊

질문이 있다면 댓글로 남겨주시고, 함께 머신러닝을 배워나갑시다!