Supervised Learning

지도 학습은 인공지능(AI)의 기초적인 접근 방식으로, 정확한 결과값이 태깅된 입력 데이터를 사용하여 알고리즘을 학습시킵니다. 이 방식에서 모델은 자신의 예측값을 제공된 라벨과 비교하며 학습하는데, 학습 과정에서 모델을 교정해 주는 '지도자(supervisor)'가 있는 것과 같습니다. 주요 목표는 시스템이 입력값에서 출력값으로 매핑되는 함수를 충분히 학습하여, 이전에 보지 못한 새로운 테스트 데이터에 대해서도 라벨을 정확하게 예측하는 것입니다. 이 기술은 이메일 스팸 필터부터 자율 주행 시스템에 이르기까지 오늘날 사용되는 가장 실용적이고 성공적인 많은 AI 애플리케이션의 원동력입니다.

Link to this section지도 학습의 작동 원리#

지도 학습의 워크플로우는 라벨링된 데이터 사용을 중심으로 돌아갑니다. 모든 학습 예제가 그에 대응하는 "정답(ground truth)" 라벨과 쌍을 이루도록 데이터셋을 구성합니다. 모델 학습 단계에서 알고리즘은 입력 특성을 처리하여 예측값을 생성합니다. 이후 손실 함수라는 수학적 공식이 모델의 예측값과 실제 라벨 간의 차이인 오차를 측정합니다.

To minimize this error, an optimization algorithm, such as Stochastic Gradient Descent (SGD), iteratively adjusts the model's internal parameters or model weights. This process repeats over many cycles, known as epochs, until the model achieves a satisfactory level of accuracy without overfitting to the training data. Tools like the Ultralytics Platform simplify this entire pipeline by managing dataset annotation, training, and evaluation in a unified environment.

Link to this section지도 학습의 주요 유형#

지도 학습 문제는 타겟 변수의 성격에 따라 일반적으로 두 가지 주요 유형으로 분류됩니다.

• 분류: 이는 이산적인 범주나 클래스 라벨을 예측하는 것을 포함합니다. 일반적인 예로는 객체 탐지가 있으며, 모델이 "자동차", "사람", "신호등"과 같이 이미지 내의 객체를 식별하고 위치를 파악합니다. Ultralytics YOLO26과 같은 고급 모델은 여러 객체를 실시간으로 빠르게 분류하고 위치를 파악하여 이러한 작업에서 탁월한 성능을 발휘합니다.
• 회귀 분석: 이는 연속적인 수치 값을 예측하는 것을 포함합니다. 예를 들어, 평수, 위치, 침실 수와 같은 특성을 기반으로 주택 가격을 예측하는 것은 회귀 문제입니다. 통계적 기반에 대한 자세한 내용은 이 회귀 분석 입문 자료에서 확인할 수 있습니다.

Link to this section실제 애플리케이션 사례#

지도 학습은 다양한 산업 전반에 걸쳐 방대한 기술들을 뒷받침합니다.

1. 의료 진단: 수천 개의 라벨링된 X-레이나 MRI 스캔을 학습함으로써 AI 모델은 종양이나 골절과 같은 이상 징후를 높은 정밀도로 감지하는 법을 배울 수 있습니다. 이는 영상의학과 전문의가 더 빠르고 정확하게 진단하도록 지원합니다. YOLO11이 종양 탐지에 어떻게 사용되는지 확인하여 의료적 영향을 이해해 보십시오.

2. 사기 탐지: 금융 기관은 지도 학습을 사용하여 거래 패턴을 모니터링합니다. 정상 거래와 사기 거래의 과거 데이터를 모두 학습함으로써, 이러한 시스템은 실시간으로 의심스러운 활동을 표시하여 고객을 도난으로부터 보호할 수 있습니다.

Link to this section지도 학습 vs 비지도 학습#

지도 학습을 비지도 학습과 구별하는 것이 중요합니다. 지도 학습은 라벨링된 입력-출력 쌍에 의존하지만, 비지도 학습은 라벨링되지 않은 데이터를 사용합니다. 비지도 학습 시나리오에서 알고리즘은 마케팅에서의 고객 세분화와 같이 데이터 내의 숨겨진 구조, 패턴 또는 그룹을 스스로 찾으려고 시도합니다. 지도 학습은 일반적으로 과거 데이터를 사용할 수 있는 특정 작업에 대해 더 정확하지만, 비지도 학습은 탐색적 데이터 분석에 더 적합합니다.

Link to this sectionYOLO26을 활용한 실습 예제#

지도 학습은 현대 컴퓨터 비전 모델을 학습시키는 데 핵심적인 역할을 합니다. 다음 Python 코드 조각은 지도 학습용 데이터셋(COCO8)을 사용하여 YOLO26 모델을 학습시키는 방법을 보여줍니다. 모델은 데이터셋에 포함된 라벨링된 이미지를 통해 객체 탐지 방법을 학습합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

이 간단한 과정은 복잡한 행렬 연산과 경사도 계산을 수행하기 위해 내부적으로 PyTorch의 강력한 기능을 활용합니다. 데이터 관리 측면을 간소화하려는 경우, Ultralytics Platform은 클라우드 기반 학습 및 자동 주석 도구를 제공하여 지도 학습 워크플로우를 훨씬 더 효율적으로 만들어 줍니다.