Supervised Learning

지도 학습은 올바른 출력으로 태그가 지정된 입력 데이터로 알고리즘을 학습시키는 인공지능 (AI)의 기본적인 접근 방식입니다. 이 방법에서 모델은 제공된 레이블과 자체 예측을 비교하여 학습하며, 학습 과정에서 모델을 교정하는 "감독자"가 있는 것과 같습니다. 주요 목표는 시스템이 입력에서 출력으로의 매핑 함수를 충분히 학습하여 새롭고 보지 못한 테스트 데이터에 대한 레이블을 정확하게 예측할 수 있도록 하는 것입니다. 이 기법은 이메일 스팸 필터부터 자율주행 시스템에 이르기까지 오늘날 사용되는 가장 실용적이고 성공적인 AI 애플리케이션 다수의 원동력입니다.

지도 학습의 작동 방식#

지도 학습의 워크플로는 레이블이 지정된 데이터를 사용하는 것을 중심으로 이루어집니다. 모든 학습 예제가 해당하는 "정답" 레이블과 연결된 데이터셋을 구성합니다. 모델 학습 단계에서 알고리즘은 입력 특성을 처리하고 예측을 생성합니다. 그런 다음 손실 함수라는 수학 공식이 오류, 즉 모델의 예측과 실제 레이블 간의 차이를 측정합니다.

이 오류를 최소화하기 위해 확률적 경사 하강법 (SGD)과 같은 최적화 알고리즘이 모델의 내부 파라미터 또는 모델 가중치를 반복적으로 조정합니다. 이 과정은 에포크라고 하는 여러 주기에 걸쳐 반복되며, 모델이 학습 데이터에 과적합하지 않으면서 만족스러운 정확도에 도달할 때까지 계속됩니다. Ultralytics Platform과 같은 도구는 데이터셋 주석 처리, 학습, 평가를 통합 환경에서 관리하여 전체 파이프라인을 간소화합니다.

지도 학습의 주요 유형#

지도 학습 문제는 일반적으로 타깃 변수의 특성에 따라 두 가지 주요 유형으로 분류됩니다:

• 분류: 이는 이산적인 범주 또는 클래스 레이블을 예측하는 작업입니다. 일반적인 예로 객체 감지가 있으며, 여기서 모델은 이미지 내의 "자동차", "사람" 또는 "신호등"과 같은 객체를 식별하고 위치를 찾습니다. Ultralytics YOLO26과 같은 고급 모델은 실시간으로 여러 객체를 신속하게 분류하고 위치를 파악하여 이러한 작업에서 뛰어난 성능을 발휘합니다.
• 회귀 분석: 이는 연속적인 수치 값을 예측하는 작업입니다. 예를 들어 평방 면적, 위치, 침실 수와 같은 특성을 바탕으로 주택 가격을 예측하는 것은 회귀 문제입니다. 이 회귀 분석 입문에서 통계적 기반에 대해 자세히 알아볼 수 있습니다.

실제 적용 사례#

지도 학습은 다양한 산업 분야의 광범위한 기술을 구동합니다:

1. 의료 진단: 수천 개의 레이블이 지정된 X선 또는 MRI 스캔으로 학습하면 AI 모델은 종양이나 골절과 같은 이상을 높은 정밀도로 감지하는 방법을 학습할 수 있습니다. 이를 통해 영상의학과 전문의는 더 빠르고 정확하게 진단할 수 있습니다. 의료 분야에 미치는 영향을 이해하려면 YOLO11이 종양 감지에 사용되는 방식을 참조하십시오.

2. 사기 감지: 금융 기관은 지도 학습을 사용하여 거래 패턴을 모니터링합니다. 정상 거래와 사기 거래 모두에 대한 과거 데이터로 이러한 시스템을 학습시키면 실시간으로 의심스러운 활동을 표시하여 고객을 도난으로부터 보호할 수 있습니다.

지도 학습과 비지도 학습 비교#

지도 학습과 비지도 학습을 구분하는 것이 중요합니다. 지도 학습은 레이블이 지정된 입력-출력 쌍에 의존하는 반면, 비지도 학습은 레이블이 지정되지 않은 데이터로 작동합니다. 비지도 학습 시나리오에서 알고리즘은 마케팅에서의 고객 세분화와 같이 데이터 내 숨겨진 구조, 패턴 또는 그룹을 스스로 찾으려고 합니다. 지도 학습은 일반적으로 과거 데이터를 사용할 수 있는 특정 작업에서 더 정확한 반면, 비지도 학습은 탐색적 데이터 분석에 더 적합합니다.

Ultralytics YOLO26을 활용한 실제 예제#

지도 학습은 최신 컴퓨터 비전 모델을 학습하는 데 핵심적인 역할을 합니다. 다음 Python 코드는 지도 데이터셋(COCO8)을 사용하여 YOLO26 모델을 학습하는 방법을 보여줍니다. 모델은 데이터셋의 레이블이 지정된 이미지에서 학습하여 객체를 감지합니다.

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 내부적으로 PyTorch의 성능을 활용하여 복잡한 행렬 연산과 그래디언트 계산을 수행합니다. 데이터 관리 측면을 간소화하려는 경우 Ultralytics Platform은 클라우드 기반 학습과 자동 주석 처리를 위한 도구를 제공하여 지도 학습 워크플로를 훨씬 더 효율적으로 만들어 줍니다.