Danny's Blog

머신러닝 – 추론(Inferencing)1. 추론이란? 추론(Inferencing): 이미 학습된 모델이 새로운 데이터에 대해예측을 내리는 과정\ **학습(Training)**은 모델이 패턴을 배우는 과정이고,**추론(Inferencing)**은 학습된 지식을 활용하는 단계 2. 추론의 두 가지 방식(1) 실시간 추론 (Real-Time Inference) 데이터가 들어오는 즉시 예측을 내려야 하는 경우 특징: 빠른 속도가 중요 (정확도보다는 속도 우선) 결과를 즉각적으로 제공해야 함 예시: 챗봇, 음성 비서(Alexa, Siri), 온라인 추천 시스템 👉 AWS 자격증에서 자주 나오는 포인트:실시간 추론은 지연(latency) 최소화가 핵심. 모델 정확도가 조금낮더라도 즉각적인 응답이 필요한 경우 사용됨. (2) 배치 추론 (Batch Inference) 대량의 데이터를 모아서 한 번에 처리하는 방식 특징: 속도보다는 정확성이 중요 분석용으로 주로 사용 결과를 받...

Machine Learning – Inferencing1. What is Inferencing? Inferencing is when a trained model makes predictions on new unseen data. Training = teaching the model. Inferencing = applying what the model has learned to makepredictions. 2. Two Types of Inferencing(1) Real-Time Inference Predictions are made instantly as new data arrives. Key Points: Speed is more important than perfect accuracy. Users expect immediate responses. Examples: Chatbots (customer service bots, Alexa, Siri) Fr...

📊 Model Evaluation – Classification & RegressionWhen building ML models, it’s not enough to just train them—you alsoneed to evaluate how good they are. Different problems (classificationvs regression) use different metrics. Let’s break it down. 🔹 Binary Classification Example – Confusion MatrixA confusion matrix compares actual labels (truth) with the model’spredictions. True Positive (TP): predicted positive, actually positive\ False Positive (FP): predicted positive, actually negati...

📊 Model Evaluation in Machine Learning머신러닝 모델을 만들었을 때, 성능이 잘 나오는지를 확인하는 과정이 필요합니다.이때 분류(Classification) 모델과 회귀(Regression) 모델의 평가 방식이 다르므로 구분해서 알아두어야 합니다. 🔹 이진 분류 (Binary Classification)와 혼동 행렬 (Confusion Matrix)Confusion Matrix란? 실제 정답(라벨)과 모델 예측값을 비교해서 성능을 평가하는 도구 네 가지 값으로 나뉩니다: 구분 예측 Positive 예측 Negative 실제 Positive True Positive (TP) False Negative (FN) 실제 Negative False Positive (FP) True Negative (TN) 👉 목표: TP와 TN을 최대화하고, FP와 FN을 최소화하는 것. 주요 평가 지표 (Classification...

🤖 모델 적합도(Model Fit)와 편향(Bias) · 분산(Variance)1. 모델 적합도(Model Fit)머신러닝 모델이 제대로 동작하지 않을 때는 모델의 적합도(Fit) 를 살펴봐야 합니다.모델이 데이터를 얼마나 잘 설명하는지가 핵심입니다. 과적합(Overfitting) 훈련 데이터에서는 성능이 매우 좋음 새로운 데이터(검증/테스트 데이터)에서는 성능이 나쁨 원인: 모델이 데이터의 노이즈까지 학습해서 일반화가 안 됨 📌 예시: 훈련 데이터 점 하나하나에 맞게 선을 구부려 만든 복잡한 곡선 과소적합(Underfitting) 훈련 데이터에서도 성능이 나쁨 원인: 모델이 너무 단순하거나, 특징(Feature)이 부족함 📌 예시: 복잡한 곡선 데이터에 단순 직선을 억지로 적용 균형(Balanced) 과적합도, 과소적합도 아닌 상태 어느 정도 오차는 있지만, 데이터의 전체적인 패턴을 잘 따름 📌 가장 이상적...

📊 Model Fit, Bias, and VarianceWhen a machine learning model performs poorly, one of the first thingsto check is whether it’s a good fit for the data. This is oftendiscussed in terms of overfitting, underfitting, andbalance. ✅ Model Fit🔹 Overfitting The model performs very well on training data.\ But performs poorly on evaluation or unseen test data.\ Example: A line that connects every single training point perfectly— great for training, useless for new data.\ Common when the model is too...

🧠 Reinforcement Learning (RL) & RLHF1. What is Reinforcement Learning (RL)?Reinforcement Learning is a type of machine learning where an agentlearns to make decisions by interacting with an environment andmaximizing rewards. Agent → the learner or decision-maker (e.g., a robot, softwarebot).\ Environment → the external system the agent interacts with(e.g., a maze, stock market).\ State → the current situation of the environment.\ Action → the choice the agent makes.\ Reward → feedback (...

🧠 강화학습(Reinforcement Learning, RL)과 RLHF 쉽게 이해하기1. 강화학습이란?강화학습(RL)은 환경(Environment) 속에서 **에이전트(Agent)**가행동(Action)을 수행하면서 보상(Reward)을 얻고, 장기적으로 누적 보상을극대화하는 방식으로 학습하는 머신러닝 기법입니다. 핵심 개념 Agent: 학습자 또는 의사결정자 (예: 로봇) Environment: 에이전트가 상호작용하는 외부 시스템 (예: 미로) Action: 에이전트가 선택할 수 있는 행동 (예: 위, 아래, 왼쪽,오른쪽 이동) Reward: 행동의 결과에 따른 피드백 (예: +100 점 = 성공, -10점 = 벽 충돌) State: 환경의 현재 상태 (예: 로봇의 위치)\ Policy: 상태에 따라 어떤 행동을 할지 정하는 전략 👉 시험 포인트: RL은 보상(Reward) 기반 학습이라는 점이 중요합니다. 2. 강화학습 동작 방식 ...

🤖 머신러닝 알고리즘 – 비지도 학습(Unsupervised Learning) & 자기 지도 학습(Self-Supervised Learning)1. 비지도 학습 (Unsupervised Learning) 라벨(정답)이 없는 데이터에서 패턴, 구조, 관계를 스스로 발견하는 학습 방식 머신러닝 모델이 데이터 그룹을 만들고, 사람이 그 결과에 의미(라벨)를 부여 대표 기법: 클러스터링(Clustering) 연관 규칙 학습(Association Rule Learning) 이상치 탐지(Anomaly Detection) 활용 사례 고객 세분화 (마케팅) 추천 시스템 사기 탐지 👉 시험 포인트: 비지도 학습은 라벨이 없는 데이터를 활용한다는 점 기억하기 2. 클러스터링 (Clustering) 정의: 유사한 특징을 가진 데이터를 묶어 그룹(cluster)으로 나눔 사례: 고객 세분화(Customer Segmentation) 상황: e-commer...

🧠 Machine Learning Algorithms – Unsupervised & Semi/Self-Supervised Learning1. What is Unsupervised Learning? Definition: Machine learning on unlabeled data (no predefined outputs). Goal: Discover hidden patterns, structures, or relationships in the data. Key point: The algorithm finds groups or rules by itself, while humans later assign meaning (labels) to those groups. Common techniques: Clustering → finding groups of similar data (e.g., customer segmentation) Association ...