머신러닝 (Machine Learning)
별칭: machine learning · 기계학습 · ML
사람이 규칙을 전부 짜지 않고, 데이터에서 패턴을 학습해 예측·분류하는 AI 방식.
머신러닝은 AI를 구현하는 대표 방법이다. 사람이 “이 경우엔 이렇게 해라”는 규칙을 모두 작성하는 대신, 예시 데이터를 많이 보여주고 모델이 패턴을 찾게 한다. 스팸 필터, 추천 시스템, 매출 예측처럼 과거 데이터에서 반복 패턴을 찾아야 하는 문제에 많이 쓰인다.
정의
머신러닝은 컴퓨터가 데이터에서 패턴을 찾아 새로운 입력에 대해 예측이나 분류를 수행하도록 만드는 방법이다. 전통적인 프로그래밍이 사람이 규칙을 직접 작성하는 방식이라면, 머신러닝은 데이터와 정답 예시를 통해 모델이 규칙에 가까운 패턴을 학습한다.
왜 중요한가
AI라는 넓은 범주 안에서 머신러닝은 오늘날 가장 많이 쓰이는 구현 방식 중 하나다. 이메일 스팸 분류, 상품 추천, 수요 예측, 부정 거래 탐지처럼 “데이터가 많고 패턴이 있는 문제”에서 강하다. 생성형 AI도 넓게 보면 대규모 데이터로 학습한 모델을 활용한다는 점에서 머신러닝 흐름 위에 있다.
Semicolon에서의 의미
강의에서는 머신러닝을 수학 공식 중심으로 설명하기보다 “데이터로 판단 기준을 배운다”는 감각으로 다룬다. 예를 들어 12개월 매출 데이터를 넣고 다음 분기 액션을 추천받는 작업은, 반드시 직접 모델을 학습하지 않더라도 AI가 데이터 기반 패턴을 읽어 업무 판단을 보조하는 장면이다.
예시
- 고객 이탈 가능성 예측
- 월별 매출이나 재방문율의 패턴 분석
- 사진 속 제품·사람·장소 분류
- 사용자 행동 기반 추천
주의할 점
머신러닝 모델은 학습 데이터 품질에 크게 좌우된다. 데이터가 편향되어 있거나, 최신 상황을 반영하지 못하거나, 측정 기준이 잘못되면 결과도 왜곡된다. 따라서 모델보다 먼저 데이터 정의와 검증 절차를 봐야 한다.