Supervised Learning Foundations (지도 학습 기초)

📌 한 줄 통찰 (The Karpathy Summary)

"풍부한 '문제'와 선명한 '해설지(Labels)'를 기계에게 제시하고, 오차를 줄여나가는 집요한 반복을 통해 미지의 입력에 대한 정답을 맞히는 '예측의 지도'를 완성하라" — 입력 데이터와 그에 대응하는 정답이 주어진 상태에서 모델을 학습시켜 새로운 데이터의 출력값을 예측하는 머신러닝의 가장 대표적인 방법론.

📖 구조화된 지식 (Synthesized Content)

추출된 패턴: "Feature-to-Label Mapping and Empirical Risk Minimization" — 입력값(x)과 출력값(y) 사이의 함수(f(x)=y)를 근사하기 위해, 모델의 예측과 실제 정답 사이의 차이(Loss)를 계산하고 이를 최소화하는 방향으로 파라미터를 업데이트하는 패턴.
주요 문제 유형:
- Classification: 이산적인 범주 예측 (예: 스팸 메일 분류, 질병 진단).
- Regression: 연속적인 수치 예측 (예: 주택 가격 예측, 매출 전망).
핵심 프로세스: 데이터 수집 → 전처리 → 모델 선택 → 학습(Training) → 검증(Validation) → 평가(Testing) → 배포.
의의: 기상 예보, 자율주행, 의료 판독 등 정답이 존재하고 데이터 확보가 가능한 거의 모든 실세계 인공지능 응용 분야의 근간이 됨.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

과거 데이터와의 충돌: 단순히 학습 데이터를 완벽히 외우는 것이 최고라 믿던 시대에서 벗어나, 이제는 학습하지 않은 새로운 데이터에 대한 성능(일반화, Generalization)을 높이기 위해 과적합(Overfitting)을 방지하는 규제(Regularization)와 검증 전략이 모델 설계의 성패를 좌우함.
정책 변화: Antigravity 프로젝트는 에이전트의 지식 분류 및 답변 정확도 향상을 위해, 고품질의 레이블링된 데이터를 기반으로 하는 지도 학습 파이프라인을 지능의 핵심 기동 엔진으로 상시 운용함.

🔗 지식 연결 (Graph)

Deep-Learning-Foundations, Reinforcement-Learning, Self-Supervised-Learning, Performance-Metrics-in-AI
Raw Source: 10_Wiki/Topics/AI/Supervised-Learning-Foundations.md

2.6 KiB Raw Blame History

Supervised Learning Foundations (지도 학습 기초)

📌 한 줄 통찰 (The Karpathy Summary)

📖 구조화된 지식 (Synthesized Content)

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

🔗 지식 연결 (Graph)

2.6 KiB

Raw Blame History