Machine Learning Foundations (머신러닝 기초)

📌 한 줄 통찰 (The Karpathy Summary)

"명시적 프로그래밍의 한계를 데이터의 힘으로 돌파하고, 기계가 스스로 규칙을 발견하게 하라" — 명시적인 규칙을 코딩하지 않고 데이터 속에 숨겨진 통계적 패턴을 학습하여 예측이나 판단을 수행하는 알고리즘과 모델의 총체.

추출된 패턴: "Learning from Data" — 입력과 출력의 관계를 정의하는 매개변수(Weights)를 데이터와의 오차를 줄여가며 최적화하는 과정을 통해, 프로그래머가 인지하지 못한 복잡한 논리를 추출하는 학습 패턴.
3대 주요 범주:
- Supervised Learning (지도 학습): 정답(Label)이 있는 데이터를 통해 입력-출력 매핑 학습. (분류, 회귀)
- Unsupervised Learning (비지도 학습): 정답 없이 데이터 자체의 구조나 패턴 탐색. (군집, 차원 축소)
- Reinforcement Learning (강화 학습): 시행착오를 통한 보상(Reward) 극대화 전략 학습.
핵심 프로세스: 데이터 수집 -> 전처리 -> 모델 선택 -> 학습 -> 평가 -> 배포 및 모니터링.
의의: 기존 소프트웨어로는 해결 불가능했던 이미지 인식, 언어 번역, 자율 주행 등의 복잡한 문제를 해결하는 현대 지능형 시스템의 물리적 기초.

과거 데이터와의 충돌: 규칙 기반 AI(Expert_systems)의 경직성을 극복했으나, 이제는 학습 데이터의 편향(Bias) 문제와 모델의 블랙박스 특성을 해결하기 위한 설명 가능성(XAI) 연구가 필수적인 보완책으로 대두됨.
정책 변화: Antigravity 프로젝트는 모든 지능형 기능을 구현할 때, 규칙 기반의 강건함과 머신러닝 기반의 유연함을 결합한 '하이브리드 지능' 아키텍처를 지향함.