머신러닝과 딥러닝

오늘 아침, 날씨 앱을 열었을 때 “오늘은 비가 올 확률이 80%”라는 예보를 확인했다.

그리고 며칠 전 쿠팡에선 내가 필요할 법한 제품을 척척 추천해주기도 했다.

가끔은 이런 생각이 든다.
“어떻게 나보다 나를 더 잘 알 수 있지?”

이 모든 건 ‘예측’을 잘하는 기술, 바로 머신러닝 덕분이다.
그리고 그 뒤엔 조용히, 하지만 강력하게 작동하는 ‘통계’가 있다.

머신러닝의 시작은 언제나 단순한 질문에서 출발한다.

머신러닝의 핵심 개념

“이 숫자들을 보고 다음 숫자는 뭘까?”
이 질문에 답하는 가장 기본적인 방법이 바로 회귀(Regression)이다.

통계에서 배웠던 회귀 분석이
머신러닝에서도 리니어 리그레션(선형 회귀)이라는 이름으로 활용된다.

구분	설명
회귀(Regression)	숫자 데이터를 넣어서 숫자를 예측하는 모델
예시	집값 예측, 판매량 예측, 기온 예측 등

즉, 입력도 숫자, 결과도 숫자인 모델이 회귀다.
“2026년 이 집값은 얼마일까?”처럼 수치를 예측할 때 사용한다.

반면에 결과가 숫자가 아니라 카테고리일 경우는 어떨까?

“이 메일은 스팸일까 아닐까?”

이런 문제를 해결하는 것이 바로 분류(Classification) 모델이다.
입력값을 보고 그에 맞는 ‘클래스’를 예측한다.

구분	설명
분류(Classification)	데이터를 보고 어떤 그룹에 속하는지 예측
예시	스팸 메일 필터링, VIP 고객 분류, 종양 진단 등

이메일이 들어오면, AI는 내용을 분석해
‘스팸함으로 보낼지’, ‘받은편지함으로 보낼지’를 결정한다.

그런데 가끔은 정답이 아예 없는 문제도 있다.

“이 사진들은 비슷한 것끼리 묶을 수 있을까?”

이때 사용하는 기법이 군집(Clustering)이다.
정답 없이 데이터를 묶는 방식이다.

구분	설명
군집(Clustering)	라벨 없이 유사한 데이터끼리 묶기
예시	고객 세그먼트 분류, 이미지 유사도 기반 묶음 등

모양, 색, 질감 등 어떤 기준으로 묶을지는 AI가 데이터의 패턴을 보고 스스로 판단한다.

머신러닝의 하위 개념이다.

여러 개의 수식을 겹겹이 쌓아 만든 구조,
즉, 인공 신경망(Neural Network)을 활용한다.

“여러 데이터를 입력받고,
각 데이터에 가중치를 곱하고,
결과를 내는 수식들을 여러 층으로 연결한 구조”

예를 들어, 자동차 판매량을 예측할 때

날씨, 소득수준, 유가 가격, 금리, 계절 요인, 마케팅 예산, 경쟁사 가격 변화, 신모델 출시 일정 등

이러한 변수들을 다 넣고, 각 값에 적절한 가중치를 곱해서 결과를 계산하는 방식이다.
딥러닝은 이 과정을 수천 수만 번 반복하며, 정확도를 극대화한다.

머신러닝의 발전은 예측을 넘어 생성까지 이르렀다.

“AI가 텍스트, 이미지, 음악 등을 직접 만들어낸다?”

이게 바로 생성형 AI(Generative AI)이다.
ChatGPT는 텍스트를 생성하고, DALL·E는 이미지를 생성한다.

구분	생성형 AI
생성 결과	텍스트, 이미지, 음악, 영상 등
대표 예시	ChatGPT, DALL·E, Stable Diffusion 등

단순한 분류나 예측을 넘어 이제는 새로운 콘텐츠를 만들어내는 시대가 열린 것이다.

두 기술의 가장 큰 차이는 해석 가능성이다.

통계 : 왜 이런 결과가 나왔는지 설명할 수 있는 화이트박스.
머신러닝 : 수많은 연산과 학습을 거쳐 나온 결과지만,
그 내부는 보기 어려운 블랙박스에 가깝다.

우리는 이 둘의 장점을 잘 이해하고,
필요한 곳에 통계를, 적절한 곳에 머신러닝을 쓰는 지혜가 필요하다.

1.데이터를 예측하고 싶다면? ➡️ 회귀
2.데이터를 분류하고 싶다면? ➡️ 분류
3.비슷한 것끼리 묶고 싶다면? ➡️ 군집
4.뭔가를 창작하고 싶다면? ➡️ 생성형 AI

이제는 단순히 데이터를 ‘보는’ 것을 넘어서,
데이터로부터 예측하고, 분류하고, 생성까지 가능한 시대에 살고 있다.

머신러닝의 모든 시작점은 ‘데이터’며,
그 뿌리는 여전히 통계라는 사실을 기억해야 한다.

우리가 배우는 통계는 단순한 숫자놀이가 아니라,
AI의 기반이 되는 언어다.