Page 18 -

Group A

Group B

정답(레이블) 없이 유사한 특성을 가진 데이터끼리 자동으로 묶습니다.

(4) 차원축소(Dimension Reduction): 많은 특성을 요약(PCA)해 시각화/학습 효
율을 향상한다.

→ →
PCA

많은 특성(복잡) 요약된 특성(단순)

(5) 생성(Generative): 텍스트·이미지·음악·코드를 새로 만들어낸다.(LLM, 이
미지 생성기 등)

텍스트, 이미지 등 기존에 없던 데이터를 새로 만들어 냅니다.(LLM 등)

03 l 학습 방식(지도 · 비지도 · 준지도 · 강화)
03

(1) 지도학습: 입력(문제) +정답 레이블(label)로 학습(분류/회귀)한다.
( 스팸 필터)

(2) 비지도학습: 정답 레이블 없이 입력(문제)만으로 데이터 구조/유사성을 파악한다.
( 군집, 차원축소)
(3) 준지도학습: 소량의 레이블과 대량의 비레이블 데이터를 혼합하여, 레이블

비용이 큰 현실 문제에 유용하다.
(4) 강화학습: 보상을 최대화하는 행동 정책을 학습하며, 에이전트·환경·보상 개

념을 기반으로 한다.( 게임 에이전트, 로봇 팔)
강화학습=보상 기반을 가장 먼저 떠올리면 암기가 쉬워진다.

18 PART 1. 인공지능 이론

2026. 5. 13. 오후 12:28
2026 AI-POT 파트1(014~065)_ej3.indd 18 2026. 5. 13. 오후 12:28
2026 AI-POT 파트1(014~065)_ej3.indd 18