128 비지도학습 이해
비지도학습 이해는 정답 라벨이 없는 데이터에서 군집, 차원축소, 이상탐지, 패턴 발견을 수행해 탐색적 인사이트를 도출하는 과정이다.
0. 교육을 하는 이유와 궁극적인 목표
비지도학습 교육의 궁극적인 목표는 학습자가 라벨이 없는 데이터를 구조화하고, 군집과 차원축소 결과를 해석해 세그먼트 전략·탐색 리포트·이상탐지 기준을 만들 수 있게 하는 것이다. 민간 데이터 분석·고객 세분화·ML 부트캠프의 실습 흐름을 참고해 K-Means, DBSCAN, PCA, UMAP, anomaly detection을 실제 데이터 분석 산출물로 연결한다.
참고한 유료형 교육 흐름
- 고객 세분화와 마케팅 페르소나 제작을 연결하는 유료 데이터 분석 과정
- PCA·t-SNE·UMAP을 시각화와 결합해 고차원 데이터를 해석하는 전문 트랙
- 라벨 없는 데이터에서 clustering validity와 업무 해석을 함께 요구하는 실무형 수업
- 이상탐지와 품질관리 데이터를 결합해 운영 기준을 만드는 기업 교육 흐름
입문 · 1일
입문 비지도학습 교육과정
라벨 없는 데이터에서 패턴을 찾는 사고방식을 익힌다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 비지도학습의 목적을 설명한다. | 라벨이 없는 고객 구매표를 보고 사람 손으로 3개 그룹을 나눈 뒤 알고리즘 군집과 비교한다. 분류 모델과 군집 모델의 입력·출력 차이를 그림으로 정리한다. |
| 목표 2 | 기초 군집을 실행한다. | K-Means로 고객 또는 학생 활동 데이터를 3개 군집으로 나누고 중심값을 확인한다. Elbow plot을 그려 군집 수 선택이 결과에 미치는 영향을 관찰한다. |
| 목표 3 | 군집 결과를 해석한다. | 각 군집의 평균, 최빈값, 대표 샘플을 비교해 이름을 붙인다. 군집 이름이 과도한 낙인이나 편견을 만들지 않도록 표현을 수정한다. |
| 사용 플랫폼 | Python, Google Colab, pandas, scikit-learn, Matplotlib |
|---|---|
| 강사 스펙 | 비지도학습 개념, K-Means 실습, 군집 해석 지도 경험 3년 이상 |
| 수업대상 | ML 입문자, 마케팅 입문자, 청소년 데이터반, 교사 연수생 |
| 소요시간 | 4-6시간 |
| 준비물 | 노트북, Colab 계정, 라벨 없는 표 데이터, 군집명 카드 |
| 산출물 | 군집 실습 노트북, 군집 해석표, 윤리적 명명표 |
| 평가방법 | 개념이해 25%, 군집실행 30%, 해석표 25%, 표현점검 10%, 참여도 10% |
초급 · 3일
초급 비지도학습 교육과정
군집 알고리즘과 차원축소를 비교해 데이터 구조를 시각화한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 군집 알고리즘을 비교한다. | K-Means, Agglomerative Clustering, DBSCAN을 같은 데이터에 적용한다. silhouette score와 군집 시각화를 함께 보고 점수와 해석 가능성이 충돌하는 사례를 찾는다. |
| 목표 2 | 차원축소를 수행한다. | PCA로 주요 성분 2개를 만들고 설명분산비를 계산한다. t-SNE 또는 UMAP으로 고차원 데이터를 2D로 표시하고 군집 색상을 입힌다. |
| 목표 3 | 세그먼트 리포트를 작성한다. | 군집별 핵심 특성, 대표 행동, 추천 조치, 주의할 해석을 표로 작성한다. 동료가 군집 설명만 보고 실제 업무 조치를 이해할 수 있는지 피드백한다. |
| 사용 플랫폼 | Python, scikit-learn, scipy, UMAP-learn, pandas, Plotly |
|---|---|
| 강사 스펙 | 군집 알고리즘 비교, PCA·UMAP 시각화, 세그먼트 리포트 피드백 경험 3년 이상 |
| 수업대상 | 기초 ML 수료자, 마케팅 담당자, 데이터 분석 프로젝트반 |
| 소요시간 | 12-18시간 |
| 준비물 | 노트북, 고객·콘텐츠·활동 로그 데이터, 시각화 템플릿 |
| 산출물 | 군집 비교 노트북, 2D 임베딩 시각화, 세그먼트 리포트 |
| 평가방법 | 알고리즘비교 25%, 차원축소 25%, 리포트 25%, 피드백개선 15%, 참여도 10% |
초급 · 1주
초급 1주 비지도학습 교육과정
라벨 없는 데이터를 기반으로 탐색형 프로젝트를 완성한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 탐색 데이터셋을 설계한다. | 구매, 학습 활동, 앱 사용, 콘텐츠 소비 데이터 중 하나를 선택해 군집 목적을 정의한다. 스케일링, 로그 변환, 범주형 인코딩이 군집 결과에 미치는 영향을 비교한다. |
| 목표 2 | 군집 안정성을 검토한다. | 군집 수와 random seed를 바꿔도 유지되는 패턴과 흔들리는 패턴을 구분한다. PCA loading 또는 feature contribution을 사용해 군집을 설명하는 핵심 변수를 찾는다. |
| 목표 3 | 서비스 전략을 제안한다. | 군집별 맞춤 교육, 추천 콘텐츠, 마케팅 메시지, 위험 경고 중 하나를 설계한다. 실제 적용 시 개인정보, 과도한 추정, 차별 위험을 체크리스트로 점검한다. |
| 사용 플랫폼 | Python, pandas, scikit-learn, UMAP, Plotly, Jupyter Notebook |
|---|---|
| 강사 스펙 | 비지도 프로젝트 코칭, feature 해석, 윤리 점검 경험 4년 이상 |
| 수업대상 | 데이터 분석 중급 입문자, 서비스 기획자, 마케팅 실무자 |
| 소요시간 | 20-30시간 |
| 준비물 | 노트북, 프로젝트 데이터셋, 세그먼트 전략 양식, 윤리 체크리스트 |
| 산출물 | 탐색 프로젝트 노트북, 군집 안정성 분석, 세그먼트 전략 제안서 |
| 평가방법 | 데이터설계 20%, 안정성검토 25%, 전략제안 25%, 윤리점검 20%, 발표 10% |
중급 · 4주
중급 비지도학습 교육과정
이상탐지와 표현학습을 포함한 비지도 분석 체계를 구축한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 이상탐지 모델을 구현한다. | Isolation Forest, One-Class SVM, Local Outlier Factor를 품질·거래·접속 데이터에 적용한다. 이상치 비율과 임계값을 바꾸며 오탐·미탐 사례를 분류한다. |
| 목표 2 | 표현학습 기반 탐색을 수행한다. | 텍스트 또는 이미지 임베딩을 만들어 코사인 유사도 기반 군집을 구성한다. Hugging Face sentence-transformers 또는 OpenAI embedding 대체 로컬 모델을 활용해 의미 군집을 만든다. |
| 목표 3 | 비지도 분석 파이프라인을 만든다. | 전처리, 차원축소, 군집, 이상탐지, 시각화 단계를 함수형 파이프라인으로 정리한다. Streamlit 대시보드에서 군집 필터와 이상치 상세 조회 기능을 구현한다. |
| 사용 플랫폼 | Python, scikit-learn, PyOD, sentence-transformers, Hugging Face, Streamlit, Plotly |
|---|---|
| 강사 스펙 | 이상탐지, 임베딩, 대시보드 구현 경험 4년 이상 |
| 수업대상 | 중급 분석가, AI 서비스 기획자, 연구 프로젝트팀 |
| 소요시간 | 40-60시간 |
| 준비물 | 노트북, 텍스트·로그·품질 데이터, 로컬 임베딩 모델, 대시보드 템플릿 |
| 산출물 | 이상탐지 모델, 의미 군집 결과, Streamlit 탐색 대시보드 |
| 평가방법 | 이상탐지 25%, 임베딩군집 25%, 파이프라인 25%, 대시보드 15%, 발표 10% |
심화 · 8주
심화 비지도학습 교육과정
기관·기업용 세그먼트 분석과 이상탐지 교육 패키지를 완성한다.
| 구분 | 세부 내용 | 실천·실습 방법 |
|---|---|---|
| 목표 1 | 산업별 비지도 사례은행을 만든다. | 교육 학습자 유형, 소매 고객 유형, 제조 품질 이상, 사이버 접속 이상 사례를 구조화한다. 각 사례별 데이터 준비, 알고리즘 선택, 해석 위험, 활용 전략을 한 장 카드로 만든다. |
| 목표 2 | 비지도학습 평가 루브릭을 설계한다. | 정답 라벨이 없을 때 내부지표, 시각화, 업무전문가 검토를 결합하는 평가 기준을 만든다. 군집 결과의 과해석, 낙인, 개인정보 추론 위험을 평가 문항에 포함한다. |
| 목표 3 | 컨설팅형 최종 제안서를 작성한다. | 기관 데이터로 적용 가능한 세그먼트 분석 또는 이상탐지 운영 로드맵을 작성한다. 최종 발표에서 분석 결과보다 의사결정 연결성과 운영 가능성을 중심으로 설득한다. |
| 사용 플랫폼 | Python, scikit-learn, PyOD, UMAP, Streamlit, Notion, GitHub |
|---|---|
| 강사 스펙 | 비지도학습 강사양성, 세그먼트 컨설팅, 이상탐지 운영 경험 5년 이상 |
| 수업대상 | AI 교육 강사, 데이터 컨설턴트, 기관 분석 책임자 |
| 소요시간 | 80-120시간 |
| 준비물 | 강사용 PC, 산업별 데이터셋, 루브릭 양식, 컨설팅 제안서 템플릿 |
| 산출물 | 사례은행, 평가 루브릭, 비지도 분석 컨설팅 제안서 |
| 평가방법 | 사례은행 25%, 루브릭 25%, 제안서 25%, 윤리검수 15%, 발표 10% |