목차. 기초 머신러닝(딥러닝 포함) 모델 종류

1. 기초 지도학습 모델 (분류/회귀)

모델	핵심 개념	주요 활용
Linear Regression	선형 관계 기반 회귀	온도, 가격 등 연속값 예측
Logistic Regression	시그모이드 함수 기반 이진 분류	이진 분류 문제 (ex: 고장 여부)
K-Nearest Neighbors (KNN)	가까운 이웃 다수결	이미지 분류, 추천 시스템
Naive Bayes	확률 기반 분류	텍스트 분류 (스팸 필터 등)
Decision Tree	규칙 기반 분기 구조	분류 + 해석 가능성 높음
Random Forest	여러 결정트리의 앙상블	다양한 분류/회귀 문제
Gradient Boosting (XGBoost, LightGBM)	잔차 기반 점진적 개선	Kaggle 우승 모델 다수
Support Vector Machine (SVM)	마진 최대화하는 분류기	고차원, 소규모 데이터에 효과적

 

2. 비지도학습 모델

모델	핵심 개념	주요 활용
K-Means	거리 기반 클러스터링	화자 분류, 사용자 그룹화
DBSCAN	밀도 기반 클러스터링	이상치 탐지, 복잡한 분포
PCA (주성분 분석)	차원 축소	시각화, 노이즈 제거
Autoencoder	압축-복원 네트워크	이상 탐지, 차원 축소

 

3. 딥러닝 기초 모델

모델	핵심 개념	주요 활용
MLP (다층 퍼셉트론)	기본 feedforward 신경망	기초 패턴 학습
CNN (합성곱 신경망)	이미지 공간 특징 추출	영상 인식, 시각 AI
RNN / LSTM / GRU	순차 데이터 처리	음성 인식, 시계열 분석
Transformer	Self-Attention 기반 구조	음성 처리, 언어 모델링, 비전 모델도 가능

 

4. 특수 목적 모델 / 알고리즘

모델	설명	활용 분야
GMM (Gaussian Mixture Model)	확률 밀도 기반 군집	음성 모델링, 이상탐지
HMM (Hidden Markov Model)	은닉 상태 기반 시계열 모델	음성 인식 초기 모델
T-SNE / UMAP	시각화용 차원 축소	클러스터 확인, Embedding 시각화
One-Class SVM / Isolation Forest	이상 탐지 전용	고장 예측, 침입 탐지

 

5. 실무에 많이 쓰이는 프레임워크

프레임워크	대표 모델/기능
TensorFlow / PyTorch	CNN, RNN, Transformer 구현
Hugging Face Transformers	BERT, Wav2Vec2.0, Whisper 등
scikit-learn	대부분의 전통 ML 모델 탑재
XGBoost / LightGBM / CatBoost	고성능 부스팅 모델군