코드를 읽고 설명하면, 합격합니다
이 레슨과 관련된 학습 키워드
세상을 바꾼 생각들 → 세계관의 대전환
우리는 매일 귀납적으로 사고합니다. "지금까지 해가 매일 떴으니까 내일도 뜰 것이다." "이 약이 100번 효과가 있었으니까 다음에도 효과가 있을 것이다."
이것은 너무나 자연스러워서 의심조차 하지 않습니다. 그런데 데이비드 흄(David Hume, 1711-1776)이 폭탄을 던졌습니다: "관찰 1만 번은 증명이 아니다."
귀납이란:
귀납의 문제(Problem of Induction):
현대적 의미:
이 레슨에서 귀납의 한계를 깊이 이해하고, 이것이 현대 과학과 AI에 어떤 교훈을 주는지 알아봅니다.
우리는 매일 귀납적으로 사고합니다.
해가 매일 떴으니 내일도 뜰 거라고 자연스럽게 생각하죠.
그런데 이 자연스러운 추론에 심각한 결함이 숨어 있어요.
그림 왼쪽을 보세요. 백조를 관찰하는 과정이 나와 있어요.
백조 1을 보니 흰색, 백조 2도 흰색, 만 마리를 봐도 전부 흰색이에요.
그래서 우리는 모든 백조는 흰색이라고 결론 짓습니다.
하지만 주황색 화살표를 보세요. 이 도약에는 논리적 보장이 없어요.
만 번의 관찰이 만 한 번째를 보장하지 않기 때문이에요.
가운데 빨간 영역을 보면, 흄이 1739년에 던진 질문이 나와 있어요.
지금까지 항상 에이 다음에 비가 왔다고 해서, 앞으로도 그럴까요?
이걸 정당화하려면 논리적 근거나 경험적 근거가 필요해요.
하지만 논리는 연역이라 귀납을 증명할 수 없고요.
경험을 쓰면 귀납을 전제해야 하니 순환 논증에 빠져요.
보라색과 시안색 타원 사이 점선 화살표가 이 순환을 보여줘요.
이제 오른쪽 초록 영역을 보세요. 머신러닝과의 연결이에요.
훈련 데이터는 과거 관찰이고, 모델 학습은 귀납 도약이에요.
그리고 일반화, 즉 새 데이터 예측이 미래에 대한 추론이죠.
과적합은 귀납 실패의 전형적 사례예요.
분포가 바뀌면 그건 검은 백조와 같은 상황이고요.
피해킹은 데이터에서 원하는 패턴만 찾는 확증 편향이에요.
결국 귀납의 한계를 인식하는 것이 올바른 추론의 출발점이에요.
이번 레슨에서 흄부터 포퍼, 베이즈까지 이 문제를 깊이 탐구해봅시다.