머신러닝과 딥러닝

머신러닝이란

 

머신러닝은 인공지능의 한 분야로, 컴퓨터 스스로 대용량 데이터에서 지식이나 패턴을 찾아 학습하고 예측을 수행하는 것입니다.

즉, 컴퓨터가 학습할 수 있게 하는 알고리즘과 기술을 개발하는 분야라고 할 수 있습니다.

 

 

머신러닝과 학습

 

머신러닝은 학습은 크게 3가지 종류로 나누어집니다.

지도학습은 정답이 무엇인지 알고 있는 데이터를 컴퓨터에게 학습시켜 새롭게 들어오는 데이터에 대한 결과를 예측하는 방법입니다.
지도학습법에는 크게 분류와 회귀가 있는데 분류는 종류를 예측하는 것이고 회귀는 연속된 값을 예측하는 것입니다.

비지도학습은 정답을 알려주지 않고 예측하는 방법으로 정답이 무엇인지는 모르지만 컴퓨터는 입력받은 데이터로부터 패턴이나 형태를 찾아 비슷한 데이터들끼리 군집화(Clustering)하여 예측하는 방법입니다
강화학습은 학습할 데이터를 사전에 준비시키지 않아도 되는 방법으로 상태(State), 행동(Action)이 존재하는 특정 환경에서만 가능한 학습 방식입니다.

학습을 수행할 주체인 에이전트와 활동할 환경이 주어지면 환경에서 에이전트의 행동(Action)에 따라 상태(State)가 변하고 그에 따라 주어지는 보상(Reward)을 통해 에이전트의 행동이 더 나은방향으로 개선되도록 학습을 진행하는 방식입니다. 대표적인 예로 알파고가 있습니다

 

머신러닝의 3가지 학습 방법

 

 

 

딥러닝이란

 

딥러닝은 인간의 신경망 원리를 모방한 심층 신경망 이론을 기반으로 고안된 머신러닝 방법의 일종입니다.

즉 딥러닝이 머신러닝과 다른 큰 차이점은 인간의 뇌를 기초로 하여 설계했다는 것입니다.

 

 

딥러닝과 학습

 

딥러닝은 머신러닝의 하위분류에서 발전했습니다.

데이터를 보유한 상태에서 기계학습 방법으로 개선해 나가는 방법을 사용하는 것은 동일하지만
머신러닝에 비해서 훨씬 더 비정형 데이터를 다룬다는 측면과 딥러닝만의 고유한 알고리즘들이 폭발적으로 발전해온 것으로 봤을 때 일반적으로는 머신러닝과 독립적인 영역으로 여겨지기도 합니다.

고전 인공지능은 주로 수학에 기반한 규칙기반의 알고리즘으로 정형 데이터에 유리하고 머신러닝은 적용할 대상에 대한 관찰을 동해 알맞은 세부 알고리즘을 선택해야 하고 또 거의 필수적으로 데이터 전처리가 필요합니다.

반면에 딥러닝은 비정형 데이터를 다루는데 가장 유리하고 대산에 매우 큰 데이터가 필요합니다.

머신러닝에 비해 데이터의 전처리가 간략하거나 때로는 하지않아도 됩니다.

적용 대상에 따른 적절한 모델을 선택해야 하지만 머신러닝에 비해 훨씬 더 블랙박스처럼 여겨집니다.

 

인공지능과 머신러닝과 딥러닝의 관계