머신러닝, 딥러닝이란? | 머신러닝과 딥러닝의 차이 | ML & DL

Machine Learning (머신러닝)

머신러닝(Machine Learning)은 컴퓨터가 데이터를 학습하여 패턴을 인식하고, 새로운 데이터를 예측하거나 분류하는 기술로, 크게 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning)으로 구분된다.

 

1. 지도학습(Supervised Learning)

지도학습은 입력 데이터와 출력 데이터가 모두 주어지는 상황에서 입력과 출력 사이의 관계를 모델링하는 방법이다. 이러한 방법을 통해 새로운 입력 데이터가 주어졌을 때, 해당 데이터에 대한 출력 데이터를 예측할 수 있다. 예를 들어, 이메일이 스팸인지 아닌지 분류하는 문제에서는 이메일의 내용과 스팸 여부를 입력 데이터와 출력 데이터로 사용하여, 머신러닝 모델을 학습시킬 수 있다.

 

2. 비지도학습(Unsupervised Learning)

비지도학습은 출력 데이터가 주어지지 않는 상황에서 입력 데이터의 분포나 패턴을 파악하는 방법입니다. 이러한 방법을 통해 입력 데이터 간의 유사성을 파악하거나 군집화(Clustering)하는 등의 작업을 수행할 수 있다. 예를 들어, 소비자 구매 패턴을 파악하는 문제에서는 소비자들의 구매 이력 데이터를 입력 데이터로 사용하여, 유사한 소비자 군집을 찾아낼 수 있다.

 

3. 강화학습(Reinforcement Learning)

강화학습은 에이전트(agent)가 환경(environment)과 상호작용하며, 보상(reward)을 최대화하는 방법을 학습하는 방법이다. 예를 들어, 로봇이 어떤 작업을 수행할 때 보상을 받고, 그 보상을 최대화하기 위한 행동을 학습하는 것이 강화학습의 예시이다.

 

Deep learning (딥러닝)

 

Artificial Neural Network (인공신경망, ANN)

 

Deep learning (딥러닝)은 Artificial Neural Network (인공신경망, ANN) 을 사용하여 대규모의 데이터를 학습하는 Machine Learning (머신러닝)의 한 분야이다.

 

머신러닝과 딥러닝의 차이

머신러닝과 딥러닝은 인공지능의 분야에서 비슷한 개념으로 사용되지만, 몇 가지 차이점이 있다.

머신러닝은 입력 데이터와 출력 데이터 사이의 관계를 학습하는 것에 초점을 둔다. 즉, 데이터를 분석하고 모델을 만들어 결과를 예측하는 것이 목적이며 수학적인 모델을 사용하여 데이터를 분석하며, 데이터셋의 특징을 파악한 뒤 모델을 만들어 새로운 데이터를 예측한다.

 

반면에 딥러닝은 머신러닝의 한 종류로, 인공 신경망을 사용하여 입력 데이터를 처리하고 결과를 예측한다. 딥러닝은 머신러닝보다 더 복잡한 데이터를 처리할 수 있으며, 이미지, 음성, 언어 등과 같은 다양한 데이터에서 좋은 성능을 보인다. 

 

예를 들어, 이미지 분류 문제에서 머신러닝은 이미지의 특징을 추출하고, 이를 기반으로 분류 모델을 만들어 예측한다. 이미지 특징을 추출한다는 것은 이미지 필터, 주파수 영역 변환, 엣지 검출, SIFT, SURF, edge, HOG 등의 이미 정해진 알고리즘으로 이미지의 특징을 추출한다는 것이다. 이렇게 추출된 특징들을 토대로 Decision Tree(의사 결정 트리), SVM(Support Vector Machine), Random Forest 등의 분류 알고리즘을 사용하여 분류 작업을 수행한다. 반면 딥러닝은 인공 신경망은 학습데이터와 정답과의 관계를 통해 이미지의 특징을 스스로 학습하고 분류 결과를 예측한다. 딥러닝은 입력 데이터와 출력 데이터 사이의 복잡한 관계를 스스로 학습하여 예측하기 때문에 더욱 정확한 결과를 제공할 수 있다.

 

 

그렇다면 딥러닝은 머신러닝 보다 무조건 좋은걸까?

딥러닝은 매우 복잡한 모델을 학습하고 예측하는 데 매우 효과적인 기술이지만, 모델이 복잡하다는 것은 학습에 필요한 데이터 양과 학습 시간도 매우 많이 필요하다는 것을 의미한다. 따라서, 다음과 같은 상황에서는 딥러닝 방법보다 딥러닝이 아닌 머신러닝 방법이 더 유리할 수 있다.

• 데이터가 적은 경우 : 딥러닝은 수천 또는 수백만 개의 데이터가 필요할 수 있지만 머신러닝은 적은 양의 데이터로도 비교적 간단한 모델을 학습할 수 있음
• 작은 모델이 필요한 경우 : 딥러닝은 일반적으로 수많은 파라미터를 가진 매우 복잡한 모델을 사용하지만, 머신러닝 알고리즘은 딥러닝보다 간단한 모델을 구축할 수 있음
• 해석 가능성이 필요한 경우 : 딥러닝은 매우 복잡한 모델을 학습하므로 모델의 결과를 해석하기가 어렵지만, 머신러닝 모델은 보다 해석 가능한 모델을 만들 수 있음
• 시간과 자원이 제한된 경우 : 딥러닝 모델을 학습하기 위해서는 다수의 GPU를 사용하여 몇 주에서 몇 달까지도 학습 시간이 소요될 수 있지만, 머신러닝 모델은 상대적으로 적은 자원과 시간만으로도 학습할 수 있음

따라서, 데이터가 적거나 작은 모델이 필요한 경우 또는 결과 해석이 필요하거나 시간과 자원이 제한된 경우 딥러닝보다 머신러닝이 더 유리한 선택일 수 있다.

 

 

인공신경망과 딥러닝

인공신경망은 생물학적인 뇌의 동작 원리를 모방해 만들어진 인공적인 신경망 구조로 흔히 입력층, 은닉층, 출력층으로 구성되며 neuron(뉴런)이라 불리는 단위로 구성된다. 아주 단순한 인공신경망의 경우 입력층, 은닉층, 출력층으로 나누어 볼 수 있지만, 현시점의 인공신경망은 CNN, Transformer 등 더욱 복잡한 형태를 가진다. 각각의 뉴런은 입력값과 가중치를 곱한 결과를 활성화 함수를 통해 처리한 뒤 출력값을 다음 뉴런으로 전달하는 방식으로 동작한다. 딥러닝에서는 학습 데이터를 이용해 가중치를 계속해서 조정하면서 최적화 과정을 거치고, 이를 통해 모델이 입력 데이터에 대한 예측을 더욱 정확하게 할 수 있게 된다. 

 

이러한 딥러닝 또한 결국 특정 문제를 해결하는 것이 목적인데, 왜 기존의 문제 해결 방법에 비해 각광받는 것일까? 

 

딥러닝 방식과 전통적인 프로그래밍 방식의 가장 큰 차이점은 문제를 해결하는 접근 방식에 있다. 전통적인 프로그래밍 방식은 문제 해결 방법을 명확하게 알고 있는 경우에 적용할 수 있다. 즉, 문제를 해결하기 위한 알고리즘이나 규칙을 미리 정의하고, 그에 맞게 프로그램을 작성하는 것이다. 반면에 딥러닝 방식은 문제 해결 방법을 명확하게 알지 못하는 경우에 적용할 수 있다. 예를 들어, 이미지에서 특정 물체를 인식하는 문제에서는 이미지의 각 픽셀값이나 색상 등의 속성을 직접 프로그래밍으로 처리하기 어려운데, 딥러닝은 이러한 문제를 해결하기 위해 입력 데이터와 출력 데이터 사이의 복잡한 관계를 스스로 학습하는 것이다.

 

이러한 딥러닝 방식은 방대한 데이터와 학습 과정이 필요하기 때문에 초기에는 전통적인 프로그래밍 방식보다는 시간과 노력이 많이 들어가지만, 데이터의 양이 많아질수록 성능이 좋아지는 것이 특징이다. 따라서, 복잡한 문제일수록 데이터만 많이 확보된다면 딥러닝 방식이 전통적인 프로그래밍 방식보다 우수한 성능을 가질 수 밖에 없는 것이다.