[AI] 머신러닝(ML)과 딥 러닝(DL)차이점
ML과 DL의 개념
Machine Learning
개념
컴퓨터가 명시적으로 프로그래밍 되지 않아도 데이터를 통해 학습하고 예측할 수 있는 기술
처리방식
- 주로 구조화된 데이터를 사용합니다.
- 특징 추출(Feature Extraction)을 통해 데이터를 분석하고, 이 특징들을 기반으로 모델을 학습합니다.
- 특징추출은 주로 사람이 수동으로 설계합니다.
알고리즘
- Regression : 선형 회귀, 로지스틱 회귀
- Classification : 결정 트리, 랜덤 포레스트, SVM(서포트 벡터 머신)
- Clustering : K-means, 계층적 군집화
모델 종류
- Supervised Learning : 레이블이 있는 데이터로 학습하는 방식 (ex. 회귀, 분류)
- Unsupervised Learning : 레이블이 없는 데이터로 학습하는 방식 (ex. 군집화, 차원 축소)
- Reinforcement Learning : 에이전트가 환경과 상호작용하며 보상을 최대화하는 학습 방식
Deep Learning
개념
인공신경망(Artificial Neural Networks)을 사용하여 데이터를 학습하는 머신러닝의 한 하위 분야로,
다층 신경망(Deep Neural Networks)을 사용하여 복잡한 패턴과 특징을 학습
처리방식
- 딥러닝 모델은 구조화된 데이터뿐만 아니라 비구조화된 데이터(예: 이미지, 오디오, 텍스트)도 처리할 수 있습니다.
- 특징 추출 과정이 자동화되어 있으며, 모델이 자체적으로 유의미한 특징을 학습합니다.
알고리즘
- CNN: 이미지 분류, 객체 검출
- RNN: 자연어 처리, 시계열 예측
- GAN: 이미지 생성, 데이터 증강
모델 종류
- 인공신경망 (Artificial Neural Networks, ANN)
- 합성곱 신경망 (Convolutional Neural Networks, CNN): 주로 이미지 처리에 사용
- 순환 신경망 (Recurrent Neural Networks, RNN): 주로 시계열 데이터나 순차 데이터 처리에 사용
- 생성적 적대 신경망 (Generative Adversarial Networks, GAN): 새로운 데이터를 생성하는 데 사용
주요 차이점
-
모델의 복잡성
Machine Learning : 일반적으로 DL 모델보다 덜 복잡합니다.
Deep Learning : 수많은 충을 가진 신경구조를 사용하여 더 복잡하고, 데이터에서 더 좋은 성능을 보입니다. -
데이터 요구량
Machine Learning : 비교적 적은 양의 데이터로도 좋은 성능을 낼 수 있습니다.
Deep Learning : 대량의 데이터를 필요로 하며, 데이터가 많을수록 성능이 향상됩니다. -
컴퓨팅 지원
Machine Learning : 일반적으로 DL 모델보다 적은 컴퓨팅 자원을 필요로 합니다.
Deep Learning : GPU와 같은 고성능 하드웨어가 필요합니다. -
특징 추출
Machine Learning : 특징 추출을 수동으로 설계해야 합니다.
Deep Learning : 자동으로 특징을 추출합니다. -
적용 분야
Machine Learning : 주로 구조화된 데이터 분석에 많이 사용됩니다
Deep Learning : 이미지 인식, 음성 인식, 자연어 처리 등 비구조화된 데이터 처리에 강점을 가집니다.