머신러닝(Machine Learning)과 딥러닝(Deep Learning)

주제: 머신러닝(Machine Learning)

---

컴퓨터 과학(Computing Science) VS 머신러닝(Machin Leanrning)

1. 컴퓨터 과학(Computing Science) 

어떤 값을 함수 f에 집어넣어서 계산을 할 때

어떤 식으로 계산이 되는지를 사람이 기계에게 알려주는 경우 컴퓨터 과학이라고 함

 

전제 1) 사람이 f의 형태를 알고 있음

전제 2) 사람이 f의 모든 요소를 구성하고 기계는 계산만 함

 

준비물: 데이터, 모델

3,4 => f(3,4) = 3 + 4 = 7

 

2. 머신러닝(Machine Leanrning)

어떤 값을 함수 f에 집어넣어서 계산을 할 때

어떤 식으로 계산이 되는지를 기계가 스스로 찾아서 학습하는 경우 머신러닝이라고 함

 

전제1) 사람이 f의 형태를 모름

전제 2) 학습할 데이터가 많이 있어야지 머신러닝이 가능함

전제 3) 최소한의 모델 형태를 인간이 제시함

ex) 선형구조 모델, 신경망 모델

 

준비물: 데이터(훈련 + 검증), 모델, 훈련시간 

 

3,4 => f(3,4) = ?? = 8

머신러닝과 딥러닝 관계도

 

3. 딥러닝(Deep Learning)

인공신경망(뉴럴네트위크)

- 머신러닝 모델 종류 중 하나인 사람의 뇌 구조를 본뜬 모델

- 작은 처리를 하는 단위들이 서로 신경망처럼 연결된 네트워크 형태

 

딥러닝: 인공신경망 모델 구조를 써서 머신러닝 학습을 하는 것

- 데이터 양이 방대할수록 학습이 좋아져서 좋은 예측 값을 냄

- 1970~1980년대 이미 딥러닝 개념은 있었음

- 과거에는 데이터 부족과 컴퓨터 성능 부족으로 구현이 힘들었음

- 최근에는 구글, 페이스북 거대 IT기업들이 빅데이터 플랫폼을 구축하면서 데이터 양이 충분해짐

- 기술 발전으로 GPU, 빅데이터 처리 기술 등이 생겨서 실제 딥러닝 모델 훈련과 사용이 가능해짐

- 2012~2013년부터 딥러닝의 성능이 좋아져서 AI = 딥러닝이라는 말이 생김

- 고양이, 개 사진 분류하기 or 손글씨 인식하기 

- 추천 시스템 쪽에 인공지능이 많이 사용됨

ex) 링크드인 친구추천, 페이스북 피드선정, 구글 및 스냅챗 광고 

- 실제 현업에서는 기계학습을 얼마나 효율성을 높일 수 있느냐, 얼마나 최적화할 수 있느냐

ex) 실제 우버에서 예약 취소가 안 날 확률을 계산해서 얼마나 매칭을 최적화할 수 있냐

- 최적화, 추천, 효율성을 높이는 문제에 굉장히 많이 사용됨

- 현업에서 꼭 딥러닝만 사용하는 것은 아님

- 설명을 해야 한다던지, 좀 더 유연하게 모델링을 해야 하는 경우에는 의사결정 나무, SVM 등을 활용함

 

인공지능 = 굉장히 복합하게 짜인 수학 공식

머신러닝 = 효율성과 최적화를 위한 도구

어떻게 잘 이해하고 활용할 수 있을지 생각해보기

 

[참고] 이글은 다음 동영상을 참고하여 정리하였습니다.