머신러닝과 딥러닝의 정의, 차이점, 그리고 각자 어떤 분야에 적합한지에 대해 정리해보겠습니다.
1. 머신러닝(Machine Learning) ? "컴퓨터가 데이터를 통해 스스로 학습하게 하는 기술"
-> 기계야 학습좀 해봐...
머신러닝은 사람이 일일이 프로그램하지 않아도, 데이터를 통해 규칙을 학습하게 하는 기술입니다. 다시 말해, 컴퓨터에게 데이터를 주고, 패턴을 스스로 찾아내어 미래를 예측하게 하는 것.
머신러닝의 핵심 개념:
- 사람이 모델의 구조나 입력값을 설계
- 대표 알고리즘: 의사결정나무, SVM, KNN, 랜덤포레스트, 선형회귀, 로지스틱 회귀 등
- 특징 추출(Feature Engineering)을 사람이 직접 수행
- Supervised Learning, Unsupervised Learning, Reinforcement Learning
머신러닝의 종류
1. Supervised Learning : 데이터에 정답이 있고, 정답예측 모델을 만들 때
2. Unsupervised Learning : 데이터에 정답이 없고, 컴퓨터가 알아서 분류를 해야함
3. Reinforcement Learning
2. 딥러닝(Deep Learning)이란? "뇌의 신경망을 본떠 만든 인공신경망을 이용해 데이터를 학습하는 기술"
딥러닝은 머신러닝의 하위 분야, 다층의 인공 신경망(Neural Network)을 통해 데이터를 학습합니다. 머신러닝이 특징을 사람이 직접 설계해야 했다면, 딥러닝은 이미지, 음성, 텍스트의 중요한 특징을 스스로 추출하고 학습합니다.
딥러닝의 핵심 개념:
- 인공신경망(ANN) 기반의 모델 구성
- 입력 → 은닉층(hidden layer) 다수 → 출력 구조
- 대표 기술: CNN(이미지), RNN/LSTM(시계열/텍스트), GAN, Transformer 등
- 대용량 데이터 + 고성능 컴퓨팅(GPU) 환경에서 효과적
머신 러닝에서 어떻게 파생되었나 ? ( 딥러닝은 머신러닝 기술이 발전하면서 등장한 보다 '깊은 구조'의 학습 방법 )
- 전통적 AI: 규칙 기반 시스템 (if-else 등)
- 머신러닝의 등장: 데이터 기반의 학습 → 패턴 인식
- 딥러닝의 탄생: GPU 발전 + 빅데이터 시대 → 다층 신경망도 학습 가능해짐
즉, 딥러닝은 단순히 더 복잡한 모델이 아닌, 기계가 스스로 '데이터에서 무엇이 중요한지'도 파악하게 한 도약이라 볼 수 있다.
3. 머신러닝 vs 딥러닝: 비교 정리
