이번 시간에는 ML과 DL의 차이에 대해 배워보도록하겠습니다.
ML(Machine Learning,머신러닝)
- 컴퓨터가 데이터로부터 학습하고 패턴을 인식하여 예측, 분류, 클러스터링 등의 작업을 수행하는 알고리즘과 기술들 입니다
- 데이터를 기반으로 모델을 학습시키고, 이를 사용하여 새로운 데이터에 대한 예측합니다.
- 주어진 입력 데이터와 출력 데이터 사이의 관계를 학습하고, 이를 기반으로 예측을 수행합니다.
- 지도 학습, 비지도 학습, 강화 학습 등의 방법으로 분류됩니다.
DL(Deep Learning,딥러닝)
- 인공 신경망을 사용하여 데이터로부터 추상적인 표현을 자동으로 학습하는 기계 학습의 한 종류 입니다.
- 여러 개의 은닉층으로 구성된 신경망을 사용하여 복잡한 특징을 추출하고, 이를 통해 패턴을 인식하고 예측합니다.
- 데이터의 계층적 표현을 학습하여 데이터의 추상적인 특징을 자동으로 학습합니다.
- 대량의 데이터와 강력한 컴퓨팅 요구하며, 그에 따라 GPU(그래픽 처리 장치)를 사용하여 계산을 가속화하는 것이 일반적입니다.
ML과 DL의 차이점
-
구조의 차이
- ML: 통계적 기법, 회귀 분석, 결정 트리, 서포트 벡터 머신 등과 같은 전통적인 알고리즘을 사용하며, 주어진 데이터를 기반으로 패턴을 학습하고 예측을 수행합니다.
- DL: 인공 신경망을 사용하여 데이터로부터 추상적인 표현을 자동으로 학습합니다, 신경망은 여러 개의 은닉층으로 구성되어 있으며, 각 층은 점진적으로 더 복잡한 특징을 학습합니다.
-
데이터의 요구사항
- ML: 상대적으로 적은 양의 데이터로도 좋은 결과를 얻을 수 있습니다. 데이터의 품질과 다양성은 중요하지만 많은 양의 데이터가 필요한 경우는 상대적으로 적습니다.
- DL: 대량의 데이터가 필요합니다. 신경망은 수백만 개에서 수천만 개의 매개 변수를 가지며, 이 매개 변수를 학습하기 위해서는 대량의 데이터가 필요합니다. 일반적으로 딥러닝은 대규모 데이터셋과 높은 계산 능력을 요구합니다.
-
특징 추출
- ML: 일반적으로 사람이 수동으로 특징을 추출하고 선택합니다. 이를 통해 모델이 학습할 수 있는 입력 특징을 준비합니다.
- DL: 데이터로부터 특징을 자동으로 학습합니다. 신경망은 원시 데이터를 입력으로 사용하며, 특징 추출 단계를 거치지 않고도 학습할 수 있습니다.
-
계층적인 표현 학습
- ML: 데이터의 특징을 얻고 예측하기 위해 주어진 알고리즘을 사용합니다. 하지만 학습된 특징의 계층 구조를 명확하게 파악하기는 어렵습니다.
- DL: 데이터로부터 계층적인 표현을 학습합니다. 다층 신경망(CNN,RNN등)을 통해 점진적으로 추상적인 특징을 학습하므로, 데이터의 복잡한 구조와 패턴을 잘 파악할 수 있습니다.
즉, ML과 DL은 모두 데이터로부터 학습하는 기법이지만, DL은 보다 깊고 복잡한 모델을 사용하여 데이터의 표현을 학습하며, 특히 대량의 데이터가 필요합니다. ML은 비교적 간단한 모델과 적은 데이터로도 효과적인 결과를 얻을 수 있습니다.
이번시간에는 ML과 DL의 정확한 의미와 차이에 대해 배워보았습니다.
😁 power through to the end 😁
Dreamer