딥 러닝 대 머신 러닝의 차이점은 무엇인가요?
머신 러닝과 딥 러닝의 차이점은 무엇입니까? 머신 러닝은 명시적으로 프로그래밍되지 않고 데이터에서 학습하는 컴퓨터를 가리키는 인공 지능의 하위 집합입니다. 딥 러닝은 두뇌와 같은 결정을 내리기 위해 알고리즘 구조를 생성하는 기계 학습의 하위 집합입니다.
머신 러닝이란 무엇입니까?
기계 학습은 이름에서 알 수 있듯이 인간의 지시 없이 학습할 수 있는 알고리즘을 만드는 과학입니다. 이러한 맥락에서 "학습"은 데이터를 수집하고, 전문 영역 내에서 이해하고, 해당 데이터를 사용하여 독립적인 결정을 내릴 수 있는 알고리즘 구축을 강조합니다.
머신 러닝은 알고리즘을 가르치는 여러 접근 방식을 포함하지만 거의 모든 것이 시뮬레이션에서와 같이 대규모 데이터 세트와 (일반적으로 알고리즘에 따라 구조화된 데이터) 다양한 유형의 제약 조건의 조합을 포함합니다.
그러나 기계 학습에 대한 여러 이론과 접근 방식이 있기 때문에 기계 학습에도 여러 유형이 있습니다.
지도 학습
가장 일반적인 학습 형태인 지도 기계 학습은 학습을 위한 콘텍스트와 피드백을 제공하는 방식으로 학습 알고리즘에 데이터를 제공하는 것입니다. "훈련 데이터"라고 하는 이 데이터는 알고리즘에 입력과 원하는 출력을 모두 제공하여 하나에서 다른 하나에 도달하기 위해 결정을 내리는 방법을 학습합니다.
비지도 학습
지도 알고리즘과 달리 비지도 학습 데이터 세트에는 입력만 포함되며 알고리즘은 이러한 입력에서 간단하게 학습해야 합니다. 기계 학습 알고리즘은 결과를 테스트 데이터와 비교하지 않고 데이터 포인트 간의 패턴과 공통점을 찾아 다음 단계를 결정해야 합니다.
강화 학습
강화 학습은 학습 에이전트 또는 환경 내에서 작동하는 프로그램을 강조합니다. 좋은 예는 비디오 게임의 컴퓨터 제어 플레이어입니다. 이 패러다임에서 에이전트는 다양한 행동에 기반한 누적 보상을 통해 학습합니다.
다른 더 난해한 형태의 머신 러닝이 있지만 이 세 가지 패러다임은 이 분야의 많은 부분을 나타냅니다.
머신 러닝은 새로운 현상이 아닙니다. 그것은 20세기 중반부터 AI 연구의 주요 부분이었습니다. 기계 학습 알고리즘의 초기에는 프로그래밍과 사고에 대한 선형 접근 방식에 중점을 두었습니다. 즉, 프로그래머는 "If-Then-Else" 논리를 기반으로 하는 점점 더 복잡해지는 프로그램을 사용하여 기계 학습 알고리즘을 구축합니다. 이 구조는 Expert Systems의 개발과 같은 영역에서 많은 성공을 거두었지만 동적 및 반응성 사고 기계와 관련하여 큰 벽에 부딪혔습니다. 기계 학습 알고리즘이 도약한 것은 엔지니어들이 "신경망"으로 알려진 뇌와 유사한 구조를 개념화하고 구축하기 시작했을 때였습니다.
신경망은 우리가 생각하는 뇌의 작동 방식을 모방하기 위한 것입니다. 코드의 복잡한 논리로 구동되는 선형 프로그램 대신 신경망은 입력을 수락하고 해당 입력을 기반으로 출력을 제공할 수 있는 일련의 노드를 통해 작동하며 일반적으로 특정 작업 및 결과에 연결된 가중치 및 값 시스템을 통해 작동합니다. 그 결과, 간단한 프로그램을 단계별로 실행하는 대신 신경망에 독특하지만 연결된 반응형 "뉴런" 모음을 갖게 되며, 그 결과 출력은 더 복잡하고 긴급한 행동에 기여합니다.
딥 러닝의 개념을 포함하여 머신 러닝의 새로운 지평을 연 것은 신경망 두뇌의 발명이었습니다.
딥 러닝이란 무엇입니까?
머신 러닝과 같은 딥 러닝은 학습 알고리즘에 관한 것입니다. 그러나 딥 러닝은 특히 인간 감독자가 학습을 지시하지 않고도 복잡한 작업을 학습하는 방법을 기계 두뇌에 가르치는 데 신경망을 사용하는 데 중점을 둡니다.
이미지에서 얼굴 인식이라는 이 예를 생각해 보십시오. 우리는 컴퓨터 시스템이 얼굴 인식을 통해 이미지를 찍고 그 사진에서 특정 인물을 식별할 수 있다는 것을 당연하게 여깁니다. Google 및 Facebook과 같은 제공업체에서 항상 볼 수 있는 것입니다.
그러나 이러한 종류의 활동은 다소 복잡하거나 적어도 20년 또는 10년 전이었습니다. 신경 두뇌가 있는 학습 시스템을 사용하더라도 이미지 데이터를 구문 분석하는 데 필요한 작업의 수 때문에 복잡성이 알고리즘을 빠르게 압도할 수 있습니다.
딥 러닝은 이러한 복잡한 작업을 "계층"으로 세분화하여 접근합니다. 예를 들어, 가장자리 추적, 색상 인식, 음영, 이미지, 깊이 인식 등을 마주하는 단일 레이어가 있는 신경 두뇌는 해당 이미지에서 의미 있는 추론을 수행하는 데 어려움을 겪을 수 있습니다.
그러나 딥 러닝 알고리즘은 여러 레이어가 있는 신경 두뇌를 활용합니다. 뇌의 더 깊은 수준은 픽셀 수준에서의 작업과 같이 더 작고 더 작고 추상적인 작업을 처리할 수 있습니다. 이러한 낮은 수준의 신호(색상, 모양, 가장자리 등의 인식과 같은 작업 수행)는 뇌의 층에 침투하여 눈 색깔이나 얼굴 모양을 인식하는 것과 같은 더 크고 구체적인 작업을 알려줍니다.
더 큰 학습 시스템으로 집합적으로 나타나는 더 작고 더 작은 하위 작업으로 작업을 나누는 것은 신경망의 크기와 깊이로만 제한됩니다. 따라서 "딥" 학습이라는 이름이 붙었습니다.
기계 학습의 일부 응용 프로그램은 무엇입니까?
우리는 매일 기계 학습 알고리즘의 결과를 봅니다. 일반적이고 만연한 학습 기계의 현재 시대에는 학습이 영향을 미치지 않는 곳을 찾기가 어렵습니다.
일부 산업은 다음과 같습니다.
데이터 분석
클라우드 플랫폼과 방대한 데이터 컬렉션에 대한 액세스는 이 보물 같은 데이터에서 학습하는 자기 주도형 기계가 정량화 가능한 정보를 생성하는 거의 모든 산업에서 행동 분석에 예측 분석 및 통찰력을 제공할 수 있는 완벽한 환경을 만들었습니다.
고객 서비스
Amazon 및 Microsoft와 같은 회사는 지난 10년 동안 사용자 상호 작용을 기반으로 학습할 수 있는 고급 챗봇에 대한 작업을 확장하고 테라바이트의 데이터를 사용하여 경험 많은 고객 서비스의 세심한 터치로 사용자 쿼리에 의미 있게 응답합니다.
금융 및 금융
방대한 양의 고객 데이터를 기반으로 하는 알고리즘은 금융 세계에서 다방면의 역할을 수행할 수 있습니다. 고객 서비스에서 사기 탐지 및 투자 통찰력에 이르기까지 온라인 뱅킹은 머신 러닝으로 변모했습니다.
제조
기계 학습 알고리즘은 IoT 제조 및 "인더스트리 4.0"으로 알려진 분야와 같은 분야에 막대한 영향을 미치고 있습니다. 여기에는 장비 및 공급망 관리자에게 시스템의 운영, 유지 관리 및 최적화에 대한 통찰력을 제공할 수 있는 학습 알고리즘이 포함됩니다.
딥 러닝의 일부 응용 프로그램은 무엇입니까?
의미심장하게도, 딥 러닝이 학습과 동일한 영향을 미치는 많은 영역에 영향을 미치면서 더 동적인 조건에서 최적화된 작업을 수행하는 능력을 확장하는 것을 보게 될 것입니다. 또한 딥 러닝을 통해 엔지니어는 한때 공상 과학 소설로만 생각되었던 영역에서 학습 기계를 구축할 수 있습니다.
딥 러닝 알고리즘의 더 쉽게 알려진 응용 프로그램은 다음과 같습니다.
자율 주행 자동차
많은 제조업체가 상용화된 최초의 자율 주행 자동차를 만들기 위해 경쟁하고 있습니다. 딥 러닝은 운전 시뮬레이션과 실제 운전 조건을 통해 학습할 수 있는 자가 학습 자동차를 만들어 이러한 자동차를 가능하게 합니다.
고급 비디오 게임 AI
대규모 싱글 플레이어 및 온라인 게임은 다양한 수준의 성공으로 인간 플레이어와 경쟁할 수 있는 AI "봇"을 오랫동안 사용해 왔습니다. AI 연구원과 게임 개발자는 독학 게임 에이전트를 만드는 것뿐만 아니라 AI 연구를 확장하기 위해 딥 러닝 및 강화 학습("심층 강화 학습"이라고 함)을 사용하고 있습니다.
생체 인식
생체 인식은 물리적 속성을 읽고 고유성과 진위성을 판단할 수 있는 예측 가능한 기술을 감안할 때 믿을 수 없을 정도로 안전하고 신뢰할 수 있는 사용자 인증 방식입니다. 딥 러닝을 통해 액세스 제어 프로그램은 인증 형식으로 더 복잡한 생체 인식 마커(안면 인식, 홍채 인식 등)를 사용할 수 있습니다.
의료
의료는 이미 고객 서비스, 지불 처리 또는 분석과 같은 영역을 지원하기 위해 일부 형태의 기계 학습을 구현하고 있습니다. 그러나 딥 러닝을 통해 의료는 조기 암 진단, 게놈 시퀀싱 및 예방 치료와 같은 것을 돕기 위해 기술을 점점 더 많이 사용하기 시작했습니다.
AI 대 딥 러닝 대 머신 러닝의 관계는 무엇입니까?
때때로 AI, 머신 러닝 및 딥 러닝과 같은 용어가 다소 상호 교환적으로 사용되는 것을 볼 수 있습니다. 현실은 인공 지능 분야가 연구 및 엔지니어링의 광범위한 영역을 포괄하는 서로의 부분 집합과 더 비슷합니다. 그다음으로 머신 러닝은 더 큰 분야의 한 영역인 AI 분야의 하위 집합입니다. 마지막으로 딥 러닝은 학습 접근 방식과 기술의 특정 배열을 사용하는 고도로 전문화된 학습 형태입니다.
다른 방식으로 생각하면 세 가지 영역이 다음과 같이 나뉩니다.
인공 지능
인공 지능은 지능형 기계의 가장 큰 도전 과제를 다루는 큰 관심 분야입니다. 여기에는 AI의 윤리 및 실행 가능성, AI에 대한 다양한 기준 및 접근 방식, AI의 다양한 적용(자연어 처리, 게임 플레이, 로봇 공학 등)에 대한 철학적 질문이 포함됩니다.
기계 학습
여기에서 설명했듯이 학습은 기계가 다양한 환경에서 행동하는 법을 배우고 인간의 개입과 무관하게 의미 있는 선택을 하는 방법에 대한 기술과 패러다임에 관한 것입니다.
딥 러닝
계층화된 신경망을 결합한 딥 러닝은 심층 및 신경망을 통해 인간의 뇌에 머신 러닝을 모델링하는 기술입니다.
게다가 머신 러닝과 딥 러닝은 즉각적인 애플리케이션과 하드웨어에 대해 더 많은 질문을 던집니다. 즉, 학습 알고리즘을 구현하는 방법의 물리적 한계입니다. 저장 및 처리에 대한 제한이 지난 수십 년 동안 기계 학습 연구를 방해했지만 고대역폭 처리 센터로서 GPU(그래픽 처리 장치)의 발전으로 인해 고성능 기계 및 딥 러닝 시스템을 위한 필수 기술이 되었습니다.
결론
머신 러닝 연구 및 구현의 성공을 위한 가장 큰 도약 중 하나는 응답성이 뛰어난 대규모 스토리지입니다. 높은 동시성 워크로드를 지원하는 대기 시간이 짧고 처리량이 많은 스토리지는 머신 러닝 알고리즘을 강화하기 위해 방대한 데이터 세트를 활용하는 데 중요했습니다. 딥 러닝 대 머신 러닝에서 대규모 기계 학습 시스템의 성공은 학습 데이터에 액세스 하는 방법에 달려 있습니다.
댓글