딥 러닝 대 머신 러닝 데이터 과학 지망생이 알아야 할 것

딥 러닝 대 머신 러닝 데이터 과학 지망생이 알아야 할 것

딥 러닝과 머신 러닝은 1990년대까지만 해도 21세기 휴대전화에 공통적으로 적용되는 기능을 이해한 사람은 거의 없었습니다. 그들은 말하기나 문자 메시지와 아무 관련이 없는 매우 많은 일반 및 특정 작업을 수행합니다. 최첨단 기술과 인간 두뇌의 틀에 박힌 생각이 결합된 덕분에 스마트폰은 전 세계 수십억 명의 현대적 편의를 재정의했습니다.

그들의 천재성의 대부분은 기계 학습에서 파생됩니다. 머신 러닝의 기원은 개인용 컴퓨터보다 이전에 있었지만 호출기, 워크맨 및 VCR 시대에 이 용어를 언급하면 ​​혼란스러운 모습을 보였을 것입니다. 그러나 기계 학습이 많은 가정용품, 가전제품 및 가제트에 활용되는 정도를 감안할 때, 요즘 들어 올려진 눈썹 은 그것에 대해 모르 거나 적어도 한때 모호했던 구절.

디지털 기술과 방대한 양의 데이터가 확장됨에 따라 전문 용어도 확장되었습니다. 머신 러닝과 딥 러닝은 동의어인 것처럼 말하지만 그렇지 않습니다. 머신 러닝과 딥 러닝의 차이점은 정확히 무엇입니까? 딥 러닝이 머신 러닝을 대체할 것인가? 인공 지능은 어디에서 작동합니까?

 

University of California, Riverside의 온라인 공학 석사(MSE)를 통해 데이터 과학 및 기계 학습의 놀라운 발전을 발견하고 이에 대한 지식을 성공적인 경력에 활용할 수 있습니다.

딥 러닝과 머신 러닝의 차이점은 무엇입니까?

머신 러닝과 딥 러닝의 차이점을 이해하려면 먼저 인공 지능을 정의해야 합니다. 이러한 각 방법은 인공 지능의 하위 집합이기 때문입니다. 제목에서 알 수 있듯이 인공 지능은 일반적으로 인간의 개입이 필요한 유형의 활동과 작업을 컴퓨터가 수행하는 기술입니다. 대신 기계 또는 컴퓨터 수단으로 수행됩니다. 이러한 활동에는 음성 인식, 시각적 인식, 언어 번역 또는 암기가 포함될 수 있습니다. 일부 AI 소비자 제품은 Amazon 또는 Google에서 만든 가상 비서 장치와 같은 이러한 모든 기능을 활용할 수 있습니다.

간단히 말해서 인공 지능은 인간의 지능이나 행동을 복제하는 기계의 능력입니다.

머신 러닝

머신 러닝은 데이터를 직접 다루는 인공 지능의 한 분야입니다. 머신 러닝을 정의하는 방식에는 약간의 차이가 있지만 일반적으로 프로그래밍 없이 데이터 패턴에서 특정 결론을 내리는 일련의 복잡한 프로세스를 의미합니다. 즉, 스스로 행동할 수 있습니다. 인공 지능은 지각 있는 존재(즉, 인간)의 입력이 필요하지만 기계 학습은 일반적으로 독립적이고 자기 주도적입니다.

머신 러닝의 전형적인 예는 매주 식료품점에 갈 때 스마트폰에서 받을 수 있는 푸시 알림입니다. 일반적으로 매주 같은 시간과 요일을 여행하는 경우 여행 조건에 따라 목적지까지 걸리는 시간을 알려주는 메시지를 장치로 받을 수 있습니다.

다른 하나는 스트리밍 엔터테인먼트 서비스 중 하나에서 프로그램을 시청한 후 얻을 수 있는 TV 또는 영화 추천입니다. 과거에 본 것을 기반으로 Netflix, Hulu 또는 Disney+에서 귀하의 관심사에 맞는 새로운 프로그램을 제안합니다. 그리고 이러한 권장 사항은 모두 시스템이 독립적으로 평가하는 데이터 패턴을 기반으로 합니다.

Facebook, Twitter, Instagram과 같은 소셜 미디어 웹사이트와 Google, Bing, Duck Duck Go와 같은 검색 엔진은 모두 기계 학습 알고리즘을 어떤 방식으로든 사용하여 서비스를 개선하고 최종 사용자를 위해 더욱 개인화합니다.

딥러닝

머신 러닝이 인공 지능의 하위 집합인 반면 딥 러닝은 머신 러닝의 하위 집합이지만 성능 측면에서 더 정확합니다. 예를 들어 Netflix가 액션/어드벤처 영화, 다큐멘터리 또는 전기 영화에 대한 추천을 하고 제안이 적절한 것으로 판명되면 대용량 데이터로 구성된 다층 알고리즘인 심층 신경망을 활용하여 추천합니다. 분석 및 평가되는 이러한 방대한 양의 데이터는 텔레비전 권장 사항과 같은 기계 학습 프로세스를 훨씬 더 정확하게 만듭니다. 본질적으로 딥 러닝은 머신 러닝이 더 우수하고, 더 표적화되고, 더 발전된 것입니다. 머신러닝 2.0이라고 생각하시면 됩니다.

딥 러닝의 다른 예는 무엇입니까?

딥 러닝은 인공 지능에 비해 아직 초기 단계이지만 머신 러닝 모델이 발전하는 속도는 더 광범위하게 활용할 수 있게 되었습니다. 번역 서비스가 전형적인 예입니다. 둘 이상의 언어에 능통한 사람이라면 누구나 알겠지만, 텔레비전이나 영화의 자막은 프랑스어, 스페인어 또는 독일어를 영어로 또는 그 반대로 번역할 때 항상 정확하지 않을 수 있습니다. 그러나 Forbes 가 지적한 바와 같이 딥 러닝은 번역 서비스가 정확한 위치를 찾아내도록 하여 축어적 진술을 다른 언어의 동등한 것으로 번역합니다. 기계 학습 모델만으로는 사용할 수 없었던 신경망 번들을 활용하여 이를 수행합니다.

딥 러닝이 실제로 사용되는 또 다른 방법은 뉴스 수집입니다. The Wall Street Journal, The New York Times 또는 The Washington Post 와 같은 잘 알려진 간행물의 일일 헤드라인을 집계하는 모바일 앱, 웹사이트 또는 조직에서 이메일을 받을 수 있습니다. 어떤 서비스를 사용하고 어떤 종류의 현재 이벤트 업데이트를 받고 싶은지에 따라 뉴스 수집자는 감정 분석이라는 것에 의존하여 독자가 특정 유형의 뉴스 헤드라인에 반응하는 방식을 측정합니다. 특정 기사에 대한 관련 관심은 링크를 클릭하거나 결과 페이지에서 보낸 시간으로 안내될 수 있습니다. 이 기술은 뉴스 애그리게이터가 의도한 청중의 관심을 끄는 기사를 편집할 때 보다 정확할 수 있게 해 줍니다.

Apple, Amazon, Google, Facebook 및 Twitter는 모두 판매하는 제품이나 제공하는 서비스에서 딥 러닝을 활용합니다.

딥 러닝이 결국 머신 러닝을 대체하게 될까요?

딥 러닝은 본질적으로 머신 러닝보다 정확하기 때문에(아마도 고객 만족도, 번역, 언어 인식 및 기타 서비스에 더 좋을 것입니다) 일부에서는 이것이 결국 머신 러닝을 쓸모없게 만들지 여부에 대해 의문을 제기합니다. 그러나 일부 기술 전문가들은 특정 작업이나 활동에 항상 고급 사용자 지정이 필요한 것은 아니기 때문에 그렇지 않다고 생각합니다. 예를 들어 웹사이트 Towards Data Science의 기술 기고자인 Sambit Mahapatra가 언급했듯이 데이터 세트가 큰 경우 딥 러닝이 머신 러닝보다 더 나을 수 있습니다. 여기에는 음성, 음성 또는 이미지 인식 또는 자연어 처리와 같은 서비스가 포함될 수 있습니다.

그러나 로지스틱 회귀 또는 의사 결정 트리와 같이 데이터 세트가 더 작은 경우 머신 러닝으로 충분할 수 있습니다. 동일한 결과에 도달할 수 있지만 덜 복잡한 방식이기 때문입니다.

딥 러닝 대 머신 러닝: 어떤 특수 하드웨어와 컴퓨터 성능이 필요합니까?

기계 학습이 지속되는 또 다른 이유는 인프라 때문입니다. Mahapatra가 지적했듯이 딥 러닝 기술에는 고급 인프라가 필요합니다. 여기에는 그래픽 처리 장치(GPU), 텐서 처리 장치(TPU) 및 FPGA(Field Programmable Gate Array)와 같은 하드웨어 가속기가 포함됩니다. 이러한 인프라 비용 외에도 계산을 수행하는 데 시간이 더 오래 걸립니다.

InfoWorld가 지적했듯이 고전적인 기계 학습 알고리즘이 그 자리를 차지하고 있으며 인공 지능의 보다 효율적인 형태일 수 있습니다. 그것은 모두 필요한 문제 또는 서비스와 관련된 데이터의 양에 따라 다릅니다.

기계 학습을 다른 회사보다 더 많이 사용하는 회사가 있습니까?

현재 정기적으로 기계 학습을 사용하는 일부 조직은 AI 기반 기술보다 앞서 있지만 점점 더 많은 회사가 AI 기반 기술 없이는 현재 형태로 존재하지 않을 것입니다. 대표적인 예가 우버다. 웹사이트에 따르면 전 세계 63개국 700개 이상의 도시에서 수천만 명의 활성 사용자가 있는 Uber는 가장 큰 글로벌 승차 공유 제공업체 중 하나입니다..

Uber는 Michelangelo라는 플랫폼을 통해 이를 수행할 수 있습니다. Michelangelo는 "머신 러닝을 민주화"하고 내부 팀이 데이터를 관리하고 예측을 수행 및 모니터링하며 대규모로 시계열 예측을 제공하는 데 도움이 되는 내부 SaaS(Software-as-a-Service) 프로그램입니다.

Uber의 수석 제품 관리자인 Logan Jeya는 Michelangelo가 회사가 신입 직원 교육에서 비즈니스 지표 추적에 이르기까지 다양한 요구 사항에 사용하는 다목적 솔루션이라고 말했습니다. 그리고 이 모든 것이 머신 러닝으로 가능합니다.

Jeya는 "머신 러닝은 일하기 가장 좋은 분야 중 하나입니다."라고 설명했습니다. "Uber를 궁극적으로 우리가 하는 규모로 운영할 수 있도록 하는 것은 이러한 소규모 의사결정 시스템을 효과적으로 생성하기 위해 데이터를 사용하는 방법에 대한 주기적인 프로세스입니다."

Uber가 범위를 확장함에 따라 기반을 확장하고 오늘날과 같은 승차 공유의 리더가 되기 위해 머신 러닝에 더 많이 의존하고 있습니다. 더 쉽게 접근할 수 있고 정확하도록 지도를 최적화하는 것부터 운전자가 원하는 목적지에 얼마나 빨리 도착할 수 있는지 범위를 좁히도록 돕는 것까지 Uber는 다양한 방식으로 머신 러닝을 활용하여 라이더와 라이더 모두에게 더 즐거운 사용자 경험을 제공합니다. 

우버의 배달 부문인 우버이츠(UberEats)도 머신 러닝을 활용해 모바일 앱을 다운로드한 사람들이 그 지역에서 가볼 만한 레스토랑에 대한 추천을 받고 특정 취향이나 요리 선택에 맞는 메뉴를 제공할 수 있습니다.

Instacart, Postmates, Slice, Grubhub 및 ChowNow와 같은 다른 배달 앱도 머신 러닝을 사용하여 고객 경험을 개선하고 레스토랑, 식료품점 또는 승차 공유 공간에서 다른 기업과 경쟁하거나 파트너 관계를 맺습니다.

머신 러닝과 딥 러닝의 결실이 점점 더 분명해지고 사용이 증가하고 있지만, 여전히 실습 프로세스 관점에서 이 모든 것이 어떻게 작동하는지 궁금할 수 있습니다. UC Riverside의 공학 석사 온라인 석사 과정을 통해 이에 대한 답을 찾을 수 있을 것입니다.