딥 러닝 머신 러닝의 이해

인공 지능(AI)의 지속적인 발전은 딥 러닝 머신 러닝이 무엇인지에 대한 포괄적인 질문을 제기합니다.

딥 러닝은 머신 러닝의 특수 유형입니다. 더 구체적으로 말하면 머신 러닝의 진화입니다. 그것들은 중복되는 개념과 인공 지능의 하위 집합입니다. 그러나 실수하지 마십시오. 차이점이 있으며 둘 사이의 차이점을 이해하는 것이 중요합니다.

머신 러닝은 미리 결정된 명령 집합을 받는 대신 컴퓨터가 데이터에 대해 직접 학습하는 데이터 분석 기술입니다. 반대로 딥 러닝은 기계 학습의 고급 하위 집합입니다. 본질적으로 기계가 인간의 두뇌와 유사하게 기능하도록 하는 3개 이상의 레이어가 있는 신경망입니다.

그들은 함께 인공 지능의 생성과 혁신에 필수적인 역할을 합니다. 이제 간략한 개요를 얻었으므로 세부 사항을 조금 더 자세히 살펴보겠습니다.

머신 러닝이란 무엇입니까?

기계 학습은 1950년대로 거슬러 올라가는 컴퓨터 과학의 한 분야이자 인공 지능의 하위 집합입니다. 통계 전략과 알고리즘을 사용하여 기계가 작업을 수행하도록 명시적으로 프로그래밍되지 않은 상태에서 작업을 수행하도록 합니다. 머신 러닝은 컴퓨터가 정보에 입각한 결정을 내리도록 설정하는 것입니다.

프로세스는 지시 또는 직접적인 경험과 같은 과거 데이터로 시작됩니다. 그런 다음 해당 데이터를 관찰하고 흡수하여 기계가 미래에 더 나은 결정을 내릴 수 있도록 하는 패턴을 찾습니다. 시간이 지남에 따라 이러한 기계는 예측 품질이 점진적으로 떨어지지 않도록 시간이 지남에 따라 유지되어야 합니다. 주요 목표는 컴퓨터가 사람의 도움 없이 데이터에서 학습할 수 있도록 하는 것입니다.

이러한 맥락에서 데이터는 단어, 이미지, 클릭, 숫자, 기호 등과 같은 방대한 양의 항목을 포함합니다. 디지털로 비축될 수 있는 항목은 기계 학습 알고리즘의 대상이 될 수 있습니다. 본인도 모르는 사이에 기계 학습으로 구동되는 시스템과 상호 작용했을 것입니다.

예를 들어, 매일 여러 번 Google과 상호 작용할 가능성이 큽니다. Google은 기계 학습을 기반으로 합니다! 스트리밍 서비스(Hello, Netflix! Hello, Spotify!), 소셜 미디어 피드(#Twitter) 및 가장 좋아하는 가정용 음성 비서 Alexa와 같은 추천 시스템도 마찬가지입니다.

이러한 플랫폼을 사용하는 동안 경험을 향상시키기 위해 데이터를 수집하고 있습니다. 가장 자주 수집되는 일부 "쉬운" 데이터 세트는 클릭한 링크, 시청한 프로그램 및 Siri와의 대화에서 일반적인 키워드입니다. 이 새로운 데이터를 통해 머신 러닝을 통해 경험을 개인 트렌드에 맞게 조정할 수 있습니다. 귀하의 "추천" 섹션이 또 어떻게 만들어졌다고 생각하십니까?

머신 러닝에는 세 가지 유형이 있습니다.

지도 학습

지도 학습은 일련의 기능(예: "빨간색", "둥근", "줄기가 있음")과 레이블("사과") 간의 관계를 학습하도록 훈련된 알고리즘을 사용하여 미래 관찰에 라벨을 붙이십시오. 지도 학습은 기본 받은 편지함에서 스팸 이메일을 분리하는 것과 같은 일반적인 문제에 대한 솔루션을 제공합니다.

비지도 학습

비지도 학습은 수동 관찰에 비해 알고리즘을 활용하여 방대한 양의 데이터에서 숨겨진 패턴과 구조를 더 빠르게 발견합니다. 비지도 학습은 고객 세분화 및 추천 시스템에서 사용됩니다.

강화 학습

강화학습은 기계가 시행착오를 거쳐 작동하고 긍정적인 행동에 대해서는 보상을, 부정적인 행동에 대해서는 처벌을 가하는 성과 기반 방법입니다. 강화 학습이 실행되는 좋은 예는 교육 시스템이 학생의 필요에 따라 개인화된 지침과 자료를 제공하도록 만들어지는 경우입니다. 더 복잡한 결정과 알고리즘이 압도될 때를 위한 심층 강화 학습 도 있습니다.

딥 러닝이란 무엇입니까?

딥 러닝은 기본적으로 3개 이상의 레이어로 구성된 신경망인 기계 학습의 고급 하위 집합입니다. 이러한 신경망은 엄청난 양의 비정형 데이터에서 계층적 패턴을 인식하여 인간의 두뇌를 복제하려고 시도합니다.

단일 레이어가 있는 신경망은 데이터를 기반으로 예측을 수행할 수 있지만 데이터 예측을 최적화하고 정밀도를 위해 필터링할 수 있도록 하는 것은 추가 레이어입니다. 예를 들어, 여러 종류의 과일 이미지가 있고 목표가 바나나, 사과, 오렌지, 포도 등으로 분류하는 것이라면 딥 러닝은 각 과일의 구별 가능한 특성을 결정합니다.

딥 러닝 머신 러닝에서 데이터가 정제됨에 따라 딥 러닝 알고리즘은 기능을 인식하고 그에 따라 필터링하므로 컴파일된 데이터를 저장하고 더 정확하게 미래를 예측할 수 있습니다.

다층 시스템을 감각으로 생각하십시오: 보고, 느끼고, 만지고, 냄새 맡고, 듣는 방법. 레이어는 각각을 대표합니다. 우리의 뇌는 센서가 단일 관찰에 대한 독립 변수로 반응하도록 촉발합니다. 인간의 분석 프로세스와 병행하여 신경망 계층은 연구 대상(예: 과일)의 다른 측면에 초점을 맞추는 것으로 생각할 수 있습니다.

모든 자율주행 차량의 이면에는 웹사이트 서비스 챗봇, 번역 자동화 서비스, 안면 인식, 춤추는 로봇 개 등 이 딥 러닝 동작을 하고 있습니다. 전화, TV, 핸즈프리 스피커 및 게임 시스템과 같은 장치에서 음성 제어의 핵심입니다. 현대 사회에서 인공 지능에 대한 의존도가 점차 높아짐에 따라 딥 러닝을 통해 사회는 그 어느 때보다 인상적인 결과를 얻을 수 있습니다.