머신 러닝 대 인공 지능 대 딥 러닝의 차이점은

머신 러닝 대 인공 지능 대 딥 러닝의 차이점은 무엇입니까?

혼동하기 쉽지만 AI, 머신 러닝, 딥 러닝은 모두 고유하게 다릅니다.

인공 지능, 머신 러닝 및 딥 러닝 - 이 모든 용어는 같은 의미로 사용됩니다.

혼동하기 쉽지만 각각은 고유하게 다릅니다. 그리고 광범위한 응용 프로그램이 모든 분야(의료에서 제조, 비즈니스에서 은행에 이르기까지)의 기술 측면을 변화시키고 있기 때문에 세상을 변화시키는 기술의 차이점을 이해하는 것이 좋습니다.

우리는 각 개념을 철저하게 정의하여 이러한 각 용어가 의미하는 바를 의심하지 않을 것입니다. 멀리 떠날 때쯤이면 그 정의와 실생활에서의 사용을 잘 이해하게 될 것입니다.

인공 지능 정의

인공 지능 은 컴퓨터와 기계를 사용하여 인간 마음의 문제 해결 및 의사 결정 능력을 모방합니다.

올바르게 구현된 인공 지능은 문제를 예상하고 문제가 발생하는 즉시 처리합니다. 이는 인간과 마찬가지로 세 가지 인지 기술을 수행하는 데 중점을 두어 수행합니다.

학습

추리

자가 수정

이러한 방식으로 인간의 수행 능력을 향상시키고 인간의 능력을 향상시킵니다.

AI의 예는 가정에서 Siri 또는 Alexa와 대화하는 방법, Amazon이 교통사고를 예측하는 모델을 구축하는 데이터 과학자에게 제품 가격을 동적으로 책정하는 방법을 포함하여 우리 주변에 있습니다.

결론은 AI는 우리에게 무한한 잠재력과 기회를 제공한다는 것입니다. 사실 AI의 유일한 한계는 창의성입니다.

네 가지 유형의 AI가 있습니다.

반응 기계 - 반응만 하는 시스템입니다. 그들은 기억을 형성하지 않으며 새로운 결정을 내리는 데 과거 경험을 사용하지 않습니다.

제한된 메모리 - 이 시스템은 과거를 참조하며 일정 기간 동안 정보가 추가됩니다. 참조된 정보는 수명이 짧습니다.

마음 이론 - 이것은 인간의 감정을 이해할 수 있는 시스템과 그것이 의사 결정에 미치는 영향을 다룹니다. 그들은 그에 따라 행동을 조정하도록 훈련됩니다.

자기 인식 - 이 시스템은 자신을 인식하도록 설계 및 제작되었습니다. 그들은 자신의 내면 상태를 이해하고 다른 사람의 감정을 예측하고 적절하게 행동합니다.

따라서 AI가 컴퓨터와 기계를 사용하여 문제 해결을 모방한다면 인간의 행동을 모방하고 예측, 자동화 및 의사 결정을 수행하는 컴퓨터 시스템을 AI의 응용으로 생각할 수 있습니다.

기계 학습 정의

앞서 언급했듯이 기계 학습 은 인공 지능을 달성하는 한 가지 방법입니다. 알고리즘과 통계 모델을 사용하여 문제를 해결하여 데이터에서 지식을 추출하고 자동으로 학습합니다. 그런 다음 이전 경험과 데이터를 사용하여 그에 따라 동작을 변경합니다.

기계 학습은 컴퓨터 학습을 돕기 위해 다양한 기술과 알고리즘을 사용합니다. 일반적으로 다음이 포함됩니다.

의사결정 나무

랜덤 포레스트

서포트 벡터 머신

K는 클러스터링을 의미합니다.

기계 학습은 지능형 시스템을 만드는 유일한 수단은 아니지만 지금까지 가장 성공적이었습니다. 기계 학습을 통해 방대한 양의 데이터(정형 및 비정형)를 분석하여 패턴을 찾고 기업은 정보 출력을 활용하여 데이터 기반 의사 결정을 내릴 수 있습니다.

일반적으로 다음과 같은 사용 사례에서 기계 학습이 활용되는 것을 볼 수 있습니다.

분기별 매출 및 수익 예측

누군가가 대출 상환을 불이행할지 예측

소셜 미디어에서 고객 감정 측정

어떤 유형의 기계 학습이 있습니까?

머신 러닝의 세 가지 유형은 비지도 학습, 지도 학습 및 강화 학습입니다.

머신 러닝에는 세 가지 유형이 있으며 각각 장단점이 있습니다.

지도 학습

지도 학습은 기계 학습의 가장 일반적인 하위 분기입니다. 훈련 세트를 사용하여 원하는 출력을 생성하도록 모델을 교육합니다. 입력 데이터는 모델에 입력되고 해당 모델이 적절하게 훈련될 때까지 가중치를 조정합니다. 목표는 결과를 정확하게 분류하고 예측하는 것입니다.

지도 학습은 두 가지 하위 범주로 나눌 수 있습니다.

분류: 이 유형의 지도 머신 러닝은 데이터를 가져오고 레이블을 예측하려고 하는 모든 것입니다.

회귀: 이 유형의 기계 학습은 새 항목에 대한 숫자 출력을 예측하려고 하는 모든 것입니다.

지도 머신 러닝은 기업이 대규모 문제를 해결하는 데 도움이 됩니다. 우리는 이 지도 학습이 기업이 주택 가격을 예측하고, 고객 이탈을 일으키고, 대출 신청자가 고위험인지 여부를 확인하거나, 이메일이 스팸인지 여부를 분류하려고 할 때 사용되는 것을 봅니다.

비지도 학습

비지도 학습은 데이터에서 숨겨진 패턴을 찾습니다. 레이블이 지정된 응답이 없는 입력 데이터로 구성된 데이터 세트에서 결론을 도출하는 데 사용됩니다. 이는 훈련 데이터에 사전 할당된 범주 레이블이 포함되는 지도 학습과 다릅니다.

비지도 학습에는 여러 유형이 있지만 일반적으로 두 가지 주요 하위 범주가 있습니다.

클러스터링 - 이것은 데이터에서 그룹을 찾는 것과 관련된 비지도 학습 문제입니다.

밀도 추정 - 이 유형의 비지도 학습 문제에는 데이터 분포 요약이 포함됩니다.

지도 학습과 달리 비지도 학습은 대용량 데이터를 실시간으로 처리할 수 있습니다. 사람이 데이터에서 패턴을 찾고 있지만 찾고 있는 것이 무엇인지 잘 모르고 스스로 수행하기 어려운 상황에서 유용합니다.

다음과 같은 사용 사례에서 비지도 학습을 볼 수 있습니다.

마케팅의 고객 세분화

구매 내역별 데이터 세분화

사기와 같은 이상 탐지

강화 학습

강화 학습은 컴퓨터 에이전트에게 너무 많은 지침을 주지 않고 일부 작업을 수행하도록 지시하는 것입니다. 이 알고리즘은 일부 레이블이 지정된 데이터와 활성 피드백에 의존합니다. 대신 컴퓨터가 스스로 선택하도록 허용됩니다. 이러한 선택이 우리가 원하는 결과로 이어지는지 여부에 따라 이러한 선택은 보상 또는 페널티로 가중치가 부여됩니다.

이 과정이 여러 번 반복되어 컴퓨터가 시행착오와 반복적인 반복을 통해 최적의 방법을 학습할 수 있습니다.