인공지능과 머신러닝, 딥러닝

인공지능과 머신러닝과 딥러닝의 관계

인공지능은 가장 넓은 개념이고, 머신러닝은 인공지능의 한 방법론이다. 딥러닝은 머신러닝의 특정한 접근 방식이다.

인공지능 ⊂  머신러닝  ⊂   딥러닝

 

구체적인 차이점:

• 인공지능는 인간의 지능을 모방하는 모든 기술을 포함.
• 머신러닝은 인공지능의 하위 집합으로, 데이터에서 학습하는 알고리즘에 초점.
• 딥러닝은 머신러닝의 하위 집합으로, 신경망 구조를 사용한 데이터 학습.

이렇게만 보면 어려우니 예시를 들어보록 하자

 

인공지능의 예

IBM Deep Blue (체스프로그램)

 

머신러닝의 예

IAM Watson

구글검색 알고리즘

아마존 상품 푸펀

이메일 스팸 필터

 

딥러닝의 예

알파고

음성인식

자율주행 시스템

 

인공지능이란?

인간 지능을 모방하여 문제해결을 위해 사람처럼 학습/이해하는 기계를 만듦

 

약 인공지능

실제 지능의 소유 여부와 상관없이 지능적인 것처럼 행동하는 기계

단지 정의된 특성 목적을 달성하고 문제를 해결하는 능력

 

강 인공지능

지능의 모방이 아닌 실제로 인간처럼 생각하는 기계

스스로 문제 정의 및 해결, 지속적인 학습, 자아, 감정 등의 광범위한 지적 능력을 포함함

Astificial General Intelligence (AGI), Human-Level AI

 

인공지능의 성장 과정

 

머신러닝이란?

기계가 데이터로부터 일반적인 규칙을 찾아 구분하는것

 

기계학습

인간이 갖고 있는 고유의 지능적 기능인 학습 능력을 기계를 통해 구현하기 위한 접근 방법이다

주어진 데이터를 분석하여 그로부터 일반적인 규칙이나 새로운 지식을 기계 스스로가 자동으로 추출하기 위한 접근방법이다

1. 프로그래밍 방식

• 일반적인 프로그래밍:
  • 규칙 기반 프로그래밍.
  • 개발자가 명시적으로 규칙과 로직을 작성.
  • 입력 데이터에 대한 처리 방식이 코드에 직접 포함됨.
  • 입력과 코드로 출력 생성.
    • 예: "만약 온도가 30도 이상이면 '더움'을 출력"
  구성요소:
  • 입력: 데이터를 직접 제공.
  • 규칙: 명시적인 코드.
  • 출력: 규칙을 적용한 결과.
• 머신러닝:
  • 데이터 기반 학습.
  • 알고리즘이 데이터를 통해 규칙과 패턴을 학습.
  • 데이터를 학습하여 모델을 생성하고, 이를 기반으로 새로운 데이터를 예측.
  • 입력과 출력 데이터로 모델 생성.
  구성요소:
  • 입력: 학습 데이터.
  • 출력: 레이블(결과).
  • 규칙: 학습된 모델(알고리즘에 의해 자동 생성).

2. 로직 생성 방식

• 일반적인 프로그래밍:
  • 개발자가 문제를 정의하고 이를 해결하기 위한 일련의 로직을 직접 작성.
  • 문제 해결에 필요한 조건과 절차가 명확히 정의됨.
  • 예: "텍스트 파일의 특정 단어를 검색해 개수를 세는 프로그램"
• 머신러닝:
  • 데이터에서 규칙과 패턴을 자동으로 학습.
  • 문제 해결 로직을 직접 작성하지 않고 데이터를 통해 학습한 모델을 활용.
  • 예: "스팸 메일 분류기"는 메일 데이터를 통해 학습한 모델을 사용하여 스팸 여부를 예측.

머신러닝 왜 필요한가?

데이터의 다양한 변형을 다루기 위해서

 

1. 복잡한 문제 해결

• 많은 현실 세계의 문제는 명시적으로 규칙을 정의하기 어렵습니다.
  • 예: 사람의 얼굴을 인식하거나 자연어를 이해하는 문제는 명확한 조건으로 정의하기 어렵습니다.
• 머신러닝은 대량의 데이터를 학습하여 사람이 일일이 규칙을 정의할 수 없는 문제를 해결합니다.

딥러닝이란?

심층학습

심층 신경망 기반의 머신러닝 분야, 사람의 뇌에서 영감을 받은 인공신경망(Aritificial Neural Networks)을 사용하여 데이터를 학습하고 복잡한 문제를 해결하는 기술입니다. 특히, 딥러닝은 대량의 데이터와 고성능 컴퓨팅 자원을 활용하여 뛰어난 성능을 발휘하며,이미지 음성, 자연어처리 등에서 주로 사용된다

 

주요 특징

1. 심층 신경망 구조
   • 다수의 은닉층(hidden layer)으로 이루어진 신경망 구조를 사용하여 데이터의 고차원 특성을 학습합니다.
   • 계층이 깊어질수록 더 복잡한 데이터 표현과 패턴 인식이 가능해집니다.
2. 자율적인 특징 학습
   • 전통적인 머신러닝은 데이터를 사용자가 직접 가공하여 특징(feature)을 추출해야 하지만, 딥러닝은 데이터로부터 중요한 특징을 자동으로 학습합니다.
3. 대규모 데이터와 고성능 컴퓨팅 활용
   • 딥러닝 모델은 많은 양의 데이터를 필요로 하며, GPU와 같은 고성능 하드웨어를 통해 학습 속도를 크게 향상시킵니다.

딥러닝의 주요 구성 요소

1. 입력층(Input Layer)
   • 모델에 입력되는 데이터입니다. 예: 이미지, 텍스트, 음성 등.
2. 은닉층(Hidden Layer)
   • 입력 데이터의 패턴과 특성을 학습합니다. 각 층에서 비선형 변환을 통해 데이터 표현을 점진적으로 고도화합니다.
3. 출력층(Output Layer)
   • 예측 결과를 생성합니다. 예: 분류, 회귀, 생성 모델 등.
4. 활성화 함수(Activation Function)
   • 각 뉴런에서 비선형성을 부여하여 학습이 가능하도록 합니다. 예: ReLU, Sigmoid, Tanh.
5. 손실 함수(Loss Function)
   • 모델이 예측한 결과와 실제 값 사이의 차이를 계산하여 학습 방향을 설정합니다.
6. 최적화 알고리즘(Optimizer)
   • 손실 함수를 최소화하기 위해 모델의 가중치를 조정합니다. 예: SGD, Adam.

딥러닝의 활용 분야

1. 이미지 처리
   • 객체 인식, 이미지 생성, 얼굴 인식 등.
2. 자연어 처리(NLP)
   • 번역, 텍스트 생성, 챗봇 등.
3. 음성 인식
   • 음성-텍스트 변환, 가상 비서 등.
4. 추천 시스템
   • 사용자 취향에 맞는 상품, 콘텐츠 추천.
5. 의료
   • 질병 진단, 유전자 분석, 약물 개발.