머신러닝(ML)과 딥러닝(DL)의 차이

머신러닝과 딥러닝의 차이

  대개 인공지능을 처음 접하는 사람들은 머신러닝과 딥러닝은 서로 다르다고 생각하지만, 딥러닝은 머신러닝의 한 종류이다. 아래 그림처럼 딥러닝은 머신러닝에 속해있고, 머신러닝은 인공지능에 속해있다. 

머신러닝과 딥러닝의 차이

  딥러닝은 머신러닝의 한 종류이지만, 두 학습 방법의 차이를 보자면 다음 그림과 같다.

  우선, 머신러닝은 위 그림처럼 input 데이터를 사람이 직접 데이터의 특징들을 추출하고 머신러닝 모델로 output 데이터를 얻는다. 이에 반면에, 딥러닝은 input 데이터를 가지고 딥러닝 모델이 특징을 추출하고 분류하는 전과정(end-to-end) 과정을 거친다. 즉, 딥러닝은 모델 스스로 데이터를 학습하고, 머신러닝은 수동적으로 데이터를 제공하여 학습해야 한다.

 

머신러닝과 딥러닝의 비교

 데이터 의존도(Data dependencies)

  머신러닝과 딥러닝의 차이는 데이터의 크기(양)에 따라 큰 차이의 성능을 보인다. 딥러닝의 경우, 모델 스스로 모든 과정을 거치지만, 데이터의 양이 적을 경우 언더피팅(Underfitting)이 일어나 불정확한 결과를 얻으므로 딥러닝에서의 데이터 양은 데이터가 적지도, 많지도 않아야 한다. 그에 반면에, 적은 데이터 양으로 학습할 때 수동적으로 작업한 머신러닝은 적은 데이터 양으로 학습한 딥러닝보다 좋은 성능을 나타낸다.

하드웨어 의존도(Hardware dependencies)

  딥러닝을 통해 데이터를 학습할 때, 하드웨어(GPU)는 필수적으로 고사양이어야 한다. 딥러닝은 보통 많은 양의 행렬 곱셈(matrix multiplication)을 수행하여 숫자 연산을 잘하는 GPU를 사용해야지만, 일반적인 GPU는 딥러닝의 연산량을 감당하기 힘들다. 그에 비해, 머신러닝은 저사양에서도 가능하다.(외부 gpu 사용 가능) 

 

Feature engineering

  Feature engineering은 데이터의 특징을 추출하는 과정으로 데이터의 복잡성을 줄이고, 모델을 돌릴 때 학습 알고리즘에서 패턴을 보다 잘 보이게 하는 과정이다. 머신러닝은 이 과정을 사람을 통해 직접 추출해야 하지만, 딥러닝은 모델 스스로 특징을 추출하는 이 장점 때문에 딥러닝을 사용한다. 딥러닝 알고리즘 은닉층(hidden layer)을 통해 이전 layer의feature들을 조합하여 점점 더 의미있는 High-level feature로 줄여나가는 것이다.