< AI > 인공지능, 머신러닝, 딥러닝의 구분과 딥러닝 모델 종류

인공지능 (Artificial Intelligence)

 

인간의 지능을 모방하는 기술.

기계가 인간처럼 학습, 사고, 문제 해결, 결정을 내리는 시스템입니다.

 

머신러닝 (Machine Learning)

머신러닝은 인공지능의 하위 분야입니다.

머신러닝은 기계에게 데이터를 학습하도록 하여 스스로 성능을 개선하도록 합니다.

즉 머신러닝에는 데이터와 알고리즘이 필요합니다.

알고리즘을 따라 주어진 데이터를 학습하고, 새로운 데이터에 대해 결과를 예측할 수 있습니다. 

알고리즘에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이지안(Bayesian) 네트워크와 같은 것들이 포함됩니다.

 

머신러닝에는 지도 학습(Supervised Learning) / 비지도 학습(Unsupervised Learning) / 강화 학습(Reinforcement Learning)이 있습니다.

• 지도 학습(Supervised Learning): 정답이 포함된 데이터를 기반으로 학습하는 방식입니다.
  예를 들어, 주어진 이미지에 ‘고양이’ 또는 ‘개’라는 레이블이 붙어 있으면, 알고리즘이 그 패턴을 학습하여 새 이미지의 동물 종류를 예측할 수 있습니다.
• 비지도 학습(Unsupervised Learning): 정답 없이 데이터만을 이용해 숨겨진 패턴이나 구조를 학습하는 방식입니다.
  예를 들어, 클러스터링 알고리즘을 사용해 기계가 라벨링 없이 데이터만 보고 유사한 데이터를 그룹화하는 것이 비지도 학습의 예입니다.
• 강화 학습(Reinforcement Learning): 보상을 통해 학습하는 방식으로, 에이전트가 환경과 상호작용하면서 최선의 행동을 학습하는 방법입니다. 

 

딥러닝 (Deep Learning)

딥러닝은 머신러닝의 하위 분야입니다.

딥러닝은 기계가 인간의 두뇌를 모방한 인공 신경망 (Artificial Neural Networks)이라는 특정 알고리즘을 이용하여 학습합니다.

이는 특히 이미지 인식, 음성 인식, 자연어 처리(NLP, Natural Language Processing)에서 좋은 성능을 발휘합니다.

 

머신러닝은 데이터에서 어떤 의미 있는 특징을 추출할 지 직접 관리하는 것에 반해, 딥러닝은 데이터에서 자동으로 특징을 추출합니다. 따라서 이미지, 음성, 텍스트와 같은 비정형 데이터에서 뛰어난 성능을 발휘할 수 있습니다.

 

딥러닝의 종류

ANN (Aritificial Neural Network) - 인공 신경망

가장 기본적인 신경망 구조입니다.

입력 계층 / 은닉 계층 / 출력 계층으로 구성되어 있고, 각 노드는 가중치를 통해 서로 연결되어 있습니다.

CNN (Convolutional Neural Network) - 컨볼루션 신경망

이미지 처리에 특화된 신경망입니다.

컨볼루션 층을 통해 이미지의 공간적 패턴을 학습하고 이미지의 특징을 추출할 수 있습니다.

RNN (Recurrent Neural Network) - 순환 신경망

시간적 순서가 중요한 시퀀스 데이터에 적합한 신경망으로 텍스트 데이터를 효과적으로 다룰 수 있습니다. 따라서 NLP 분야에 사용됩니다.

LSTM (Long Short-Term Memory) - 장단기 메모리 네트워크

RNN을 변형한 모델로, 기울기 소실 문제를 해결하기 위해 설계되었습니다. 장기적 의존성을 효과적으로 학습하여 긴 시퀀스에서 좋은 성능을 보입니다. 메모리 셀을 통해 과거의 정보를 유지하고, 필요 시 정보를 업데이트 및 삭제하며 동작합니다.

RL (Reinforcement Learning) - 강화 학습 

강화 학습은 에이전트가 환경과 상호작용하며 보상을 통해 학습하는 방식입니다. 딥러닝에서는 신경망을 사용하여 에이전트가 최적의 행동을 선택할 수 있도록 학습합니다. 보상을 최대화하는 방향으로 학습하며, 주로 게임 AI나 자율 주행차 등에 사용됩니다.

GAN (Generative Adversarial Network) - 생성적 적대 신경망

생성모델로 두 개의 생성자, 판별자 신경망이 서로 경쟁하며 학습하는 구조입니다.

생성자가 데이터를 생성하면 판별자가 데이터를 실제인지 가짜인지 구분하며 점점 더 실제와 가까운 데이터를 생성하게 됩니다..

 

이외에도 seq2seq, Transformer 등의 다양한 모델이 있습니다.

 

< 참고 > 

https://blogs.nvidia.co.kr/blog/difference_ai_learning_machinelearning/

인공 지능과 머신 러닝, 딥 러닝의 차이점을 알아보자 - NVIDIA Blog Korea

https://aws.amazon.com/ko/compare/the-difference-between-machine-learning-and-deep-learning/

딥 러닝과 기계 학습 비교 - 데이터 기술 간의 차이점 - AWS