딥러닝과 머신러닝의 차이점 구별하기

이번 글에서는,
저도 혼동했던 개념인 딥러닝(Deep Learning)과 머신러닝(Machine Learning)의 차이점을 구별해보겠습니다.
모든 사람들이 이해할 수 있도록 최대한 쉽게 설명드리겠습니다!

목차 :

• 딥러닝과 머신러닝의 개념적 차이점
• 딥러닝과 머신러닝의 성능적 차이점

---

인공지능분야의 일부인 머신러닝과 딥러닝

 

(위의 자료 참고) 딥러닝(Deep learning)은 머신러닝(Machine Learning)의 세부 분야입니다.

인공지능을 구현하기 위한 여러 방법들 중에서
컴퓨터가 스스로 학습하는 방법을 "머신러닝(Machine Learning)" 이라고 부르는데 ,

그러한 머신러닝(Machine Learing)을 구현하기 위해서는 여러 확률적인 방법( 알고리즘)이 사용됩니다.

그중에서 "신경망 (Neural Network)" 알고리즘을 사용하는 방법을 "딥러닝(Deep learning)"이라고 부르는 것이죠.

----> ( 신경망을 여러개 겹겹히 쌓으면 심층 신경망입니다.)

-------> 즉 , 모든 딥러닝(Deep Learning)은 머신러닝(Machine Learning)에 속하는 것 입니다.

 

머신러닝과 딥러닝 구별하기

반응형

---

2. 딥러닝과 머신러닝의 성능적 차이점

(뒷 내용에서의 머신러닝은 신경망 알고리즘이 아닌 다른 전통적 알고리즘을 사용한 모델을 뜻합니다.)

데이터의 양과 신경망의 복잡성에 따른 성능차이

빨간색 선은 전통적인 머신러닝 모델을 나타내며 ,

노란색 ~ 초록색 선으로 갈수록 신경망이 복잡한 모델을 의미합니다.

데이터의 양이 많으면 많을수록, 신경망이 복잡할수록 딥러닝 모델의 성능은 머신러닝을 압도합니다.

-------> 신경망이 복잡하려면 컴퓨터 성능이 좋아야 하며 ,

전통적인 머신러닝 기준이기에, 절대적으로 딥러닝이 우수한 건 아닙니다

---

시간에 따른 CPU 성능의 발전

시간에 따른 데이터 양의 증가량

정보화 시대에 돌입하면서 늘어난 기하급수적으로 늘어나는 데이터의 양과 컴퓨터의 성능 발전으로,

신경망을 이용하는 딥러닝 모델의 성능은 머신러닝 모델의 성능을 압도하게 된 것이죠.

( 데이터가 충분치 않고 컴퓨팅 성능이 낮은 환경이라면 아직도 머신러닝 모델이 더 우수합니다.).

---

내용 요약정리 :

- 딥러닝(Deep Learning)은 머신러닝(Machine Learning)의 세부 분야이다.

- 데이터의 양이 많고, 컴퓨팅 성능이 좋다면 딥러닝의 성능이 머신러닝보다 훨씬 뛰어나다.