[Study] Machine Learning과 Deep Learning의 차이점

안녕하세요. 정글러입니다.

오늘은 머신러닝과 딥러닝의 차이점에 대해 알아보겠습니다.

각 장단점도 함께 살펴볼게요!

 

머신러닝과 딥러닝의 가장 큰 차이점은 데이터 학습에 대한 접근 방식에서 근본적인 차이가 있습니다.

가장 큰 차이점은 학습 데이터의 특성(feature)의 설정하는 방식입니다.

 

1.  Machine Learning

먼저 Machine Learning은 학습할 대상의 특성을 사전에 설정하고, 이를 기반으로 모델이 학습합니다.

예를들어, 연어와 송어를 구별하는 문제에서 물고기의 폭, 색상 등의 여러 가지 특성을 미리 설정할 수 있을 것입니다.

 

이러한 설정은 특성만 제대로 설정했다는 가정하에, 분류(classification) 단계에서 명확하게 구별할 수 있다는 장점을 갖습니다.

또한 Machine Learning은 상대적으로 적은 데이터를 학습하고도 좋은 성능을 발휘할 수 있어서

데이터 확보가 어려운 상황에서 유용합니다.

 

그러나 특성을 설정할 때, decision boundary를 과도하게 잡을 경우 훈련 데이터에 overfitting 될 수 있습니다.

이로인해, 새로운 데이터가 입력되었을 때 정확한 예측이 어려워질 수 있으며,

feature 설정자의 주관에 따라 성능이 좌우될 가능성이 있습니다.

 

2. Deep Learning

반면 Deep Learning에서는 feature를 사전에 설정하지 않습니다.

대신 모델이 데이터를 통해 feature를 학습해서 입력 데이터를 구별합니다.

feature설정과 classification을 한번에 하게 해서 입력된 이미지를 구분하게 하는 것입니다. 입력 이미지가 주어지면, 이미지에서 특정 패턴이나 특징을 추출하기 위해 필터를 사용합니다. 여러 필터를 통해 feature map을 생성하고, 각 맵은 반복적인 풀링(Pooling)을 거칩니다.

풀링은 특정 맵의 크기를 줄이기 위해, 일정 구역 내에서 가장 큰 값을 선택하여 크기를 줄이는 방법입니다. 이러한 필터를 여러번 겹쳐서 점점 더 높은 수준의 특징을 추출하게 됩니다. 이때 Input 데이터를 넣으면 해당 이미지가 어떤 클래스에 속할지 가능성을 나타냅니다. 이 과정에서 특징적인 요소들을 통합하여, 주어진 데이터가 특정 클래스에 속할 확률을 예측합니다.

 

미리 feature를 설정하지 않아도 되고, 복잡한 데이터를 처리하는데 큰 장점을 갖습니다. 그러나 많은 학습 데이터가 필요하고, 계산 처리가 복잡하여 고성능 GPU가 필요합니다. 또한 충분한 학습 데이터가 없을 경우엔, 구분을 제대로 해내지 못할 가능성이 있습니다.

 

감사합니다.