머신러닝과 딥러닝의 차이점

머신 러닝과 딥 러닝의 주요 차이점

머신러닝과 딥러닝의 주요 차이점은 다음과 같습니다.

• 머신러닝은 중소형 데이터세트에서 뛰어난 성능을 제공하는 반면, 딥러닝은 대규모 데이터세트에서 뛰어난 성능을 제공합니다.
• ML은 저사양 머신에서 작동하는 반면, DL은 GPU를 갖춘 강력한 머신이 필요합니다.
• 머신러닝의 실행 시간은 몇 분에서 몇 시간까지 걸리지만, 딥러닝의 경우 최대 몇 주가 걸립니다.
• 머신러닝을 사용하면 딥러닝보다 알고리즘을 훈련하는 데 더 적은 데이터가 필요합니다. 딥 러닝에는 기본 구조를 식별하기 위해 광범위하고 다양한 데이터 세트가 필요합니다.

AI 란?

AI(인공지능) 기계가 프로그래밍되어 인간이나 동물처럼 행동을 생각하고 모방할 수 있는 인지 능력을 부여받는 컴퓨터 과학의 한 분야입니다. AI의 벤치마크는 추론, 언어, 학습, 비전, 문제 해결에 관한 인간 지능이지만, 이는 먼 미래의 일이다.

AI에는 세 가지 레벨이 있습니다.

1) 좁은 AI: 인공지능은 기계가 인간보다 특정 작업을 더 잘 수행할 수 있을 때 범위가 좁다고 합니다. AI에 대한 최신 연구가 지금 여기에 있습니다.
2) 일반 AI: 인공지능은 인간과 동일한 정확도 수준으로 모든 지적 작업을 수행할 수 있을 때 일반 상태에 도달합니다.
3) 능동형 AI: AI는 많은 작업에서 인간을 이길 수 있을 때 활동합니다.

초기 AI 시스템은 패턴 매칭을 사용했으며 전문가 시스템.

머신 러닝(ML)이란 무엇입니까?

ML(머신 러닝) 는 컴퓨터가 인간에게는 철저하거나 불가능한 작업을 자동화하도록 훈련된 AI의 한 유형입니다. 컴퓨터 알고리즘을 연구하여 데이터의 패턴을 분석, 이해 및 식별하는 데 가장 적합한 도구입니다. 머신 러닝은 최소한의 인간 개입으로 결정을 내릴 수 있습니다.

비교 인공지능 기계 학습과 비교하여 기계 학습은 데이터를 사용하여 입력과 출력 간의 관계를 이해할 수 있는 알고리즘을 제공합니다. 기계가 학습을 마치면 새로운 데이터 포인트의 값이나 클래스를 예측할 수 있습니다.

딥 러닝(DL)이란 무엇입니까?

딥 러닝은 뇌의 뉴런 네트워크를 모방하는 컴퓨터 소프트웨어입니다. 머신 러닝의 하위 집합이며 딥 신경망을 사용하기 때문에 딥 러닝이라고 합니다. 머신은 다양한 레이어를 사용하여 데이터에서 학습합니다. 모델의 깊이는 모델의 레이어 수로 표현됩니다. 딥 러닝은 AI 측면에서 새로운 최첨단 기술입니다. 딥 러닝에서 학습 단계는 신경망을 통해 수행됩니다. 신경망은 레이어가 서로 위에 쌓이는 아키텍처입니다.

머신러닝과 딥러닝의 차이점

다음은 딥 러닝과 머신 러닝의 주요 차이점입니다.

매개 변수	머신 러닝	딥러닝
데이터 종속성	소규모/중간 데이터세트에서 뛰어난 성능	대규모 데이터 세트에서 뛰어난 성능
하드웨어 종속성	저사양 컴퓨터에서 작업하세요.	GPU를 갖춘 강력한 시스템이 필요합니다. DL은 상당한 양의 행렬 곱셈을 수행합니다.
기능 엔지니어링	데이터를 나타내는 특징을 이해해야 합니다.	데이터를 대표하는 가장 좋은 특징을 이해할 필요가 없습니다.
실행 시간	몇 분에서 몇 시간까지	최대 몇 주. 신경망은 상당한 수의 가중치를 계산해야 합니다.
통역 성	일부 알고리즘은 해석하기 쉽고(로지스틱, 의사결정 트리) 일부는 거의 불가능합니다(SVM, XGBoost)	어렵거나 불가능함

ML 또는 DL을 언제 사용합니까?

아래 표에서는 차이점을 요약했습니다. 기계 학습 그리고 깊은 학습 예제와 함께.

매개 변수	머신 러닝	딥러닝
훈련 데이터세트	작은	큰
기능 선택	가능	아니
알고리즘의 수	많은	거의
훈련 시간	짧은	긴

머신 러닝을 사용하면 딥 러닝보다 알고리즘을 훈련하는 데 필요한 데이터가 적습니다. 딥 러닝은 기본 구조를 식별하기 위해 광범위하고 다양한 데이터 집합이 필요합니다. 게다가 머신 러닝은 더 빠르게 훈련된 모델을 제공합니다. 대부분의 고급 딥 러닝 아키텍처는 훈련하는 데 며칠에서 일주일이 걸릴 수 있습니다. 머신 러닝에 비해 딥 러닝의 장점은 매우 정확하다는 것입니다. 어떤 특징이 데이터를 가장 잘 표현하는지 이해할 필요가 없습니다. 신경망은 중요한 특징을 선택하는 방법을 배웠습니다. 머신 러닝에서는 모델에 어떤 특징을 포함할지 스스로 선택해야 합니다.

기계 학습 프로세스

객체를 인식하는 프로그램을 구축한다고 상상해 보세요. 모델을 훈련하려면 다음을 사용합니다. 분류기. 분류자는 개체의 특징을 사용하여 해당 개체가 속한 클래스를 식별합니다.

이 예에서 분류자는 이미지가 다음과 같은지 감지하도록 훈련됩니다.

• 자전거
• 보트
• 차
• 평면

위의 XNUMX개 객체는 분류자가 인식해야 하는 클래스입니다. 분류자를 구성하려면 일부 데이터를 입력으로 갖고 여기에 레이블을 할당해야 합니다. 알고리즘은 이러한 데이터를 가져와 패턴을 찾은 다음 해당 클래스로 분류합니다.

이 작업은 지도 학습. 지도 학습에서는 알고리즘에 입력하는 훈련 데이터에 레이블이 포함됩니다.

알고리즘을 훈련하려면 몇 가지 표준 단계를 따라야 합니다.

• 데이터 수집
• 분류기 훈련
• 예상하다

첫 번째 단계가 필요합니다. 올바른 데이터를 선택하면 알고리즘이 성공하거나 실패하게 됩니다. 모델을 훈련하기 위해 선택한 데이터를 기능. 객체 예에서 특징은 이미지의 픽셀입니다.

각 이미지는 데이터의 행이고 각 픽셀은 열입니다. 이미지 크기가 28×28인 경우 데이터세트에는 784개의 열(28×28)이 포함됩니다. 아래 그림에서는 각 그림을 특징 벡터로 변환했습니다. 라벨은 이미지에 어떤 개체가 있는지 컴퓨터에 알려줍니다.

목표는 이러한 훈련 데이터를 사용하여 객체 유형을 분류하는 것입니다. 첫 번째 단계는 특성 열을 만드는 것으로 구성됩니다. 그런 다음 두 번째 단계에서는 모델을 학습할 알고리즘을 선택합니다. 훈련이 완료되면 모델은 어떤 그림이 어떤 객체에 해당하는지 예측합니다.

그 후에는 모델을 사용하여 새로운 이미지를 예측하는 것이 쉽습니다. 각각의 새로운 이미지가 모델에 입력될 때마다 기계는 해당 이미지가 속한 클래스를 예측합니다. 예를 들어, 라벨이 없는 완전히 새로운 이미지가 모델을 통과합니다. 인간에게는 이미지를 자동차로 시각화하는 것이 쉽지 않습니다. 기계는 이전 지식을 사용하여 이미지가 자동차인지 예측합니다.

딥러닝 프로세스

딥 러닝에서 학습 단계는 신경망을 통해 이루어집니다. 신경망은 레이어가 서로 위에 쌓이는 아키텍처입니다.

위의 동일한 이미지 예를 고려하십시오. 훈련 세트는 신경망에 공급됩니다.

각 입력은 뉴런으로 들어가고 가중치가 곱해집니다. 곱셈의 결과는 다음 레이어로 흘러 입력이 됩니다. 이 프로세스는 네트워크의 각 계층에 대해 반복됩니다. 마지막 레이어의 이름은 출력 레이어입니다. 회귀 작업에 대한 실제 값과 분류 작업에 대한 각 클래스의 확률을 제공합니다. 신경망은 수학적 알고리즘을 사용하여 모든 뉴런의 가중치를 업데이트합니다. 가중치 값이 현실에 가까운 출력을 제공하면 신경망이 완전히 훈련된 것입니다. 예를 들어, 잘 훈련된 신경망은 기존 신경망보다 더 높은 정확도로 사진 속 개체를 인식할 수 있습니다.

DL을 사용하여 특징 추출 자동화

데이터 세트에는 XNUMX개에서 수백 개의 기능이 포함될 수 있습니다. 시스템은 이러한 기능의 관련성을 학습합니다. 그러나 모든 기능이 알고리즘에 의미가 있는 것은 아닙니다. 머신러닝의 중요한 부분은 시스템이 무언가를 학습할 수 있도록 관련 기능 세트를 찾는 것입니다.

머신 러닝에서 이 부분을 수행하는 한 가지 방법은 피처 추출을 사용하는 것입니다. 피처 추출은 기존 피처를 결합하여 더 관련성 있는 피처 세트를 만듭니다. PCA, T-SNE 또는 기타 차원 감소 알고리즘으로 수행할 수 있습니다.

예를 들어 이미지 처리를 할 때, 실무자는 눈, 코, 입술 등과 같은 이미지에서 특징을 수동으로 추출해야 합니다. 추출된 특징은 분류 모델에 제공됩니다.

딥 러닝은 특히 합성곱 신경망의 경우 이 문제를 해결합니다. 신경망의 첫 번째 계층은 그림에서 작은 세부 사항을 학습하고, 다음 계층은 이전 지식을 결합하여 더 복잡한 정보를 만듭니다. 합성곱 신경망에서 피처 추출은 필터를 사용하여 수행됩니다. 네트워크는 그림에 필터를 적용하여 일치 항목이 있는지 확인합니다. 즉, 피처의 모양이 이미지의 일부와 동일한지 확인합니다. 일치 항목이 있으면 네트워크는 이 필터를 사용합니다. 따라서 피처 추출 프로세스는 자동으로 수행됩니다.

요약

인공지능 기계에 인지 능력을 부여하는 것입니다. AI와 머신러닝을 비교하면 초기 AI 시스템은 패턴 매칭과 전문가 시스템을 사용했습니다.

머신러닝의 기본 아이디어는 기계가 사람의 개입 없이 학습할 수 있다는 것입니다. 기계는 주어진 데이터를 바탕으로 작업을 해결하는 방법을 학습하는 방법을 찾아야 합니다.

딥러닝은 인공지능 분야의 획기적인 발전입니다. 훈련할 데이터가 충분할 때 딥 러닝은 특히 이미지 인식과 텍스트 번역에서 인상적인 결과를 얻습니다. 주된 이유는 특징 추출이 네트워크의 여러 계층에서 자동으로 수행되기 때문입니다.