3/21(화) 머신러닝 2

2. 머신러닝 vs 딥러닝

• 딥러닝이란?
  • 심층 학습 또는
  • deep structured learning 또는 
  • heierarchial learning 이라고 불리기도 한다.
  • 머신러닝의 특정한 한 분야로서 연속된 층 (layer) 에서 점진적으로 의미있는 표현을 배우는데 강점이 있으며, 데이터로부터 표현을 학습하는 새로운 방식이다.
  • deep 이란?"
    • 일반적인 deep 과는 다른 의미를 지닌다.
    • 연속된 층 (layer) 으로 표현을 학습한다는 개념이다.
    • 형태 :
      • 입력 => 입력층 : [뉴련] 
      • => 은닉층 : [뉴런 뉴런 뉴런]
      • => 출력층 : [뉴런] => 출력
• 딥러닝의 특징:
  • 여러 층을 겹겹이 쌓아 올려 구성한 신경망 (neural network) 이라는 모델을 사용하여 학습을 진행하였다.
  • 층 (layer) : 입력층//    은닉층1-은닉층2-은닉층3-...    // 출력층
• 머신너링 vs 딥러닝 : 학습과정
  • Traditional machine learning 경우:
    • Raw input -> feature engineering (input 데이터에서부터 특징 뽑아내게 엔지니어가 전처리해야함 )-> features (특징들을 뽑아냄)-> traditional ML(머신러닝) model -> output
  • Deep learning 경우:
    • Raw input -> DNN based representation learning (입력층, 은닉층, 출력층 으로 이루어진 모델로 학습)-> output 
• 머신러닝 vs 딥러닝
  • 전통적인 머신러닝
    • 주로 정형 데이터를 다룬다.
    • 관계형 데이터베이스 혹은 엑셀 표로 정리되는 테이블 형식의 데이터를 주로 활용한다.
    • 의사결정에 필요한 데이터를 사람이 최대한 정리한 후 기계에 알려주면 정보를 토대로 판단이나 예측할 수있다.
  • 딥러닝
    • 주로 비정형데이터를 다룬다.
    • 즉, 지정된 방식으로 정리되지 않은 정보를 활용한다.
    • 예시) 이미지, 비디오, 텍스트 문장, 문서, 음성 데이터 등..
  • 그 밖의 차이 정리하기
    • 1. 데이터 의존도 :
      • 딥러닝의 경우, 대용량 데이터가 필요하다.
    • 2. 하드웨어 의존도 : 
      • 딥러닝의 경우, GPU 와 같은 병렬처리 하드웨어 필요하다.
    • 3. Feature Engineering 수행 여부 (특징 엔지니어링):
      • 머신러닝은 Feature Engineering 필요하다.
    • 4. 학습시간 :
      • 딥러닝은 학습에 장시간 소요된다.
    • 5. 해석력 / 설명력:
      • 딥러닝은 블랙박스로 -> 해석력, 설명력이 낮다.
    • 6. 알고리즘 복잡도:
      • 딥러닝은 깊은 레이어를 사용하여 복잡한 알고리즘의 형태를 갖고 있다.
      • 입력층 -> 은닉층 -> 출력층 
      •  

 

---

* 필수 삽입 링크 : http://bit.ly/3Y34pE0

패스트캠퍼스 [직장인 실무교육]

<사진 2장>

 

 

> 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성되었습니다.