AI ; Machine Learning & Deep Learning

머신러닝과 딥러닝의 차이를 간단하게 풀어보고자 합니다. 

먼저, 머신러닝(Machine Learning)이란 단어 그대로 기계학습을 뜻하는데요. 그럼 기계학습은 무엇이냐? 쉽게 말해 인간이 준 데이터를 기계가 학습할 수 있도록 알고리즘을 설계하고 구현하는 것을 말합니다. 간단한 예로, 유튜브에 관심 분야의 영상을 추천해 주는 것이 있습니다. 사용자가 시청한 영상의 기록을 기반으로 성향을 파악해 사용자와 비슷한 성향을 지닌 사람들이 많이 보는 동영상을 보여주는 것입니다. 

머신러닝이 잘하는 건 특정 유형의 패턴 인식인데요. 예를 들어 누군가가 기분이 나쁘면 머리를 쓸어넘기는 버릇이 있다고 치고, 이를 머신러닝 모델에 집어넣어 보면 이제 한 번도 본 적이 없는 사람이 머리를 쓸어 넘기면 '아! 그 사람이 화가 났구나'라고 추론을 할 수 있다는 것이죠. 이러한 머신러닝에는 여러 가지 학습방법이 있습니다. 

가장 먼저, 지도학습(Supervised Learning)을 들 수 있습니다. 지도학습은 인공지능에게 문제와 답을 동시에 주는 학습방법인데요. 주어진 문제를 풀고, 그 답이 정답인지 오답인지를 판정은 다음, 정답이 나왔을 때에 방법을 분석해 이해도를 높여나가는 식으로 진행이 됩니다. 예를 들어 동물의 종류를 분류하는 인공지능이 있다고 가정해 보겠습니다. 그러면, 어떤 사진을 보고 고양이인지 강아지인지를 답을 하고, 그 답이 오답인지 정답인지를 판정받게 됩니다. 그러고나면, 그 사진이 고양이인지 강아지인지를 학습하게 되는 것이죠. 이렇게 정답을 학습하게 하여 주어진 데이터를 이용해서 분류(Classfication)하거나, 회귀(Regression)의 문제를 해결할 때 주로 사용하게 됩니다.

다음으로 비지도학습(Unsupervised Learning)이 있는데요. 비지도 학습은 지도학습과는 다르게 정답 데이터 없이 순수한 데이터로만 학습하는 방법으로, 이는 데이터를 군집화하여 새로운 데이터에 대한 결과를 예측합니다. 주어진 문제를 풀어서 풀어낸 정보끼리의 관련성을 찾고, 관련성을 파악해 정보를 분류하는 식으로 진행이 됩니다. 예를 들어 이전과 같이 동물의 종류를 분류하는 인공지능이 있다고 가정한다면, 인공지능은 주어진 동물 사진들을 모두 쭉 확인해 봅니다. 그러면서 사진들에서 비슷한 특징들을 찾아내고, 해당 특징들을 바탕으로 동물들을 분류하게 됩니다. 이렇듯 비지도 학습은 세상을 관찰하는 방식을 기반으로 다양하게 모델링이 됩니다. 

세번째로 지도학습과 비지도학습의 중간에 해당하는 준지도 학습(Semi-Supervised Learning)이 있는데요. 명확한 정답이 존재하지만 정답이 있는 데이터를 구하기 힘들 때 사용합니다. 준지도 학습은 소량의 레이블이 지정된 데이터를 입력해 레이블이 없는 데이터 세트를 증강합니다. 이 학습의 핵심은 레이블이 지정된 데이터를 통해 시스템이 학습을 시작하게 하며, 학습속도와 정확성을 상당 수준으로 개선하도록 하는 것입니다. 준지도 학습의 알고리즘은 레이블이 지정된 데이터를 분석해 레이블이 없는 데이터에 적용 가능한 상관관계가 있는 속성을 찾도록 훈련합니다. 

마지막으로 강화학습(Reinforcement Learning)이 있는데요. 강화 학습은 문제를 푸는 학습 방향성만 제시해 주고 여기에 보상이라는 시스템을 넣어 인공지능을 강화시키는 방법인데요. 그렇게 되면 인공지능은 학습을 통해 보상을 최대로 받을 수 있는 행동을 선택하게 되겠죠? 예를 들어 10분 내에 문제를 풀게끔 개발된 인공지능이 있다고 가정해 보겠습니다. 문제를 풀지 못하면 0점, 20분 내에 문제를 풀면 5점, 10분 내에 풀면 10점을 받게 된다고 한다면 인공지능을 다음부터 10분 내에 풀도록 반복 학습하게 될 것입니다. 이런 식으로 스스로 여러 가지 행동을 취애 보상을 더 많이 받는 행동을 강화시켜 점점 더 학습해 나가는 방법이 바로 강화 학습입니다. 

그렇다면 딥러닝(Deep Learingin)이란? 사실 딥러닝은 머신러닝의 한 분야입니다. 딥러닝은 인간의 뇌신경망 구조를 모방한 인공신경망(ANN ; Artificial Neural Network)을 기반으로 하고 있습니다. 인공신경망은 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘입니다. 지금까지의 인공지능 기술과 딥러닝의 다른 점은 특징을 보고 구별할 수 있다는 점인데요. 원래 인공지능은 영상을 구분하고 소리를 듣고 그것을 이해하는 감각적인 업무를 힘들어했다고 합니다. 이를 위해서는 모든 영상과 소리를 통째로 기억(저장)해야 하는데 사실상 거의 불가능하기 때문이죠. 이 어려움을 극복한 기술이 바로 딥러닝입니다.  딥러닝은 동영상을 구분하기 위해 인간의 얼굴이나 물체의 형태를 통째로 암기하지 않는 대신에 인간의 얼굴이나 물체의 특징만을 파악하는 학습을 합니다. 여기서 특징을 파악하기 위해서는 평균값을 아는게 중요한데요. 우리가 이목구비를 바로 구분할 수 있는 이유는 눈, 코, 입이 어떻게 생겼는지 대략적인 평균값을 알고 있기 때문인데요 이처림 딥러닝으로 학습한 인공지능도 물체의 특징을 파악해 학습합니다. 머신러닝은 중간에 문제가 생기면 엔지니어가 개입해서 문제를 조정하지만, 딥러닝은 알고리즘이 자체 신경망을 통해 이것을 조정해서 엔지니어가 직접 개입하지 않아도 된다는 차이점이 있습니다. 

 

 

I would like to briefly solve the difference between machine learning and deep learning.
First, the word machine learning literally means machine learning. Then what is machine learning? Simply, it refers to designing and implementing algorithms so that machines can learn human-given data. A simple example is recommending videos of interest on YouTube. Based on the records of videos viewed by the user, the tendency is identified to show videos that are often viewed by people with similar tendencies as users.
What machine learning is good at is certain types of pattern recognition. For example, if someone is in a bad mood, they have a habit of sweeping their hair, and if you put it in a machine learning model, if someone you've never seen sweep their hair, they'll say, "Ah! You can infer that he's angry. There are many ways to learn this machine learning.

First of all, supervised learning. Guidance learning is a learning method that gives AI questions and answers at the same time. It will be done by solving the given question, determining whether the answer is correct or wrong, and analyzing the method when the answer is correct to improve understanding. For example, let's say there's artificial intelligence that sorts animals. Then, you will look at a picture and answer whether it is a cat or a dog, and you will be judged whether the answer is wrong or correct. And then you learn whether the picture is a cat or a dog. It is mainly used to classify using the given data or to solve the problem of regression by allowing them to learn the answer.

Next is unsupervised learning. Unlike supervised learning, unsupervised learning is a method of learning only with pure data without correct answer data, which clusters data to predict results for new data. It is conducted by solving a given problem to find the relationship between the information solved, identifying the relationship, and classifying the information. For example, assuming that there is an artificial intelligence that classifies animals as before, it checks all the pictures of the animals given. And then we find similar features in the photographs, and we classify the animals based on those features. As such, unsupervised learning is modeled in various ways based on the way the world is observed.

Third, semi-supervised learning is the middle of supervised and unsupervised learning. Use when clear answers exist, but data with correct answers are difficult to obtain. Semi-supervised learning augments unlabeled datasets by entering a small amount of labeled data. The key to this learning is to get the system to begin learning through labeled data, and to significantly improve learning speed and accuracy. The algorithm of semi-supervised learning trains you to analyze labeled data to find properties with applicable correlations to unlabeled data.

Lastly, there is Reinforcement Learning. Reinforcement learning is a way to strengthen artificial intelligence by presenting only the direction of learning to solve problems and adding a system called reward. In that case, artificial intelligence will choose an action that will maximize the reward through learning, right? For example, suppose you have an AI that's developed to solve a problem in 10 minutes. If you fail to solve the problem, you will get 0 points, 5 points if you solve the problem within 20 minutes, and 10 points if you solve the problem within 10 minutes, you will learn to solve AI repeatedly within 10 minutes from the next time. In this way, reinforcement learning is a way to learn more and more by strengthening behaviors that are self-reliant and receiving more and more favorite rewards.

Then, what is deep learning? In fact, deep learning is a branch of machine learning. Deep learning is based on an artificial neural network (ANN) that mimics the structure of the human brain neural network. Artificial neural networks are machine learning algorithms that imitate human neural network principles and structures. The difference between artificial intelligence technology and deep learning so far is that you can distinguish by looking at features. Originally, artificial intelligence had a hard time distinguishing images, listening to sounds, and understanding them. To do this, we need to store all the images and all the sounds, because it's practically impossible. Deep learning is the technology that overcame this difficulty. In order to distinguish videos, deep learning does not memorize the entire form of a human face or object, but only identifies the characteristics of a human face or object. To figure out the characteristics here, it's important to know the average value. The reason why we can immediately distinguish features is because we know the approximate average value of what eyes, nose, and mouth look like Artificial intelligence learned through deep learning also learns by identifying the characteristics of objects. In machine learning, when there is a problem in the middle, the engineer intervenes and adjusts the problem, but in deep learning, the algorithm adjusts it through its own neural network, so the engineer does not have to intervene directly.