[비전공자용] [Python] 머신러닝과 딥러닝 구분

 

 

머신러닝과 딥러닝 개념적 차이?

 

(pc에 최적화되어있으니 pc버전으로 봐주시면 더 좋을 것 같습니다)

머신러닝과 딥러닝을 개념적으로 구분하기 위해 한 예를 들어서 단순하게 설명하려고 합니다.

기존에는 어떤 이미지를 인식하려면 처음부터 알고리즘을 설계했었을 것입니다.

개 사진을 보고 개라는 결과를 얻기 위해서는 사람들이 보통 개에 대해 알고 있는 특징인
귀가 2개 있고, 다리가 4개 있고 코가 있다 등등의 기준이 있어야 할 것입니다.
아주 어려웠겠지만, 처음에는 이런 기준을 바탕으로 알고리즘을 짜서 이미지 인식을 했을 것입니다.

 

------------>      [ 사람이 설계한 알고리즘 ]     ------------>   결과(개)

 

↓

하지만 머신러닝이 도입되면서 
이미지에서 특징 feature (입력 데이터의 중요한 정보)을 추출하고
그 특징의 패턴을 '기계'가 머신러닝 기술로 학습하면서
모아진 데이터로부터 규칙을 찾아내는 역할을 맡게 됩니다. 
단, 여전히 이미지를 벡터로 변환할 때 사용하는 특징은 '사람'이 설계합니다.

 

-------->    [ 사람이 생각한 특징 ]  -------->     [ 기계학습 ]    -------->   결과(개)
                  (SIFT, SURF, HOG)                     (SVM, KNN)

 

이 때, 이미지의 특징은 벡터 vector로 주로 표현합니다.
Computer Vision에서는 SIFT, SURF, HOG 등을 이용하여 이미지 데이터를 벡터로 변환합니다.
예를 들어, HOG는 입력 이미지의 윤곽선 정보를 이용하기 때문에 사람 등을 식별할 때 사용하기 적합하다. 

벡터로 변환된 이미지 데이터를 주로 지도 학습 Supervised Learning의
대표 분류Classification 기법인 SVM, KNN으로 학습합니다.
(여기서 학습한다는 것의 의미는 '기계'가 입력된 이미지 데이터로부터 어떤 '규칙'을 찾아내는 것을 의미합니다.)

↓

딥러닝 Deep Learning, 신경망 개념이 도입되면서 특징을 '사람'이 만들지 않고
'기계'가 입력 데이터로부터 학습하는 방식이 생기게 됩니다.
즉, 개를 학습하든 사람을 학습하든 어떤 특징을 사용하지 않고 온전히 '기계'에 맡기게 됩니다.

 

------------------->         [ 신경망 ]        -------------------->   결과(개)
                                  (딥러닝)

 

신경망에서는 이미지 데이터를 날것 그대로 학습하고 feature 역시 이전과 달리 '기계'가 스스로 알아내게 합니다.
딥러닝을 end-to-end maching learning이라고 하는데, 이 의미는
처음부터 끝까지 입력 데이터에서 결과를 얻는 과정에 사람의 개입이 없다는 뜻을 내포합니다.

 

[출처] Deep Learning from Scratch, ゼロ から作る