서론: 자주 혼동되는 개념들
기계 학습, 딥 러닝 및 신경망은 인공 지능 뉴스에서 끊임없이 듣는 용어입니다.많은 사람들이이 단어를 서로 바꿔 사용할 수 있지만 각각 고유 한 범위와 응용 프로그램을 가진 다른 기술을 설명합니다.
혼란은 하나가 다른 하나에 포함되어 있기 때문에 발생합니다: 신경망은 기계 학습 기술이며,딥 러닝은 신경망의 진화입니다. 이 계층 구조를 이해하는 것은 AI 가 어떻게 작동하고 어떤 도구가 다른 문제를 해결하는지 이해하는 데 필수적입니다.
이 가이드에서는 이러한 개념을 세분화하고 각 개념이 실제 세계에서 어떻게 작동하는지에 대한 실제 사례를 보여 드리겠습니다.
기계 학습: 모든 알고리즘의 우산
Machine Learning 이란 무엇입니까?
기계 학습은 가장 광범위한 분야입니다각 상황에 대해 명시적으로 프로그래밍되지 않고 데이터로부터 학습하는 모든 시스템을 포괄하는 것입니다. 기계 학습 알고리즘은 엄격한 지침을 따르는 대신 데이터의 패턴을 식별하고 해당 패턴을 사용하여 예측합니다.
이메일 스팸 필터를 상상해보십시오. 프로그래머는 가능한 모든 스팸 이메일에 대한 규칙을 작성할 수 없습니다. 따라서 기계 학습 알고리즘은 수백만 개의 이메일 (스팸 또는 합법적 인 것으로 표시) 을 분석하고 스팸을 나타내는 기능을 자동으로 학습합니다: 의심스러운 단어,알 수없는 발신자,이상한 형식 등.
기계 학습의 세 가지 주요 유형
지도 학습: 알고리즘은 이미 레이블이 지정된 데이터로부터 학습합니다. 정답이 있는 입력 예제를 제공하고 시스템은 패턴을 학습합니다. 예: 이미 분류된 이메일의 기록을 사용하여 이메일을 스팸 또는 비스팸으로 분류합니다.
감독되지 않은 학습: 미리 정의된 정답은 없습니다. 알고리즘은 데이터에서 구조나 그룹화를 자체적으로 찾습니다. 예: 저장소의 고객을 분석하여 유사한 동작을 가진 그룹을 찾는데,그룹이 몇 개인지 미리 알지 못합니다.
강화 학습: 알고리즘은 시행착오를 통해 학습하며 보상이나 처벌을 받습니다. 예를 들어 걷는 법을 배우는 로봇이나 전략을 점진적으로 개선하여 체스를 배우는 프로그램입니다.
신경망: 특정 유형의 기계 학습
신경망의 작동 방식
신경망은 인간의 뇌에서 영감을 받은 기계 학습의 방법입니다. 그들은 인공 뉴런이라고 불리는 상호 연결된 단위의 층으로 구성됩니다. 각 뉴런은 정보를 받아 처리하고 전달합니다.
간단한 신경망은 세 부분으로 이루어져 있습니다: 입력 레이어 (데이터), 숨겨진 레이어 (처리), 출력 레이어 (결과). 훈련 중에 뉴런 사이의 연결 가중치를 조정하여 오류를 줄입니다.
다른 알고리즘 대신 신경망을 사용해야 하는 경우
신경망은 당신이 가지고있을 때 빛납니다 많은 데이터 e 복잡한 패턴 실제 사례: 사진에서 얼굴을 인식하고, 자연스러운 말을 이해하고, 의료 이미지에서 질병을 진단합니다.
데이터가 적은 단순한 문제의 경우 의사 결정 트리 또는 선형 회귀와 같은 오래된 알고리즘이 더 효율적입니다. 수백만 개의 매개 변수가있는 신경망은 클라이언트가 3 특성을 기반으로 구독을 갱신할지 여부를 예측하는 데 과잉입니다.
딥 러닝: 신경망이 깊어질 때
근본적인 차이점: 깊이
딥 러닝은 단순히 숨겨진 레이어가 많은 신경망입니다 3 개의 층 전형적으로.
