[ ML/DL & AI ] ML & AI 엔지니어링 공부 02 : AI(인공지능), ML(머신러닝), DL(딥러닝) 구분/차이.

▽ AI(인공지능), ML(머신러닝), DL(딥러닝) 구분/차이.

목  차

1. AI.
2. ML.
3. DL.

☆ AI, ML, DL의 관계.

※ 인공지능(AI) > 머신러닝(ML) > 딥러닝(DL)

• 많은 사람들이 AI, ML, DL을 완전히 다른 기술이나 방법론으로 오해하고 있습니다.

  • 실제로, AI는 가장 큰 범주를 나타내며, 그 안에 ML이 포함되며,
  • ML 중에서도 신경망 구조를 깊게 쌓아 더 정교하게 모델링한 것이 딥러닝(DL)입니다.

AI (인간처럼 행동하게 만드는 모든 기술)
  └── ML (데이터로 배우는 방법)
        └── DL (신경망으로 복잡한 학습)

이 관계를 명확히 이해하기 위해, 이러한 개념을 각각 핵심적으로 설명해 보겠습니다.

📘 1. AI(Artifical Intelligence,인공지능).

---

💡개념 정리

• 인공지능(AI)은 사람처럼 생각하고 행동하는 ‘지능’을 컴퓨터나 기계에 구현하는 기술 전체를 말합니다.

• 인간의 인지 능력을 소프트웨어와 하드웨어로 구현하는 것이 핵심입니다.

• 이로써 컴퓨터나 기계는 시각적 패턴 인식, 음성 인식, 최적의 의사 결정을 내리는 능력,
  그리고 자연어 처리와 같이 인간의 지능이 필요한 작업을 수행할 수 있게 됩니다.

🧠 핵심 원리.

• 인간의 지능적인 행동(판단, 학습, 추론 등)을 기계가 모방하거나 구현하는 기술 전체를 의미합니다.

• 인간이 하는 복잡한 일들을 기계가 할 수 있도록 규칙을 만들거나, 데이터를 통해 학습하게 함.

• 예: 판단, 추론, 학습, 자연어 이해, 이미지 인식 등

🎯 목표.

• 사람처럼 생각하고 행동할 수 있는 시스템을 만들어서, 복잡한 문제를 스스로 해결하게 만드는 것.

🧩 AI의 주요 범주 및 구성.

주요 적용 분야.

• 자연어 처리 (NLP) : 기계 번역, 챗봇, 감정 분석.

• 컴퓨터 비전 ( CV ) : 얼굴 인식, 객체 탐지

• 의료 진단 보조 : 병변 분석, 영상 판독

• 로보틱스 : 자율주행, 자동화 제조

학습 포인트.

• AI는 하나의 기술이 아니라 '목적 중심의 기술 통합 체계'임을 이해해야 합니다.

• '문제를 해결하기 위한 도구'라는 관점으로 접근

• 이후에 각 세부 기술(ML,DL 등)을 기능 단위로 나눠 공부하는 방식이 효과적.

2.📗 ML(Machine Learning, 기계학습).

---

💡개념 정리

• 머신러닝은 사람이 컴퓨터에 명시적으로 프로그래밍하지 않고도, 미리 작성된 코드 틀(code frame)에 기반하여 '빅데이터를 지속적으로 학습'할 수 있도록 합니다.

• 머신러닝은 데이터로부터 스스로 패턴을 학습하여 예측이나 분류를 수행하는 알고리즘 기반 기술입니다.

  • 이 학습 과정은 인간이 공부하는 것과 유사한데요. 머신러닝은 수학적인 알고리즘과 통계 모델을 핵심으로 하며,
  • 이러한 알고리즘과 빅데이터를 결합함으로써 인공지능(AI)의 핵심 분야 중 하나로 자리잡았습니다.
  • 컴퓨터는 데이터에서 패턴을 인식하고, 이를 기반으로 예측하거나 분류하는 방법을 학습하는 과정을 포함하고 있습니다.

• AI의 하위 분야로, 기계가 명시적 프로그래밍 없이도 데이터를 통해 학습하여 성능을 향상시키는 방법입니다.

🧠 핵심 원리.

• 데이터를 기반으로 패턴을 학습하고, 미래의 데이터에 대해 예측이나 분류를 수행함.

학습 방식 분류.

• 지도학습(Supervised Learning):

  • 정답이 있는 데이터로 학습 (예: 이메일 스팸 분류)
  • 지도 학습은 입력 데이터와 해당 데이터에 대한 레이블(정답)이 함께 제공되는 학습 방법입니다.
  • 알고리즘은 이 레이블을 활용하여 입력 데이터와 레이블 간의 관계를 학습하며,
    새로운 입력 데이터에 대한 예측을 수행합니다.
  • 주로 분류(classification)와 회귀(regression) 문제에 사용됩니다.

• 비지도학습(Unsupervised Learning):

  • 정답 없이 데이터 구조를 찾음 (예: 고객 군집화)
  • 비지도 학습은 레이블이 없는 데이터를 다루는 학습 방법으로,
    데이터 내부의 구조나 패턴을 발견하고자 할 때 사용됩니다.
  • 주요 태스크로는 군집화(clustering)와 차원 축소(dimensionality reduction)가 있으며,
    레이블 없는 데이터 간의 유사성이나 패턴을 파악하는 데 사용됩니다.

• 강화학습(Reinforcement Learning):

  • 보상을 최대화하는 방향으로 학습 (예: 게임 에이전트)
  • 강화 학습은 에이전트가 환경과 상호 작용하며 시행착오를 통해 보상을 최대화하는 전략을 학습하는 방법입니다.
  • 에이전트는 행동을 선택하고 환경에서 보상 또는 패널티를 받아 자체적으로 학습하며,
    주로 게임, 로봇 제어, 자율 주행 자동차 등의 영역에서 사용됩니다.

주요 알고리즘 정리.

📌 지도학습

📌 비지도학습

학습 포인트.

• 각 알고리즘이 어떤 데이터 구조에서 효과적인지를 비교.
• 처음에는 Scikit-learn으로 실습 → 수식 기반 원리 이해 → 논문 요약으로 발전시키는 단계.
• 데이터 전처리, 성능 평가 방법(Accuracy, F1, ROC 등)도 함께 학습.

3. 📙 DL. (Deep Learning, 딥러닝)

---

💡개념 정리.

• 딥러닝은 심층 신경망(Deep Neural Network)을 활용하여 비정형/고차원의 복잡한 데이터를 모델링하는 머신러닝의 하위 분야입니다.

• 특징 추출 → 분류/예측을 자동으로 통합 수행합니다.

• 딥 러닝은 머신러닝의 하위 집합으로, 매우 크고 복잡한 데이터 세트를 학습하고 예측하기 위해 여러 신경망 계층(Neural Layer)으로 구성된 신경망을 활용합니다.

• 이러한 다층 신경망 구조를 통해 딥 러닝은 높은 수준의 특징 추출과 패턴 인식을 수행할 수 있으며,
  이것이 일반적인 머신러닝과 비교하여 더 진보된 형태의 학습 방법임을 나타냅니다.

• ML의 하위 분야로, 인공신경망(Neural Network) 기반의 모델을
  매우 깊고 복잡하게 쌓아 학습 성능을 향상시키는 기술입니다.

핵심 개념.

• 사람의 뇌 신경망 구조를 모방한 층(Layer) 구조를 통해 복잡한 데이터의 특징을 자동 추출하고 학습함.

신경망 구성.

입력층(Input) → 은닉층(Hidden) → 출력층(Output)

• 은닉층이 많을수록 학습 능력은 증가하지만, 과적합/연산량 증가 위험 존재 !

신경망의 구성요소.

주요 특징.

• 대량의 데이터와 높은 연산력을 요구.
• 특징 추출(feature engineering)을 자동화.
• CNN, RNN, Transformet 등 다양한 네트워크 구조 존재.

DL이 ML과 어떻게 다른가?

• DL은 기존 ML 알고리즘이 처리하기 어려운 크고 복잡한 데이터 세트를 처리하는 데 용이.
• DL은 빅데이터에서 Feature를 자동으로 식별/추출할 수 있는 반면, 기존 ML은 Feature Engineering에 상대적으로 손이 많이 가며 까다로움.
• DL은 여러 수준의 추상화(multiple levels of abstraction)를 학습할 수 있는 반면, 기존 ML은 한 수준만 학습할 수 있음.

DL 대표 모델 아키텍처.

학습 포인트

• 딥러닝은 수학적 기초(선형대수, 미적분, 확률, 행렬 연산)가 중요.
• PyTorch, TensorFlow 중 하나를 중심으로 모델링 실습과 시각화 경험을 병행.
• 작은 프로젝트부터 실전 응용까지 체계적으로 확장하는 방식이 좋음.