머신러닝/딥러닝 프레임워크란?

머신러닝 및 딥러닝 프레임워크는 복잡한 수학 연산과 최적화 알고리즘을 자동으로 처리해 주는 도구로,
개발자가 모델 설계와 데이터 분석에 더 집중할 수 있도록 돕는다.

대표적인 프레임워크로는
TensorFlow, PyTorch, Keras, Scikit-learn 등이 있으며,
각 프레임워크는 개발자의 목적, 선호, 프로젝트 특성에 따라 선택된다.

📌 정답은 없다!
목적과 상황에 따라 최적의 선택이 달라진다.

---

1. TensorFlow (텐서플로)

Google이 개발한 오픈소스 딥러닝 프레임워크로,
대규모 모델, 고성능 처리, 생산 환경 배포에 강하다.
TensorBoard를 활용한 시각화도 매우 유용하다.

⭐️ 주요 특징:

• 고성능 처리 (CPU, GPU 지원)
• 시각화 도구 TensorBoard 제공
• 2.0 이후 Keras와 통합 → 직관적 API 제공

👍 장점

• 빠르고 안정적이며 확장성이 뛰어남
• 추상화 수준이 높아 복잡한 수식을 직접 다룰 필요 없음
• 다양한 플랫폼과 연동 가능

👎 단점

• 학습 곡선이 다소 가파름 (초보자에겐 진입장벽)
• PyTorch에 비해 덜 직관적인 측면 존재

---

2. PyTorch (파이토치)

Meta(AI 연구소)가 개발한 프레임워크로,
동적 계산 그래프를 통해 코드를 유연하게 수정하며 실험할 수 있다.
최근 AI 논문과 학계에서 가장 많이 사용되고 있다.

⭐️ 주요 특징:

• 직관적인 코드 작성 (Pythonic)
• 빠른 프로토타이핑과 실험에 적합
• NLP, Vision 등 연구 영역에 강세

👍 장점

• 코드가 이해하기 쉽고 유연함
• 동적 연산 그래프로 디버깅 용이
• 연구에 최적화된 구조

👎 단점

• TensorFlow에 비해 산업/배포용 생태계가 부족한 편
• 모바일/웹 통합 환경에선 다소 불편

---

3. Keras (케라스)

초보자 친화적인 고수준 API로,
현재는 TensorFlow의 일부로 통합되어 쉽고 빠른 프로토타이핑에 적합하다.

⭐️ 주요 특징:

• 간단한 코드로 신경망 모델 구축 가능
• Sequential, Functional API로 모델 설계 지원
• 빠른 실험과 교육용에 강력

👍 장점

• 직관적인 문법으로 학습 용이
• TensorFlow와 연동되어 강력한 백엔드 활용 가능

👎 단점

• 낮은 커스터마이징 수준 (복잡한 모델에 불리)
• 대규모 프로젝트에서는 한계가 있음

---

4. Scikit-learn (사이킷런)

비딥러닝 기반 머신러닝 프레임워크로,
데이터 전처리, 모델 학습, 평가 등 전통적 ML 작업에 최적화되어 있다.

⭐️ 주요 특징:

• 다양한 알고리즘 제공 (SVM, Decision Tree, Clustering 등)
• 간단한 인터페이스, 강력한 기능
• NumPy, Pandas, SciPy와의 연동 탁월

👍 장점

• 사용하기 매우 쉽고 실용적
• 파이썬 생태계와 완벽한 통합

👎 단점

• 신경망, 딥러닝 관련 기능은 거의 없음
• 복잡한 모델 구조 구현에는 적합하지 않음

---

어떤 프레임워크를 써야 할까?

구분	초보자	빠른 프로토타이핑	연구/실험	대규모/배포	머신러닝
TensorFlow	❓	✔️	✔️	✔️	❌
PyTorch	❓	✔️	✔️✔️	✔️	❌
Keras	✔️✔️	✔️✔️	❌	❌	❌
Scikit-learn	✔️✔️	✔️	❌	❌	✔️✔️

✔️ = 적합도, ❌ = 적합하지 않음

🧭 정리하자면

• 대규모 서비스, 배포까지 고려한다 → TensorFlow
• 연구 중심, 실험이 많다 → PyTorch
• 빠르게 시작하고 싶다 → Keras
• 전통적 머신러닝 위주이다 → Scikit-learn