딥러닝 이전의 기계학습과 딥러닝의 차이 ... chatgpt

딥러닝 이전의 기계학습과 딥러닝의 차이

딥러닝을 이해하려면 먼저 전통적인 기계학습은 사람이 데이터의 특징을 정리해 주는 방식이고, 딥러닝은 데이터에서 유용한 특징까지 스스로 학습하는 방식이라는 점을 이해하면 됩니다.

다만 딥러닝도 기계학습의 한 종류입니다. 따라서 두 기술은 완전히 별개가 아니라, 딥러닝이 기계학습의 발전된 한 분야라고 이해하는 것이 정확합니다.

1. 전체적인 관계부터 이해하기

여기서 '딥러닝 이전의 기계학습'이란 딥러닝이 널리 활용되기 전부터 사용된 대표적인 기계학습 방법을 뜻합니다. 대표적으로 의사결정나무, 서포트 벡터 머신(SVM), k-최근접 이웃(k-NN), 선형 회귀, 로지스틱 회귀, 랜덤 포레스트 등이 있습니다.

이 방법들은 지금도 금융, 의료, 제조, 데이터 분석 등에서 활발하게 사용됩니다.

2. 가장 중요한 차이: 특징을 누가 찾아내는가?

예를 들어 컴퓨터에게 고양이와 강아지 사진을 구별하도록 가르친다고 생각해 봅시다.

 

핵심은 특징 추출 과정입니다.

• 전통적인 기계학습: 사람이 어떤 특징이 중요한지 설계하는 과정에 크게 의존합니다.

• 딥러닝: 사람이 정답 데이터를 제공하고 학습 목표를 설정하면, 모델이 예측에 유용한 특징을 학습할 수 있습니다.

주의할 점은 전통적인 기계학습도 특징을 자동으로 선택하거나 변환할 수 있고, 딥러닝도 사람이 데이터와 모델 구조를 설계해야 한다는 것입니다. 차이는 사람이 개입하는 정도와 특징을 학습하는 방식에 있습니다.

 

 

이 표는 일반적인 경향을 비교한 것입니다. 모든 문제에서 딥러닝이 우수한 것은 아닙니다. 특히 데이터가 적고 표 형태의 자료가 중심인 문제에서는 랜덤 포레스트나 그래디언트 부스팅 같은 전통적 기계학습 방법이 딥러닝보다 더 좋은 결과를 낼 수도 있습니다.

4. 사례 ① 은행의 대출 승인 예측

이 사례는 두 방식의 차이를 구체적으로 이해하기 좋습니다.

은행이 고객의 정보를 분석해 대출 연체 가능성을 예측한다고 가정하겠습니다.

 

 

 

전통적 기계학습의 방식

1. 사람이 소득, 부채 비율, 재직 기간, 과거 연체 횟수 등의 특징을 정합니다.

2. 과거 고객 데이터와 실제 연체 여부를 알고리즘에 입력합니다.

3. 알고리즘이 각 특징과 연체 사이의 관계를 학습합니다.

4. 새로운 고객의 연체 가능성을 예측합니다.

    

    

딥러닝의 방식

1. 같은 고객 정보와 과거 연체 결과를 입력합니다.
2. 여러 층의 신경망이 입력 정보 사이의 복잡한 관계를 학습합니다.
3. 학습된 신경망이 새로운 고객의 연체 가능성을 예측합니다.

 

예를 들어 두 모델이 어떤 고객의 연체 가능성을 각각 20%와 25%로 예측했다고 해 보겠습니다. 이 숫자는 설명을 위한 가상 수치입니다.

중요한 점은 딥러닝이 언제나 더 정확한 예측을 하는 것은 아니라는 것입니다. 이런 표 형태의 금융 데이터에서는 데이터의 특성에 따라 전통적 기계학습이 더 효과적일 수 있습니다. 또한 실제 대출 승인에는 예측 결과뿐 아니라 법적 요건, 공정성, 설명 가능성도 고려해야 합니다.

5. 사례 ② 자율주행 자동차의 사물 인식

이번에는 사진 속 보행자, 자동차, 신호등을 인식하는 문제를 살펴보겠습니다.

 

전통적 기계학습으로 구현한다면?

1. 사람이 영상에서 사용할 특징을 설계합니다.

2. 밝기 변화, 윤곽선, 모양, 질감 등의 정보를 추출합니다.

3. 추출된 특징을 SVM 같은 분류기에 입력합니다.

4. 분류기가 보행자나 자동차인지 판단합니다.

이 방식은 사람이 유용한 특징을 잘 설계해야 하며, 조명이나 자세, 배경이 달라지면 성능이 떨어질 수 있습니다.

딥러닝으로 구현한다면?

1. 다양한 도로 영상과 객체의 정답 표시를 준비합니다.

2. 합성곱 신경망(CNN) 등의 모델을 학습시킵니다.

3. 모델이 영상에서 선과 질감, 부품 형태, 객체 전체의 특징을 계층적으로 학습합니다.

4. 새로운 영상에서 보행자, 자동차, 신호등의 위치와 종류를 예측합니다.

예를 들어 어린이가 큰 가방을 메고 있거나 보행자가 일부 가려져 있더라도, 충분히 다양한 사례를 학습한 모델은 여러 시각적 단서를 종합해 인식할 수 있습니다. 다만 이러한 상황에서 항상 정확하게 인식한다는 뜻은 아닙니다.

이 분야에서 딥러닝이 특히 발전한 이유는 사람이 일일이 설계하기 어려운 복잡한 영상의 특징을 대규모 데이터로부터 학습할 수 있기 때문입니다.

 

6. 사례 ③ 음성 인식과 음성 비서

스마트폰에 "내일 오전 9시에 알람을 설정해 줘"라고 말하는 상황을 생각해 봅시다.

 

전통적 음성 인식은 음향 특징, 발음 사전, 언어 모델 등 여러 구성 요소를 조합하는 경우가 많았습니다. 딥러닝 기반 음성 인식은 신경망이 음성과 언어의 복잡한 관계를 학습하면서 성능을 크게 개선했습니다.

현재는 딥러닝을 이용한 음성 인식이 널리 사용되지만, 실제 음성 비서에는 음성 인식 외에도 언어 이해, 일정 관리 기능, 대화 관리 등 여러 기술이 함께 들어갑니다.

7. 사례 ④ 스팸 메일 분류

이번에는 전통적 기계학습과 딥러닝의 차이를 가장 쉽게 비교할 수 있는 사례입니다.

입력 메일

“축하합니다! 지금 신청하면 무료 상품을 받을 수 있습니다.”

전통적 기계학습: 사람이 특징을 설계

• '무료', '당첨', '즉시 신청' 같은 단어의 등장 횟수

• 발신자의 주소와 도메인

• 링크의 개수

• 과거 스팸으로 분류된 메일의 패턴

이런 특징을 이용해 나이브 베이즈나 로지스틱 회귀 등의 알고리즘이 스팸 여부를 학습합니다.

딥러닝: 문맥과 복잡한 관계를 학습

• 단어가 사용된 문맥

• 단어와 단어 사이의 관계

• 문장 전체의 의미와 표현 방식

• 메일의 제목과 본문에 나타나는 복잡한 패턴

예를 들어 '무료'라는 단어가 있어도 정상적인 안내 메일일 수 있다는 점을 다른 문맥과 함께 학습할 수 있습니다.

 

두 방식 모두 스팸을 분류할 수 있습니다. 전통적 기계학습은 간단한 특징으로도 효과적인 경우가 많고, 딥러닝은 복잡한 언어 패턴을 학습하는 데 유리할 수 있습니다.

8. 딥러닝은 어떻게 특징을 스스로 학습할까?

딥러닝의 핵심 원리를 이해하려면 인공신경망의 층(layer) 을 이해해야 합니다.

 

딥러닝 모델은 처음부터 모든 특징을 알고 있는 것이 아닙니다. 학습 과정에서 예측과 정답의 차이를 계산하고, 그 차이가 줄어들도록 신경망의 가중치를 조정합니다.

이를 반복하면서 예측에 유용한 내부 표현을 학습합니다. 이때 주로 사용되는 핵심 기술이 역전파(backpropagation) 와 경사하강법(gradient descent) 입니다.

1. 입력 데이터를 신경망에 전달합니다.

2. 신경망이 예측 결과를 계산합니다.

3. 예측과 정답의 차이인 손실(loss)을 계산합니다.

4. 역전파로 각 가중치가 손실에 미친 영향을 계산합니다.

5. 경사하강법 등으로 가중치를 조정합니다.

6. 이 과정을 반복하면서 예측 성능을 개선합니다.

여기서 '스스로 학습한다'는 것은 컴퓨터가 의식이나 의도를 가지고 학습한다는 뜻이 아닙니다. 사람이 정한 학습 목표와 알고리즘에 따라 데이터에서 유용한 패턴을 수학적으로 찾아낸다는 의미입니다.

9. 전통적 기계학습과 딥러닝 중 무엇을 선택해야 할까?

10. 학생들에게 설명할 때 사용할 비유

전통적 기계학습과 딥러닝의 차이를 학생에게 설명할 때는 새로운 문제를 푸는 학생에 비유하면 이해하기 쉽습니다.

 

 

전통적 기계학습 = 특징을 알려 주고 연습시키기 -> 교사가 “이 문제에서는 숫자의 크기, 부호, 평균을 살펴봐”라고 중요한 특징을 알려 줍니다. 학생은 그 특징을 이용해 문제를 푸는 규칙을 학습합니다.

 

 

딥러닝 = 많은 사례를 보고 특징까지 학습하기 -> 교사가 문제와 정답, 학습 목표를 제공합니다. 학생은 다양한 사례를 분석하면서 어떤 특징과 관계가 문제 해결에 유용한지 학습합니다.

물론 실제 딥러닝도 사람이 모델 구조, 학습 방법, 데이터 등을 정해야 하므로 완전히 독립적인 학습은 아닙니다.

 

핵심 정리

• 기계학습은 데이터에서 규칙과 패턴을 학습하는 방법입니다.

• 전통적 기계학습은 사람이 특징을 설계하는 과정에 크게 의존하는 경우가 많습니다.

• 딥러닝은 여러 층의 인공신경망을 이용해 특징 표현과 예측 규칙을 함께 학습할 수 있습니다.

• 딥러닝은 이미지·음성·텍스트처럼 복잡한 데이터에서 강점을 보이지만, 데이터와 계산 자원이 더 많이 필요할 수 있습니다.

• 딥러닝이 언제나 더 좋은 것은 아니며, 문제와 데이터에 맞는 방법을 선택해야 합니다.

수업에서 가장 강조할 문장을 하나 고른다면 다음과 같습니다.

“전통적 기계학습은 사람이 설계한 특징을 바탕으로 학습하는 경우가 많고, 딥러닝은 여러 층의 신경망을 통해 데이터의 특징 표현까지 학습한다.”