인공지능, 머신러닝, 딥러닝

인공지능, 머신러닝, 딥러닝

인공지능

• 가장 넓은 개념으로 인간의 지능을 모방하여 문제를 해결하거나 학습하는 컴퓨터 시스템 전체
• 목표: 사람이 수행하는 지각, 추론, 학습 등의 지적인 작업을 컴퓨터가 대신 하도록 하는 것

머신러닝

• 인공지능의 한 분야로 데이터를 통해 컴퓨터를 학습하는 것
• 과거에 사람이 규칙을 코딩→머신러닝은 데이터를 통해 컴퓨터가 직접 규칙을 찾아내게 한다.

딥러닝

• 머신러닝의 하위 분야로, 인간의 뇌 신경망을 모방한 인공신경망(ANN)을 깊게 쌓아(Deep) 학습하는 기술
• 전통적인 머신러닝은 사람이 직접 데이터의 특징(Feature)을 추출해 주어야 했지만, 딥러닝은 데이터 속성(이미지의 엣지, 음성의 주파수 패턴 등)까지 모델이 스스로 학습(Representation Learning)한다.

---

인공지능, 머신러닝, 딥러닝의 차이점

구분	인공지능 (AI)	전통적 머신러닝 (ML)	딥러닝 (DL)
정의	인간의 지적 능력을 컴퓨터로 구현하는 기술 전체	데이터를 통해 스스로 학습하고 예측하는 기술	다층 인공신경망을 활용해 복잡한 패턴을 학습하는 기술
특징 추출	(개념에 따라 다름)	사람이 개입하여 주요 특징을 추출 (Feature Engineering)	알고리즘이 데이터로부터 스스로 특징 추출
주요 알고리즘	탐색 알고리즘, 전문가 시스템 등	SVM, Random Forest, 결정 트리 등	CNN, RNN, Transformer 등

---

머신러닝의 학습 방법

1. 지도학습

• 문제와 정답을 함께 알려주며 학습
• 주요 작업
  • 분류: 데이터를 정해진 범주로 나눔
  • 회귀: 연속적인 수치를 예측

2. 비지도 학습

• 정답 없이 데이터만 주고 스스로 규칙을 찾게 한다.
• 주요 작업
  • 군집화: 비슷한 특징을 가진 데이터끼리 그룹화
  • 차원 축소: 중요 특성만 남기고 데이터의 복잡도를 줄임

3. 강화학습

• 특정 환경에서 에이전트가 행동을 하고, 그 결과로 얻는 보상을 통해 어떤 행동이 최선인지 깨닳는다.
• 구성요소: State(상태), Action(행동), Reward(보상)

4. 준지도 학습

• 소수의 정답(Label)이 있는 데이터와 대량의 정답이 없는 데이터를 함께 사용하여 학습.
• 정답을 다는 작업(Labeling)에 드는 막대한 비용과 시간을 줄이기 위해 사용.

5. 자기지도 학습

• 정답(Label)이 없는 데이터 자체에서 스스로 문제를 만들어 학습하는 방식.
• 예: 문장의 일부 단어를 가리고 맞추게 하거나, 이미지의 일부분을 변형한 뒤 원본과 대조(Contrastive Learning)하여 데이터의 본질적인 표현(Representation)을 학습함. 대형 언어 모델(LLM)이나 고도화된 비전 모델의 사전 학습(Pre-training)에 주로 쓰임.

구분	데이터 구성	핵심 목표	특징 및 활용	대표 알고리즘/기법
지도 학습	데이터 + 정답 (Label)	결과 예측 및 분류	명확한 정답을 맞히도록 학습	SVM, 회귀 분석, 결정 트리
비지도 학습	데이터 (No Label)	데이터 내 패턴 발견	데이터의 숨겨진 구조 파악	K-평균 군집화, PCA
강화 학습	상태 + 보상 (Reward)	보상 최대화 (행동 최적화)	시뮬레이션 환경과 상호작용	Q-러닝, DQN
준지도 학습	소수 Label + 대량 No Label	레이블링 비용 절감	적은 정답 데이터로 성능 극대화	Pseudo-labeling
자기지도 학습	데이터 (No Label)	본질적 표현(Representation) 학습	데이터 스스로 정답을 만들어 사전 학습	대조 학습(Contrastive Learning)