인공지능, 데이터 마이닝, 머신러닝, 딥러닝의 차이점

오늘은 AI와 관련해서 작성해보고자 합니다. 처음 AI를 접하게 되면, 비슷해보이는 개념에 다른 용어들이 마구 나오는 것을 볼 수 있습니다. 대표적으로 데이터 마이닝 (Data mining), 머신러닝(ML), 인공지능(AI), 딥러닝이 여기에 해당되는데, 뭐가 다른지 잘 모르고 용어를 혼용해서 사용하는 경우가 많습니다. 오늘은 이 4가지 용어에 대해서 차이점을 명확하게 정리해보는 시간을 갖겠습니다.

---

인공지능 (Artificial Intelligence)

기계학습을 뛰어 넘는 분석기법으로 시스템에 추론능력을 제공한다.

• 인간 지능의 한 단면을 기계가 모방한 시스템
• 이전의 패턴이나 지도를 보지 않고도 추론을 통해 구성요소들과 사건 간의 관계를 밝혀낸다.

 

---

데이터마이닝 (Data mining)

다양한 관점에서 데이터를 분석해 의미를 도출 (데이터의 특징을 알아내는 것이 중점)

• 보유한 데이터를 다양한 관점에서 분석하고, 그 결과를 유용한 정보로 조합하는 일
• 방대한 데이터 속에 숨어있던 패턴과 상관성을 통계적 수법들로 식별하여 가치를 부여
• 숫자가 아닌 데이터도 처리한다는 점에서 통계처리와 구분
• '데이터 마이닝' 기법에는 일반적으로 연관(association), 회귀(regression) 및 분류(classification)라는 세가지 유형이 있다.
  • 연관 분석
    • 주어진 데이터 셋에서 자주 발생하는 속성값들을 연결해주는 연관 규칙을 발견하는 일
    • ex. 고객이 구매한 쇼핑카트 내의 개별 상품간의 상관관계 식별
  • 회귀 분석
    • 독립 변수 분석을 통해 종속 변수가 무엇인지 밝혀내는 일
    • ex. 어떤 상품의 예상 판매 실적을 두고 주요 고객들의 소득 수준과 상품의 판매가격과의 상관관계로부터 예측하는 방법
  • 분류
    • 개체들을 여러 카테고리로 나누는 일

 

---

머신러닝 (Machine Learning)

데이터 마이닝이나 기타 학습 알고리즘을 사용하여 지식을 추출하고 이를 경험기반으로 삼아 비슷한 상황의 미래 사건의 결과를 예측(현재 데이터를 가지고 학습 한 뒤, 미래를 예측하는 것에 중점)

• 인공지능의 한분야
• 데이터의 패턴을 발견하는 핵심 알고리즘이 동일하지만, 기계학습은 자체 학습 알고리즘을 사용하며 시간이 경과함에 따라 경험을 축적하면서 작업 성능이 향상된다.
• 데이터를 모델링하는 알고리즘은 여러가지가 있지만, 크게 지도학습(Supervised learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning)으로 분류
  • 지도학습
    • 결과를 알고있는, 즉 label이 있는 데이터를 바탕으로 예측하거나 분류하는 것
    • 회귀 분석(Regression), 분류(Classification)
  • 비지도학습
    • label이 없는 데이터에서 패턴을 발견하고, 숨겨진 구조를 찾아내는 것
    • 군집화 (Clustering), 의사결정트리 (Decision Tree)
  • 강화학습
    경험과 시행 착오를 통해 얻어진 데이터를 기반으로 모델을 지속적으로 개선하는 방식으로, 설정된 환경 속에 보상을 주며 학습한다.

---

딥러닝 (Deep Learning)

여러 비선형 변환기법의 조합을 통해, 다량의 복잡한 자료들에서 핵심적인 내용만 추려내는 작업을 시도하는 머신러닝알고리즘의 집합을 의미
ANN, DNN, CNN, RNN, GAN 등이 있다

ANN (Artificial Neural Network)

• 딥러닝은 인공신경망(, ANN)를 기초로 하고 있는데, 이는 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이다.
• 뇌의 뉴런들은 어떤 신호와 자극을 받았을때, 임계값(Threshold)를 넘어서면 결과신호를 전달하는데 이를 착안한 것이 ANN
• Input Data 가 뇌에서의 자극/신호이며, 가중치(weight) 가 임계값, Output data 가 자극에 의해 하는 행동이라고 생각하면 된다.

출처: https://medium.com/coinmonks/the-artificial-neural-networks-handbook-part-1-f9ceb0e376b4

• 입력층 (lnput Layer)와 출력층(Output Layer) 사이에 은닉층(Hidden Layer)가 존재하는데, 이 은닉층의 개수와 노드의 개수를 구성하는 것이 모델을 구성하는 것이다. 이때 모델을 잘 구성해서 Output값을 잘 예측하는 것이 우리가 할 일로, 은닉층에서는 활성화함수를 사용해 최적의 weight와 bias를 찾아낸다

DNN (Deep Neural Network)

• 은닉층을 2개이상 가진 학습방법을 DNN이라고 함
• 컴퓨터가 스스로 분류레이블을 만들고, 공간을 왜곡하고, 데이터를 구분짓는 과정을 반복하여 최적의 구번선을 도출
• DNN을 응용한 것이 CNN, RNN 등이다

CNN (Convolution Neural Network)

• 기존의 방식은 데이터에서 지식을 추출해서 학습했지만, CNN은 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조이다
• 크게 Convoultion 과정과 Pooling 과정을 통해 진행
• 자세한 것은 CNN 참고

 

---

패턴 인식

컴퓨터가 어떤 대상을 인식하는 문제를 다루는 인공지능의 한 분야로, 문자인식, 이미지 인식, 생체 인식, 인간 행동 패턴 분석 등이 속한다.

패턴을 인식하는 과정은 아래와 같다.

출처: http://jun.hansung.ac.kr/PR/02_introduction.pdf

---

출처 및 참고:

http://news.samsungdisplay.com/12538

https://subscription.packtpub.com/book/data/9781838826321/1/ch01lvl1sec01/defining-ai

https://ebbnflow.tistory.com/119