딥 러닝은 인공 신경망을 사용하여 정보를 처리하고 분석하는 머신러닝의 하위 집합입니다. 신경망은 딥 러닝 알고리즘 내에 여러 겹으로 겹쳐진 연산 노드로 구성됩니다. 각 레이어에는 입력 레이어, 출력 레이어, 히든 레이어가 있습니다. 신경망에는 알고리즘이 학습하고 정확성을 개선하는 데 도움이 되는 학습 데이터가 입력됩니다. 신경망이 3개 이상의 레이어로 구성된 경우 이를 '딥'이라고 하며, 따라서 딥 러닝이라고 합니다.

딥 러닝 알고리즘은 인간 뇌의 활동에서 영감을 얻었으며 논리적 구조를 갖춘 데이터를 분석하는 데 사용됩니다. 딥 러닝은 이미지 및 음성 인식, 객체 감지, 자연어 처리 등 오늘날 우리가 AI라고 생각하는 많은 작업에 사용됩니다. 딥 러닝은 데이터 세트 내에서 비선형의 복잡한 상관관계를 만들 수 있지만 머신러닝보다 더 많은 학습 데이터와 컴퓨팅 리소스가 필요합니다.

딥 러닝에 사용되는 일반적인 신경망 유형은 다음과 같습니다.

순방향 신경망(FF)은 가장 오래된 형태의 신경망 중 하나로, 출력이 달성될 때까지 데이터가 인공 뉴런층을 따라 한 방향으로 흐릅니다.

순환 신경망(RNN)은 일반적으로 시계열 데이터 또는 시퀀스와 관련된 데이터를 사용한다는 점에서 순방향 신경망과 다릅니다. 순환 신경망은 현재 레이어의 출력에 따라 이전 레이어에서 발생한 '메모리'를 보유합니다.

장단기 메모리(LSTM)는 메모리를 사용하여 이전 레이어에서 발생한 일을 '기억'할 수 있는 고급 RNN 형태입니다.

컨볼루셔널 신경망(CNN)은 최신 인공지능에서 가장 일반적으로 사용되는 신경망을 일부 포함하며, 개별적인 레이어(컨볼루셔널 레이어, 풀링 레이어)를 사용하여 이미지를 다시 합치기 전에(완전 연결 레이어에서) 이미지의 다른 부분을 필터링합니다.

생성적 적대 신경망(GAN)에는 최종적으로 출력의 정확성을 개선하는 게임에서 2개의 신경망('생성자'와 '분류자')이 서로 경쟁합니다.

머신러닝은 인공지능의 하위 집합으로, 명시적인 프로그래밍 없이도 시스템이 자율적으로 학습하고 개선할 수 있도록 지원합니다. 머신러닝 알고리즘은 패턴과 데이터를 인식하고 시스템에 새로운 데이터가 입력될 때 예측을 실행하는 방식으로 작동합니다.

일반적으로 머신러닝에서 지도, 비지도, 강화라는 세 가지 모델이 흔히 사용됩니다.

지도 학습은 라벨이 지정된 학습 데이터(정형 데이터)를 사용하여 특정 입력을 출력에 매핑하는 머신러닝 모델입니다. 지도 학습에서는 출력이 알려져 있고(예: 사과 그림 인식) 모델은 알려진 출력 데이터로 학습됩니다. 간단히 말해 사과 사진을 인식하도록 알고리즘을 훈련시키려면 사과라는 라벨이 지정된 사진을 입력합니다.

오늘날 가장 일반적인 지도 학습 알고리즘은 다음과 같습니다.

• 선형 회귀
• 다항식 회귀
• K-최근접 이웃
• 나이브 베이즈
• 다항식 회귀
• 결정 트리

비지도 학습은 라벨이 지정되지 않은 데이터(비정형 데이터)를 사용하여 패턴을 학습하는 머신러닝 모델입니다. 지도 학습과 달리 출력을 미리 알 수는 없습니다. 대신 알고리즘은 사람의 정보 입력 없이 데이터로부터 학습(따라서 비지도)하여 속성을 기반으로 한 그룹으로 분류합니다. 예를 들어 알고리즘에 사과와 바나나 사진이 주어지면 어떤 사진이 사과이고 어떤 사진이 바나나인지 스스로 분류합니다. 비지도 학습은 설명 모델링과 패턴 일치에 우수합니다.

오늘날 가장 일반적인 비지도 학습 알고리즘은 다음과 같습니다.

• 퍼지 의미
• K-평균 클러스터링
• 계층적 군집화
• 주요 구성요소 분석
• 부분 최소 제곱

일부 데이터에만 라벨이 지정되는 준지도 학습이라는 혼합 접근 방식 머신러닝도 자주 사용됩니다. 준지도 학습에서 알고리즘은 알려진 결과를 얻기 위해 데이터를 구성하고 구조화하는 방법을 파악해야 합니다. 예를 들어 머신러닝 모델이 최종 결과가 사과라고 지시를 받지만 학습 데이터 중 일부만 사과로 라벨이 지정됩니다.

강화 학습은 일련의 시행착오 실험을 통해 '실습하여 학습'하는 것으로 설명할 수 있는 머신러닝 모델입니다. '에이전트'는 성능이 원하는 범위 내에 있을 때까지 피드백 루프를 통해 정의된 작업을 수행하는 방법을 학습합니다. 에이전트는 작업을 잘 수행할 때 긍정적인 강화를 받고 제대로 수행하지 않을 때는 부정적인 강화를 받습니다. 강화 학습의 한 예는 Google 연구자들이 바둑 게임을 플레이하도록 강화 학습 알고리즘을 학습시킨 경우입니다. 이 모델은 바둑 규칙에 대한 사전 지식이 없었고, 알고리즘이 학습됨에 따라 바둑돌을 무작위로 이동하고 '학습'하여 게임에서 인간 플레이어를 이길 수 있는 지점까지 알고리즘을 학습시켰습니다.

인공지능은 일반적으로 인간의 지능이 필요하거나 인간이 분석할 수 있는 것보다 규모가 큰 데이터를 포함하는 방식으로 추론, 학습 및 행동할 수 있는 컴퓨터 및 기계를 구축하는 것과 관련된 과학 분야입니다. AI는 컴퓨터 공학, 데이터 및 분석, 소프트웨어 엔지니어링, 심지어 철학을 비롯한 많은 분야를 아우르는 대규모 분야입니다. 

비즈니스 수준에서 AI는 데이터 분석, 예상 및 예측, 자연어 처리, 추천, 머신 자동화, 지능형 데이터 검색 등 다양한 사용 사례를 포함하는 일련의 기술입니다.

AI를 논의할 때 인공지능, 머신러닝, 딥 러닝이 동의어로 사용되는 경우가 많습니다. 이들 용어은 서로 상관 관계가 있지만 서로 혼용될 수 없습니다. 

AI는 광범위한 분야인 반면, 머신러닝은 특별히 프로그래밍하지 않고도 머신이 학습할 수 있도록 하는 AI 응용 기술입니다. 머신러닝은 의사 결정 트리나 선형 회귀와 같은 더 간단한 방법을 통해 데이터에서 지식을 추출하는 수단으로서 더 명시적으로 사용되는 반면, 딥 러닝은 인공 신경망에서 볼 수 있는 고급 방법을 사용합니다.

딥 러닝은 데이터 세트의 특성을 자동으로 추출하므로 사람의 개입이 덜 필요하지만, 단순한 머신러닝 기법은 보통 엔지니어가 데이터의 특성과 분류자를 수동으로 식별하고 그에 따라 알고리즘을 조정해야 하는 경우가 많습니다. 본질적으로 딥 러닝은 자체 오류를 통해 학습할 수 있지만 머신러닝은 개입할 수 있는 인간이 필요합니다.

또한 딥 러닝에는 머신러닝보다 훨씬 더 많은 데이터가 필요하기 때문에 훨씬 더 많은 연산 능력이 요구됩니다. 머신러닝은 일반적으로 CPU를 실행하는 서버에서 수행할 수 있지만 딥 러닝에는 GPU와 같이 더 강력한 칩이 필요한 경우가 많습니다.