머신러닝(Machine Learning)과 딥러닝(Deep Learning)

머신러닝(Machine Learning)과 딥러닝(Deep Learning)은 서로 별개의 개념이 아니라, **딥러닝이 머신러닝의 한 종류(하위 집합)**에 해당합니다.

가장 큰 차이점은 **"기계가 데이터를 얼마나 스스로 이해하는가"**에 있습니다.

---

1. 핵심 차이점 비교

구분	머신러닝 (ML)	딥러닝 (DL)
정의	데이터를 통해 학습하는 AI의 한 분야	인공신경망을 층층이 쌓은 머신러닝의 기법
특징 추출	사람이 직접 특징을 선택 (Feature Engineering)	기계가 스스로 특징을 추출 (End-to-End)
데이터 양	적은 양의 데이터로도 가능	대규모 데이터가 있어야 성능이 나옴
하드웨어	저사양 PC(CPU)에서도 가능	고사양 장비(GPU)가 필수적
결과 해석	왜 그런 결과가 나왔는지 설명하기 쉬움	과정이 복잡해 내부를 알기 어려움 (Black Box)

---

2. 결정적인 차이: "특징 추출(Feature Engineering)"

컴퓨터에게 '고양이' 사진을 판별하라고 시켰을 때의 예시를 들어볼까요?

• 머신러닝: 사람이 먼저 "고양이는 귀가 뾰족하고, 수염이 있어"라고 중요한 특징(Feature)들을 직접 정의해 줍니다. 모델은 사람이 정해준 규칙 안에서 정답을 찾습니다.
• 딥러닝: 사진만 수만 장 던져줍니다. 그러면 딥러닝 모델은 수많은 층(Layer)을 거치면서 "아, 고양이는 이런 선과 면의 조합이구나"라는 것을 스스로 깨닫습니다.

---

3. 포함 관계 (Hierarchy)

이 관계를 이해하면 개념이 명확해집니다.

1. 인공지능 (AI): 인간의 지능을 흉내 내는 모든 기술
2. 머신러닝 (ML): 명시적인 프로그래밍 없이 데이터로 학습하는 AI의 하위 분야
3. 딥러닝 (DL): 머신러닝 중에서도 '인공신경망'을 깊게 쌓아 복잡한 패턴을 찾아내는 기술

---

요약하자면

• 머신러닝은 데이터가 적고, 문제 구조가 비교적 단순하며, 사람이 데이터의 특징을 잘 파악하고 있을 때 유리합니다.
• 딥러닝은 데이터가 엄청나게 많고, 이미지나 음성처럼 사람이 일일이 규칙을 만들기 어려운 복잡한 문제를 풀 때 압도적인 성능을 발휘합니다.