[AIBT 2급 이론 05] 머신러닝 vs 딥러닝 차이 총정리 (+예상문제)

AIBT 2급 이론 정리 시리즈 5탄!!!

 

오늘부터는 인공지능 알고리즘 파트!

 

01번 글에서 AI ⊃ 머신러닝 ⊃ 딥러닝이라고 했는데

그럼 머신러닝과 딥러닝은 정확히 뭐가 다를까?

시험에 비교 문제로 정말 잘 나오는 부분이다

 

과목: 생성형 AI와 인공지능 이론

출제 영역: 인공지능 알고리즘 이해

 

▶ [이론 04] 딥러닝 혁명부터 ChatGPT까지 보러가기

 

[ 1. 머신러닝이란? ]

 

데이터를 보고 컴퓨터가 스스로 규칙을 배우는 기술

 

머신러닝이라는 말을 대중화한 아서 사무엘(1959)은

"명시적으로 프로그래밍하지 않아도

컴퓨터가 학습할 수 있게 하는 연구 분야"라고 정의했다

 

톰 미첼(1997)의 정의도 자주 나온다

기호	의미	스팸 메일 필터 예시
T (Task)	작업	메일이 스팸인지 분류하기
E (Experience)	경험(데이터)	스팸·정상으로 표시된 메일 데이터
P (Performance)	성능	스팸을 맞힌 비율(정확도)

 

"작업 T에서 성능 P가 경험 E로 향상되면 학습한 것이다"

= 데이터가 쌓일수록 더 잘하게 되면 머신러닝!

 

[ 2. 전통 프로그래밍 vs 머신러닝 ]

이 구조 차이는 꼭 기억하자

구분	입력	출력
전통 프로그래밍	규칙 + 데이터	정답(결과)
머신러닝	데이터 + 정답	규칙(모델)

 

전통 방식은 사람이 규칙을 짜서 넣고

머신러닝은 데이터와 정답을 주면 컴퓨터가 규칙을 찾아낸다

(03번 글의 전문가 시스템 vs 머신러닝과 같은 흐름!)

 

[ 3. 딥러닝이란? ]

 

인공신경망을 여러 층으로 깊게(Deep) 쌓은 머신러닝

 

입력층과 출력층 사이에

은닉층(Hidden Layer)이 여러 개 있어서

데이터의 복잡한 패턴을 단계적으로 학습한다

 

가장 큰 차이는 특징(Feature)을 누가 찾느냐!

 

예를 들어 고양이 사진을 구분할 때

머신러닝은 사람이 "귀 모양, 수염, 눈 크기" 같은 특징을 골라줘야 하지만

딥러닝은 사진만 넣으면 특징까지 스스로 찾아낸다

 

[ 4. 머신러닝 vs 딥러닝 비교표 ]

시험 직전에 이 표만 봐도 된다!

구분	머신러닝 (전통적)	딥러닝
특징 추출	사람이 직접 선택 (피처 엔지니어링)	모델이 스스로 추출
필요한 데이터	상대적으로 적어도 가능	대량의 데이터 필요
하드웨어	CPU로도 충분	GPU 등 고성능 연산 필요
학습 시간	비교적 짧음	길다
해석 가능성	판단 근거를 설명하기 쉬운 편	블랙박스, 설명이 어려움
잘하는 데이터	표 형태의 정형 데이터	이미지·음성·텍스트 같은 비정형 데이터

 

[ 5. 대표 알고리즘·모델 ]

구분	이름	주로 쓰는 곳
머신러닝	선형 회귀	집값, 매출 같은 숫자 예측
머신러닝	로지스틱 회귀	합격/불합격 같은 분류
머신러닝	의사결정나무 · 랜덤 포레스트	조건 분기로 분류·예측
머신러닝	서포트 벡터 머신(SVM)	경계를 그어 분류
머신러닝	k-평균(k-means)	비슷한 데이터끼리 묶기(군집)
딥러닝	CNN (합성곱 신경망)	이미지 인식
딥러닝	RNN · LSTM	순서가 있는 데이터 (문장, 시계열)
딥러닝	트랜스포머	언어 처리, LLM의 기반
딥러닝	GAN	이미지 생성

 

시험에서는 "이미지 → CNN, 순서 데이터 → RNN, 언어 → 트랜스포머"

짝 맞추기가 잘 나온다!

 

[ 6. 정형 vs 비정형 데이터 ]

구분	설명	예시
정형 데이터	행과 열로 정리된 데이터	엑셀 표, 매출 DB, 회원 정보
비정형 데이터	정해진 형식이 없는 데이터	사진, 영상, 음성, 문서, SNS 글
반정형 데이터	구조는 있지만 표는 아닌 데이터	JSON, XML, 웹 로그

 

[ 시험 포인트 정리 ]

포인트	이것만은 기억!
머신러닝	데이터 + 정답 → 규칙(모델)을 스스로 학습
톰 미첼 정의	작업(T), 경험(E), 성능(P)
딥러닝	은닉층을 깊게 쌓은 인공신경망
핵심 차이	특징 추출: 머신러닝은 사람, 딥러닝은 모델 스스로
딥러닝 단점	대량 데이터·GPU 필요, 블랙박스
짝 맞추기	이미지-CNN, 순서 데이터-RNN, 언어-트랜스포머, 생성-GAN

 

[ 예상문제 ]

 

Q1. 전통적인 프로그래밍과 비교한 머신러닝의 설명으로 옳은 것은?

① 사람이 만든 규칙과 데이터를 입력하면 정답이 나온다

② 데이터와 정답을 입력하면 규칙(모델)을 학습한다

③ 데이터 없이 규칙만으로 동작한다

④ 정답 없이 규칙을 직접 입력해야만 한다

 

Q2. 딥러닝의 특징으로 옳지 않은 것은?

① 데이터에서 특징을 스스로 추출한다

② 일반적으로 대량의 데이터가 필요하다

③ GPU 같은 고성능 연산 장치를 많이 활용한다

④ 판단 근거를 사람이 이해하기 쉽게 설명할 수 있다

 

Q3. (단답형) 이미지 인식에 주로 쓰이는 딥러닝 모델인

"합성곱 신경망"의 영문 약자는?

 

Q4. 톰 미첼의 머신러닝 정의에서 "E"가 뜻하는 것은?

① 평가(Evaluation)

② 경험(Experience)

③ 오차(Error)

④ 효율(Efficiency)

 

Q5. (단답형) 머신러닝에서 사람이 데이터의 중요한 특징을 직접 골라 가공하는 작업을

무엇이라고 하는가?

 

 

---

 

[ 정답 & 해설 ]

문제	정답	해설
Q1	②	①은 전통적인 프로그래밍. 머신러닝은 데이터와 정답으로 규칙을 찾는다
Q2	④	딥러닝은 내부 판단 과정을 설명하기 어려운 블랙박스 성격이 강하다
Q3	CNN	Convolutional Neural Network. 순서 데이터는 RNN, 언어는 트랜스포머
Q4	②	T(Task, 작업), E(Experience, 경험), P(Performance, 성능)
Q5	특징 추출 (피처 엔지니어링)	딥러닝은 이 과정을 모델이 스스로 한다는 점이 핵심 차이

 

다음 글은 1회 시험에도 나왔던

[이론 06] 지도·비지도·강화학습 구분!

▶ [이론 06] 지도·비지도·강화학습 구분 보러가기

 

▶ AIBT 2급 시험 정보 총정리 보러가기

▶ AIBT 2급 스터디 자료 보러가기 (AI&DATA 자격증 스터디 클럽)

 

AIBT 2급 준비하시는 분들 모두 화이팅입니다~~~~~ ^^