[Data Science / Posts] 딥 러닝: 정의, 리소스, 머신러닝과의 차이점

이 글은 Data Science Central의 Deep Learning: Definition, Resources, Comparison with Machine Learning을 번역한 것입니다.

딥 러닝은 이따금 머신러닝과 인공지능 간의 교차점으로 불리기도 한다. 딥 러닝은 타겟 테러리스트를 감지하기 위해 드론에서 사용되는 얼굴 인식 기술 등과 같이 로봇을 지능화할 수 있는 알고리즘 및 비행기, 기차, 보트, 자동차가 자동으로 주행할 수 있도록 하는 패턴 인식 / 컴퓨터 비전 알고리즘을 설계하는 것과 관련이 깊다.

다수의 딥 러닝 알고리즘들(클러스터링, 패턴 인식, 자동경매, 추천 엔진 등)은 IoT, 머신-머신 통신 등과 같은 새로운 맥락에 등장한다고 하더라도 로지스틱 회귀분석, SVM, 결정 트리(Decision Trees), k-NN, 나이브 베이즈(Naive Bayes), 베지언 모델링, 앙상블(Ensembles), 랜덤 포레스트(Random Forests), 신호처리, 필터링, 그래프 이론, 게임 관련 이론 등등과 같은 상대적으로 오래된 기술에 의존하고 있다. Top 10 알고리즘에 대한 자세한 정보를 원하면 여기 또는 여기를 클릭한다. 디지털 출판을 자동화하거나 검색 엔진을 개선하거나 아마존의 제품 리스팅(Listing)과 같이 대규모의 카탈로그를 제작하고 관리하는 작업을 위한 인덱세이션 알고리즘(Indexation Algorithms)과 같이 새로운 알고리즘도 있다.

클러스터링을 위한 딥 러닝 알고리즘 예

결과적으로 다수의 딥 러닝 관련 종사자들은 스스로를 데이터 과학자, 컴퓨터 과학자, 통계학자 또는 때로는 엔지니어라고 부르기도 한다. 내 의견으로는, 딥 러닝은 몇몇 데이터 과학 처리를 자동화하기 위한 노력이기도 하다. 아래의 항목들은 딥 러닝을 시작하기 위한 리소스들이다: 이 주제에 대한 글들은 다수가 1990년 이전으로 거슬러 올라가지만 대략 2015년에 많이 등장하기 시작했다. 기술 자체보다도 이들을 흥미롭게 만드는 것은 빅데이터, 신속한 실행 등과 같은 새로운 유형의 응용분야이며 보통 자동화도 이에 속한다. 아래의 글들은 지난 24개월 내에 게재된 것이다.

초보자를 위한 리소스

• 간단한 영어로 설명된 10가지 딥 러닝 용어들
• 딥 러닝의 신비
• 딥 러닝 소개 및 IoT/미래도시에 대한 딥 러닝의 역할
• 딥 러닝 vs 머신러닝 vs 패턴 인식
• 딥 러닝과 머신러닝 스텝 바이 스텝
• 간단한 딥 러닝(비디오)