사람의 많은 수의 규칙을 인식하는 걸 만들려고 하는 패턴 인식이라는 것부터 시작해서...
패턴이 점점 많아져 복잡한건 패턴 인식으로 구현하는게 어렵다는걸 깨닫고는...
특정 작업 T에 대해, 많은 경험(데이터) E를 바탕으로 성능 P가 개선될 때까지 반복 교육?시키는 과정을 기계 학습이라고 하는데... 딥러닝은 그 기계 학습의 일종입니다..

ChatGPT 같은 AI 서비스에 물어보세요. 모르는 용어 나오면 바로 연이어 물어보면 됩니다.

채찍피티는 이렇게 대답해주네요
-------------------------------------------------

기계학습과 딥러닝은 인공지능(AI)의 중요한 구성 요소로, 데이터로부터 패턴을 학습하여 예측이나 결정을 자동화하는 기술입니다. 이 두 용어는 서로 밀접하게 관련되어 있지만, 구체적인 차이점이 존재합니다.

기계학습(Machine Learning)
기계학습은 컴퓨터가 명시적으로 프로그래밍되지 않고도 데이터로부터 학습할 수 있도록 하는 기술입니다. 즉, 대량의 데이터와 알고리즘을 사용하여 컴퓨터가 경험을 통해 스스로 학습하고, 이를 바탕으로 예측이나 분류 작업을 수행할 수 있게 됩니다. 기계학습의 주요 방법에는 지도학습, 비지도학습, 강화학습 등이 있습니다.

지도학습(Supervised Learning): 라벨이 붙은 데이터를 사용하여 모델을 훈련시키고, 이를 통해 미래 데이터의 라벨을 예측합니다.
비지도학습(Unsupervised Learning): 라벨이 없는 데이터를 사용하여 데이터의 구조나 패턴을 발견합니다.
강화학습(Reinforcement Learning): 소프트웨어 에이전트가 환경과 상호작용하며 보상을 최대화하는 방법을 학습합니다.
딥러닝(Deep Learning)
딥러닝은 기계학습의 한 분야로, 인공신경망(Artificial Neural Networks)을 사용하여 복잡한 문제를 해결합니다. 이는 여러 층(layer)을 통해 정보를 처리하며, 각 층은 이전 층에서 학습된 정보를 바탕으로 더 높은 수준의 추상화를 진행합니다. 딥러닝은 특히 이미지 인식, 음성 인식, 자연어 처리 등의 분야에서 뛰어난 성능을 보여줍니다.

기계학습과 딥러닝의 비교
복잡도와 깊이: 딥러닝은 보통 더 깊은 구조를 가지며, 이로 인해 더 복잡한 패턴을 학습할 수 있습니다. 반면, 기계학습은 종종 더 간단하거나 선형적인 문제에 사용됩니다.
데이터 요구량: 딥러닝은 효과적인 학습을 위해 대량의 데이터를 필요로 합니다. 기계학습은 상대적으로 적은 데이터로도 좋은 성능을 낼 수 있습니다.
계산 요구량: 딥러닝은 높은 계산 자원을 요구하는 반면, 기계학습은 더 적은 계산으로도 효율적으로 작동할 수 있습니다.
건축공학을 전공하는 대학생에게 이러한 기술들은 건물 설계의 최적화, 구조적 안전성 분석, 에너지 효율성 향상 등에 활용될 수 있습니다. 예를 들어, 기계학습은 과거 데이터를 기반으로 건물의 에너지 사용 패턴을 예측하는 데 사용될 수 있고, 딥러닝은 건축물의 이미지를 분석하여 구조적 결함을 자동으로 감지하는 데 활용될 수 있습니다. 이러한 기술의 통합은 더 안전하고, 효율적이며, 지속 가능한 건축 환경을 조성하는 데 기여할 수 있습니다.

검사 장비쪽에서 근무하고 있는 경험으로 설명 드리면, 검사 장비쪽에 딥러닝을 적용 시키기도 합니다.
즉, 제품을 검사해서 합격/불량을 판정해야하는데 그렇게 하기 위해서 불량인 제품 이미지를 업로드해서 학습을 시킵니다. 그렇게 해서 제품의 여러 종류 결함을 판정하는 목적으로 사용합니다. 사람이 검사하는 항목을 비전 장비로 대체하며, 속도, 범위에서 비교 불가이죠.
추가로, 요즘 잘나가는 회사 홈페이지 남겨 드릴테니 들어가서 보시는것도 괜찮습니다. 저는 이 회사랑 관계 없는 사람입니다.

https://saige.ai/kr/