AI vs ML vs DL
| 항목 | AI | ML | DL |
|---|
| 정의 | 인간 지능 모방 기술 | 데이터 기반 패턴 학습 | 다층 신경망 자동 학습 |
| 특징추출 | 규칙/검색/학습 | 수동 특징 설계 | 자동 특징 추출 |
| 데이터 규모 | 다양 | 소~중규모 | 대규모 필수 |
| 관계 | 최상위 개념 | AI의 하위 분야 | ML의 하위 분야 |
| 사례 | 전문가시스템, 챗봇 | SVM, 랜덤포레스트 | CNN, Transformer |
ANI vs AGI vs ASI
| 항목 | ANI (약AI) | AGI (범용AI) | ASI (초AI) |
|---|
| 정의 | 특정 영역 특화 | 인간 수준 범용 지능 | 인간 초월 지능 |
| 범위 | 좁고 깊음 | 넓고 균형 | 자기개선·재귀적 발전 |
| 현재 상태 | 현존 | 미래 (시기 불명) | 이론적 가능성 |
| 사례 | AlphaGo, ChatGPT | 미실현 | 미실현 |
지도학습 vs 비지도학습 vs 강화학습
| 항목 | 지도학습 | 비지도학습 | 강화학습 |
|---|
| 정의 | 레이블 데이터로 학습 | 레이블 없이 패턴 탐색 | 보상 신호로 정책 학습 |
| 입력 | (X, Y) 쌍 | X만 | 상태-행동-보상 |
| 목적 | 예측 (분류/회귀) | 탐색 (군집/차원축소) | 누적 보상 최대화 |
| 대표알고리즘 | SVM, XGBoost, CNN | K-means, PCA, DBSCAN | Q-Learning, PPO, DQN |
| 적용 | 스팸필터, 질병진단 | 고객세분화, 이상탐지 | AlphaGo, 로봇제어 |
PCA vs t-SNE vs UMAP vs 오토인코더
| 항목 | PCA | t-SNE | UMAP | 오토인코더 |
|---|
| 방법 | 선형 변환 | 비선형 (확률) | 비선형 (위상) | 비선형 (신경망) |
| 속도 | 빠름 | 느림 | 빠름 | 학습 필요 |
| 구조보존 | 전역 구조 | 국소 구조 | 전역+국소 | 복잡 패턴 |
| 적용 | 전처리, 시각화 | 시각화 특화 | 시각화+분석 | 이상탐지, 생성 |
K-means vs DBSCAN vs 계층적 클러스터링
| 항목 | K-means | DBSCAN | 계층적 |
|---|
| 기준 | 중심점 거리 | 밀도 기반 | 병합/분할 |
| K 지정 | 사전 지정 필요 | 자동 결정 | 사후 결정 (덴드로그램) |
| 형상 | 구형 클러스터 | 임의 형상 | 임의 형상 |
| 복잡도 | O(nKt) | O(n log n) | O(n²~n³) |
| 적합 규모 | 대규모 | 중규모 | 소규모 |
배깅 vs 부스팅 vs 스태킹
| 항목 | 배깅 | 부스팅 | 스태킹 |
|---|
| 학습 방식 | 병렬 (독립) | 순차 (오차 보정) | 다층 (메타 학습) |
| 감소 대상 | 분산 감소 | 편향 감소 | 최고 성능 추구 |
| 대표 | Random Forest | XGBoost, LightGBM | 다양한 모델 결합 |
| 과적합 | 강건 | 위험 있음 | 구현 복잡 |
SVM vs 로지스틱 회귀 vs 결정트리
| 항목 | SVM | 로지스틱 회귀 | 결정트리 |
|---|
| 원리 | 마진 최대화 | 확률 기반 분류 | 규칙 기반 분할 |
| 해석성 | 블랙박스 | 해석 용이 (계수) | 해석 용이 (규칙) |
| 비선형 | 커널 트릭 | 특징공학 필요 | 자체 지원 |
| 출력 | 결정값 | 확률값 | 결정값/확률 |
실루엣 계수 vs Elbow Method vs Davies-Bouldin vs Calinski-Harabasz
| 구분 | 실루엣 계수 | Elbow Method | Davies-Bouldin | Calinski-Harabasz |
|---|
| 측정 | 응집도+분리도 | 왜곡도(SSE) | 클러스터 간/내 산포비 | 분산비(그룹간/그룹내) |
| 범위 | -1 ~ 1 | 양수 | 0 ~ ∞ (작을수록 좋음) | 양수 (클수록 좋음) |
| 해석 | 직관적 | 변곡점 주관적 | 자동 비교 | 자동 비교 |
| 계산량 | O(n²) | O(nK) | O(n) | O(n) |
| 장점 | 개별 포인트 분석 | 간단·시각적 | 클러스터 쌍 비교 | 빠른 계산 |
SOM vs K-means vs PCA vs t-SNE
| 구분 | SOM | K-means | PCA | t-SNE |
|---|
| 유형 | 경쟁학습 신경망 | 분할 클러스터링 | 선형 차원축소 | 비선형 차원축소 |
| 위상 보존 | O (핵심 특성) | X | 부분적 | O |
| 출력 | 2D 격자 | K개 클러스터 | 주성분 벡터 | 저차원 좌표 |
| 시각화 | 직관적 (격자맵) | 제한적 | 가능 | 우수 |
| 클러스터 수 | 격자 크기로 결정 | K 사전 지정 | 해당없음 | 해당없음 |
DSML 수명주기 vs CRISP-DM
| 구분 | DSML 수명주기 | CRISP-DM |
|---|
| 발표 | Gartner 등 현대적 정의 | 1996년 (IBM/SPSS) |
| 단계 | 6단계 (유사) | 6단계 |
| MLOps | 배포+운영+모니터링 강조 | 배포 단계 간략 |
| 반복성 | 애자일·반복적 강조 | 폭포수적 순환 |
| AI/DL | LLM, 딥러닝, AutoML 포함 | 전통 ML 중심 |