https://www.youtube.com/watch?v=jPs3n9Vou9c

1. 이건 꼭 알아야 한다[^1]

[? 질문] 매체에서 말하는 인공지능(AI), 머신러닝(기계학습), 딥러닝은 서로 무엇이 어떻게 다른가[^2]
[= 답] 셋은 모두 “데이터에서 **패턴/특징(feature)**을 찾아 문제를 푸는” 공통점을 가지지만, **포함 관계(범위)**가 다르다: 딥러닝(신경망을 깊게 쌓은 구조) ⊂ 머신러닝(딥러닝+추가 알고리즘/문제해결까지 포함) ⊂ 인공지능(머신러닝으로 시스템 전체를 구성해 고차원 문제를 푸는 것) 이다.[^7][^8]

[? 질문] “러닝(학습)”이란 무엇이며, 머신러닝/딥러닝에서 말하는 학습 방식에는 어떤 종류가 있는가[^9]
[= 답] 학습은 (대개) 데이터로부터 규칙/특징을 찾아 성능을 높이는 과정이며, 대표적으로 지도학습, 비지도학습, 준지도학습, 강화학습의 4가지 틀이 있다고 설명한다.[^9][^10][^21]

[? 질문] 자율주행, 알파고, 스테이블 디퓨전, GPT 같은 사례는 AI/ML/DL 중 무엇으로 불러야 하는가[^3]
[= 답] 이런 사례들은 대체로 “전부 인공지능”이라고 폭넓게 부를 수 있고, 그 내부 기술로는 머신러닝/딥러닝 기법이 사용된다고 개념적으로 이해하면 된다.[^8][^11][^12]

---

2. 큰 그림[^2]

이 콘텐츠는 대중 매체에서 혼용되는 인공지능, 머신러닝, 딥러닝 용어를 “정확히 구분하기 어렵다”는 현실을 인정한 뒤, 세 개념의 **공통점(패턴/특징 추출)**과 **포함 관계(범위 차이)**를 설명한다.[^4][^6][^7] 이어서 ‘러닝’이라는 말이 가리키는 학습 패러다임을 4가지(지도/비지도/준지도/강화)로 나누어, 각각이 무엇을 입력으로 받고 어떤 방식으로 정답(또는 보상)을 다루는지 예시로 풀어준다.[^9][^10][^21]

• 공통점은 “특징을 찾는 것”: AI/ML/DL 모두 데이터에서 어떤 패턴/특징을 찾아내는 접근이라는 점에서 출발이 같다.[^5][^6]
• 차이는 “범위(포함 관계)”: 딥러닝은 깊은 신경망 구조 자체를 강조하고, 머신러닝은 신경망 기반 기법과 문제 해결을 위한 알고리즘 확장까지 포함하며, 인공지능은 이를 통합해 자율주행·게임 등 고차원 시스템 문제를 푸는 수준의 총칭으로 설명한다.[^7][^8]
• 학습 종류 4가지로 정리: 지도학습(정답 제공), 비지도학습(정답 없음), 준지도학습(정답 일부), 강화학습(보상으로 학습) 프레임을 통해 “러닝”을 구체화한다.[^10][^18][^20][^21]

---

3. 하나씩 살펴보기[^2]

3.1 도입: 왜 세 용어가 헷갈리는가—사례는 넓고 구분은 어렵다[^3]

영상은 “인공지능/딥러닝/머신러닝”이 매체에서 어떻게 등장하는지부터 짚는다.[^3] 화자는 자율주행, 알파고(바둑), 디퓨전 기반 이미지 생성(스테이블 디퓨전 계열), GPT 같은 언어 챗봇 등 매우 다양한 사례가 한데 묶여 소개된다고 말한다.[^3]

하지만 이런 사례를 두고 “이건 딥러닝이고 저건 인공지능”처럼 딱 잘라 구분하기는 어렵다고 말한다.[^4] 그 이유를 길게 이론적으로 설명하기보다는, 우선 세 용어가 공유하는 출발점을 제시한다: 결국 “전부 다 어떤 패턴, 어떤 특징을 찾아낸다”고 보면 된다는 것이다.[^5]

• 화자가 제시하는 공통분모
  • “AI/ML/DL은 모두 패턴/특징을 찾는 접근”이라는 관점으로 묶을 수 있다.[^5][^6]
  • 그리고 “서로 약간씩 다르다”고 하며, 그 차이를 이해하려면 ‘러닝’이 무엇인지 볼 필요가 있다고 연결한다.[^6][^7]

[!IMPORTANT] 공통점을 먼저 잡는 이유
세 용어를 처음부터 칼같이 경계로 나누기보다, “모두 특징을 찾는다”는 공통 기반 위에서 범위의 차이로 이해시키려는 전개다.[^5][^7]

3.2 딥러닝: “깊다”의 의미—심층 신경망(히든 피처)의 적층[^7]

화자는 차이점을 설명할 때 “우선 두 번째 개념인 딥러닝부터” 보자고 하며, 딥러닝의 핵심을 ‘깊다’라는 말로 푼다.[^7] 여기서 “깊다”는 감각적 표현이 아니라, 심층 신경망(deep neural network) 을 설계할 때 **히든 피처(은닉 특징)**를 찾는 뉴런 네트워크(레이어)가 깊게 많이 쌓여 있음을 의미한다고 말한다.[^7]

즉 딥러닝은:

• 어떤 문제를 풀기 위해 사용되는 뉴런 네트워크 구조가 복잡하게(깊게) 설계되어 있고,[^7]
• 그 구조를 통해 문제 해결에 필요한 특징들을 내부(히든 레이어)에서 추출하도록 만든 것이라는 설명이다.[^7]

여기서 포인트는 “딥러닝=깊은 신경망”이라는 구조적 정의에 가깝게 설명한다는 점이다.[^7]

3.3 머신러닝: 딥러닝을 포함해 ‘상위 차원 문제 해결’로 확장[^8]

딥러닝 설명 뒤 화자는 “여기서 머신러닝으로 확장을 하게 되면”이라고 말하며 범위를 넓힌다.[^8] 머신러닝은 (화자의 설명 흐름에서) 딥러닝 같은 네트워크를 활용해 더 “상위 차원의 문제”를 풀도록 확장하는 개념으로 제시된다.[^8]

화자가 열거하는 “머신러닝에 포함되는 것들”은 다음처럼 구성된다.[^8]

• 딥러닝을 통해 국소 패턴(local pattern) 을 찾는다.[^8]
• 거기서부터 새로운 문제를 해결하기 위한 알고리즘을 추가한다.[^8]
• 딥 뉴럴 네트워크 구조로부터 유의미한 구조를 파악한다.[^8]

즉, 딥러닝이 “깊은 신경망 구조” 자체에 초점이 있다면, 머신러닝은:

• 그 구조(또는 다양한 학습 모델)를 활용해
• 패턴을 찾고,
• 추가 알고리즘/구조 해석 등을 통해
• 문제 해결 범위를 넓히는 더 큰 묶음으로 설명된다.[^8]

[!NOTE] 용어 사용의 뉘앙스
화자는 머신러닝을 “딥러닝을 포함하는 상위 개념”으로 놓고, 딥러닝에서 얻는 특징/구조를 활용해 문제 해결을 확장하는 느낌으로 설명한다.[^8][^13]

3.4 인공지능(AI): 머신러닝으로 시스템을 통합해 고차원 과제를 해결하는 것[^8]

화자는 그림을 “외부에서 가져왔다”고 말하며, 더 상위 개념으로 올라가면 “인공지능(Artificial Intelligence)”이 나온다고 설명한다.[^8] 그리고 딥러닝→머신러닝→인공지능을 한 문장 흐름으로 다시 정리한다.[^8]

정리 구조는 다음과 같다.[^8]

1. 딥러닝: 어떤 문제를 풀기 위한 특징을 찾기 위해 딥하게 쌓여 있는 신경망.[^8]
2. 머신러닝: 그 신경망으로부터 문제 해결 알고리즘, 그리고 “피처로부터 알 수 있는 것”까지 포함.[^8]
3. 인공지능: 머신러닝 알고리즘을 이용해 자율주행, 게임 등 “고차원적인 문제”를 풀 수 있는 것을 통합해 부르는 것.[^8]

여기서 “통합”이라는 표현이 중요하다. 단일 모델/기법이 아니라, 여러 ML/DL 요소를 엮어 시스템 레벨에서 문제를 해결하면 AI로 부른다는 취지다.[^8]

3.5 다시 사례로 돌아가기: GPT·스테이블 디퓨전 등은 “인공지능”으로 볼 수 있다[^11]

화자는 앞의 예시로 돌아가 “챗지피티, 스테이블 디퓨전” 같은 것들이 “전부 다 인공지능이라고 여러분들이 볼 수 있어요”라고 말한다.[^11] 즉 대중적으로 접하는 대표 사례들은 AI의 범주로 호명해도 무방하다는 톤이다.[^11]

다만 그 다음 문장에서는 “안에 있는 기술들은 머신러닝 딥러닝에 있는 기법들을 사용한다”라고 덧붙이며, 겉으로는 AI 서비스/시스템이지만 내부 구현은 ML/DL 기법이라는 층위 구조를 재확인한다.[^12]

• 겉(서비스/시스템): AI로 부르는 것이 자연스럽다.[^11]
• 속(구현 기법): ML/DL 기법들이 들어간다.[^12]

그리고 “사실 이 세 개를 어느 것이든 사용해도 된다”는 식으로, 일상적 용례에서는 혼용이 흔하다는 현실도 같이 말한다.[^12] 하지만 “조금 더 깊게 살펴보자면 이런 차이가 있다”고 하며, 개념적 구분의 필요성을 ‘상식’ 수준으로 제시한다.[^12]

3.6 포함 관계 한 문장 결론: 딥러닝이 하위, 인공지능이 상위[^13]

여기서 화자는 이 파트를 사실상 결론처럼 정리한다:
“딥러닝이 가장 하위 개념이고 가장 상위 개념이 인공지능”이라고 알아두면 된다고 말한다.[^13]

• [h 딥러닝 ⊂ 머신러닝 ⊂ 인공지능]이라는 포함 관계를 기억 포인트로 제시한다.[^13]

3.7 러닝(학습)의 4가지 종류 소개: 전체 지도 제시[^9]

이제 화자는 “러닝의 종류에는 총 4가지가 있다”고 말하며 학습 패러다임으로 넘어간다.[^9] 화면에 4가지 종류가 보이고, “대부분이 여기 들어온다”고 말해, 머신러닝/딥러닝에서 흔히 접하는 학습 방식의 큰 분류임을 암시한다.[^9]

이후 전개는 1) 지도학습 → 2) 비지도학습 → 3) 준지도학습 → 4) 강화학습 순서다.[^10][^18][^20][^21]

3.8 지도학습(Supervised Learning): 문제와 정답을 함께 주는 학습[^10]

화자는 첫 번째로 “스플바이즈 러닝(지도 학습)”을 소개하며, “말 그대로 가르쳐 주는 것”이라고 정의한다.[^10] 지도학습의 핵심 구조는:

• 문제가 주어지고
• 그 문제에 대한 정답도 다 알려주는 것이다.[^10]

화자는 이를 학교 공부에 비유한다.[^11에 가까운 타임스탬프가 아니므로 해당 비유는 아래 각주로 연결] 실제로는 “문제랑 답을 다 보고, 왜 이 답이 나오는지 공부하는 것”으로 생각하면 된다고 설명한다.[^14]

3.8.1 분류(Classification) 예시: 고양이/강아지 레이블[^15]

지도학습의 예시로 이미지를 주고 “이거는 고양이 그림, 이거는 강아지 그림”처럼 정답 레이블을 같이 준다고 말한다.[^15] 그러면 학습자는(모델은) 정답으로부터 “왜 고양이고 왜 강아지인지” 스스로 “유출(=유추)”할 수 있도록 특징을 찾아내게 된다고 설명한다.[^15][^16] 이 과정이 지도학습이 하는 일이라고 정리한다.[^16]

• 입력: 이미지
• 정답(레이블): 고양이/강아지
• 학습 목표: 고양이/강아지를 구분하게 만드는 특징을 내부적으로 찾기[^15]

3.8.2 회귀(Regression) 예시: 수치 값을 예측하는 문제[^17]

화자는 지도학습에는 “분류하는 문제”도 있고 “regrection(회귀) 문제가 있다”고 하며, 회귀는 “수치적인 답을 찾아내는 것”이라고 설명한다.[^17]

분류처럼 “강아지/고양이” 범주가 아니라:

• 어떤 값을 넣었을 때
• 어떤 특정한 값(숫자) 이 나오게 하는 문제를 말한다고 한다.[^17]

그 예시로:

• “시간에 따른 주택의 값”
• “환율의 시세”
  등을 든다.[^18] 이런 것들은 결과가 범주가 아니라 연속적인 “값으로 나오는” 대표 사례이며, 전부 회귀 분석(regression) 문제로 해결된다고 말한다.[^18][^19]

3.8.3 지도학습의 신경망 관점(입력-모델-출력)과 레이어=특징 표현[^19]

화자는 “문제와 정답이 다 주어져 있는 게 supervised learning”이라고 다시 기억 포인트를 준 뒤, 이를 뉴런 네트워크로 표현하면 다음과 같다고 말한다.[^19]

• 인풋(input) 이 있고
• 인풋이 어떤 특정한 인공지능 모델을 통과하고
• 그 결과 아웃풋(output) 이 나온다.[^19]

그리고 “문제와 답이 주어져 있을 때 특징을 찾아서 특징으로부터 학습한다”는 앞선 설명을 다시 가져와, 뉴런 구조 안에서 “어떤 레이어들은 특징을 갖고 있다”고 말한다.[^20] 즉, 신경망 내부 레이어(특히 중간 레이어)가 feature representation을 학습한다는 관점을 덧붙인다.[^20]

3.8.4 인코더-디코더 비유: 인코더=특징 추출, 디코더=정답 도출[^20]

또 하나의 연결고리로, 시청자가 “인코더 디코더 구조”를 공부하며 접했을 수도 있다고 가정한다.[^20] 그 경우:

• 인코더(encoder) 가 “특징을 찾아내는 것”
• 그 특징으로부터 정답을 도출하는 것을 디코더(decoder) 로 이해하면 편하다고 말한다.[^20]

[!TIP] 지도학습을 떠올리는 빠른 도식
입력과 정답(레이블)이 함께 주어지고, 모델은 내부 레이어(인코더 등)에서 특징을 만들고, 디코더 등으로 정답을 예측한다는 흐름으로 잡으면 된다.[^19][^20]

3.9 비지도학습(Unsupervised Learning): 문제만 주고 정답은 스스로 찾게 한다[^18]

두 번째 학습으로 화자는 “말 그대로 지도를 하지 않는 것”이라고 시작한다.[^18] 비지도학습은:

• 문제만 주어져 있고
• “정답 너가 알아서 찾아라” 형태라고 말한다.[^21]

그래서 보통은:

• 군집화(clustering) 처럼 “어떤 것이 같은 그룹에 속하는지”
• 데이터의 패턴을 찾는 데 초점을 둔다고 설명한다.[^21]

또한 “자료의 차원이 되게 많다”고 말하며, 변수가 많은 상황을 예로 든다.[^21] 예를 들어 어떤 사람의 이력을 볼 때:

• 나이, 키, 몸무게부터
• 가족관계까지
  많은 정보가 나열되어 있을 수 있는데, 여기서 “필요 없는 걸 지우는” 식으로 생각할 수 있다고 한다.[^22] 이는 많은 변수 중 의미 있는 구조를 찾거나 차원을 줄이는 직관적 설명으로 들린다.[^22]

3.9.1 차원 축소(Dimension Reduction) 언급(분류 위치에 대한 화자 발언 포함)[^22]

화자는 “디멘션 리덕션(dimension reduction)”도 언급하며, “이것도 … 러닝에 속하게 된다”고 말한다.[^22] (영상 자막상 표현이 다소 흔들리지만) 비지도학습 파트에서 차원 축소를 함께 이야기하며, 군집화/차원축소처럼 정답 없이 구조를 찾는 유형을 염두에 둔 전개로 이해된다.[^21][^22]

+++ 상세 예시(화자의 비유를 문장으로 풀어쓰기) “사람 이력 데이터”처럼 항목이 과하게 많은 표를 받았을 때, 정답(정확한 분류 라벨)이 주어진 게 아니라면 비지도학습은

• 비슷한 사람끼리 묶이도록 그룹을 찾거나(군집화),
• 중요한 축만 남도록 정보를 압축/정리하는 방향(차원 축소)으로 “패턴”을 찾는다고 이해하라는 흐름이다.[^21][^22] +++

3.10 준지도학습(Semi-supervised Learning): 정답 있는 데이터+없는 데이터의 혼합[^23]

세 번째는 “세미 스퍼바이즈 러닝”이며, 화자는 “둘을 적절하게 섞은 것”이라고 소개한다.[^23] 다만 경계가 애매하다고도 말한다.[^23]

화자의 설명에서 준지도학습 데이터는 다음 성격을 가진다.[^24]

• “레이블 되어 있다” = 문제에 대한 답이 주어져 있다는 데이터도 있고,[^24]
• 문제는 있는데 “답이 안 …(주어진)” 데이터도 섞여 있다는 것.[^24]

그리고 이를 학습 상황에 비유한다:

• 예제 문제에는 답이 있는 경우가 있고
• 연습문제는 답이 없는 경우가 있는데,[^25]
• 예제로 학습한 다음 연습문제를 풀 수 있도록 하는 구조가 준지도학습에서 사용하는 구조라고 말한다.[^25]

화자는 또한 앞의 두 개(지도/비지도)에 비해 “크게 비중이 다루어지지 않는다”고 언급한다.[^26] 즉 널리 쓰이긴 하지만 대중적 설명에서 중심에 놓이지는 않는다는 뉘앙스다.[^26] 그럼에도 “용어 자체는 존재하니 알아두면 좋다”고 정리한다.[^26]

3.11 강화학습(Reinforcement Learning): 정답 대신 ‘점수(보상)’로 최대화 학습[^21]

네 번째는 “강화 학습(리인포스먼트 러닝)”이다.[^21] 화자는 강화학습은:

• 문제와 답을 주는 게 아니라
• 문제를 먼저 주고
• 인공지능이 답을 내면
• “더 잘했어/못했어”처럼 점수(보상) 를 주고
• 그 점수를 최대화하도록 설계하는 것이라고 설명한다.[^27]

즉 지도학습처럼 정답 레이블을 맞히는 구조가 아니라, 시도한 결과에 대한 평가(보상)를 통해 행동/정책을 개선하는 관점이다.[^27]

또한 “(… ) 프롬 피드백”이라는 표현을 짧게 언급하는데, 문맥상 피드백으로부터 학습하는 류의 강화학습/정렬 개념을 가리키는 언급으로 제시된다.[^28]

[!IMPORTANT] 강화학습의 구분점(화자 표현 그대로 재구성)
[h 정답을 ‘주는’ 게 아니라, 결과에 대해 ‘점수’를 주고 그 점수를 최대화하도록 만든다.] 라는 대비로 이해시키고 있다.[^27]

3.12 마무리: 일상에서는 혼용하지만, 개념 차이는 알아두자[^29]

마지막으로 화자는 4가지 러닝을 훑었고,[^29] 매체/신문에서 “인공지능을 사용했다”, “딥러닝을 사용했다”, “기계학습을 사용했다”라고 표현하는 경우가 보통은 다 같은 대상을 가리킨다고 보면 된다고 말한다.[^29] 즉 실제 커뮤니케이션에서는 세 용어가 엄밀히 구분되어 쓰이지 않는다는 현실을 다시 강조한다.[^29]

하지만 동시에 “개념에는 살짝 차이가 있다 정도”는 상식으로 알아두면 좋겠다고 정리하며 영상을 마친다.[^29][^30]

---

4. 핵심 통찰[^7]

1. [c AI/ML/DL의 핵심 차이는 ‘기술 내용’이라기보다 ‘포함 범위(추상화 레벨)’로 설명하는 것이 이해가 빠르다.] 영상은 딥러닝→머신러닝→인공지능을 ‘깊은 신경망 구조’→‘알고리즘/구조 해석까지 포함’→‘시스템 통합’으로 단계화한다.[^7][^8]

   • 실행: 용어를 들었을 때 “이게 특정 모델(DL) 얘긴지, 학습 방법(ML) 얘긴지, 시스템/서비스(AI) 얘긴지”를 먼저 분리해 듣는다.[^8][^12]

2. [h 대중 사례(GPT/디퓨전/자율주행)를 AI로 묶되, 내부 구성요소는 ML/DL이라는 ‘겉-속’ 구조로 보면 혼동이 줄어든다.] 화자는 사례는 AI로 보고, 그 안의 기술은 ML/DL 기법을 쓴다고 정리한다.[^11][^12]

   • 실행: 기사/홍보 문구에서 “AI 사용”을 보면, 실제로는 “ML/DL 기반 모델 + 데이터 + 시스템 통합” 중 어디가 핵심인지 질문해본다.[^8][^11]

3. [h ‘러닝’ 4분류는 결국 정답(레이블)·정답 부재·부분 레이블·보상이라는 “피드백 형태” 차이로 정리된다.] 지도/비지도/준지도/강화학습을 각각 정답 제공 방식으로 대비해 설명한다.[^10][^21][^25][^27]

   • 실행: 내가 풀 문제에서 “정답이 있나/없나/일부만 있나/점수만 있나”를 먼저 따져 학습 패러다임을 선택한다.[^10][^24][^27]

4. [m 지도학습 설명에서 내부 레이어=특징, 인코더=특징 추출, 디코더=정답 도출이라는 관점은 모델 이해의 ‘언어’를 제공한다.] 신경망을 단순 입출력 상자로 보지 않고, 중간 표현(feature)로 이해하게 만든다.[^20]

   • 실행: 모델을 볼 때 “어떤 특징을 인코더가 만들고, 그 특징으로 무엇을 디코더가 예측하는가”로 구조를 말해본다.[^20]

---

5. 헷갈리는 용어 정리[^7]

딥러닝(Deep Learning): “깊게 쌓인” 심층 신경망(히든 레이어/히든 피처를 많이 쌓은 구조)으로 문제를 풀도록 설계된 접근.[^7]
머신러닝(Machine Learning): 딥러닝을 포함해, 패턴(국소 패턴 등) 탐색과 추가 알고리즘 결합, 구조 파악 등 더 넓은 문제 해결을 포괄하는 상위 개념으로 설명됨.[^8]
인공지능(AI): 머신러닝 알고리즘을 이용해 자율주행·게임 등 고차원 문제를 푸는 시스템을 통합해 부르는 가장 상위 개념으로 설명됨.[^8][^13]
지도학습(Supervised Learning): 문제(입력)와 정답(레이블)을 함께 주고 학습하는 방식.[^10][^19]
분류(Classification): 지도학습에서 고양이/강아지처럼 범주를 맞히는 문제 예시로 제시.[^15]
회귀(Regression): 지도학습에서 주택가격/환율처럼 수치 값을 예측하는 문제.[^17][^18]
비지도학습(Unsupervised Learning): 정답 없이 문제만 주고 군집화 등 패턴을 찾는 방식.[^21]
군집화(Clustering): 비지도학습에서 같은 그룹을 찾는 전형적 과제로 언급.[^21]
차원 축소(Dimension Reduction): 변수가 많은 데이터에서 필요 없는 것을 지우는 식의 직관으로 언급됨.[^22]
준지도학습(Semi-supervised Learning): 레이블 있는 데이터와 없는 데이터가 섞인 상황에서 학습하는 방식.[^24][^25]
강화학습(Reinforcement Learning): 정답 대신 점수(보상)를 주고, 점수를 최대화하도록 학습시키는 방식.[^27]
인코더-디코더(Encoder-Decoder): 인코더는 특징을 찾고, 디코더는 그 특징으로부터 정답을 도출한다는 이해 틀로 제시.[^20]

---

---

참고(콘텐츠 정보)[^1]

• 제목: 이 영상 하나면 '인공지능', '머신러닝', '딥러닝' 이해가 됩니다ㅣ서울대 AI박사 6분 개념정리[^1]
• 채널: 메타코드M[^1]
• 길이: 6분 29초[^1]
• 링크: https://www.youtube.com/watch?v=jPs3n9Vou9c[^1]
• 제공된 키워드: 자율주행, ai 자율주행, AI 기술, lidar, 라이다, 라이다 센서, 자율주행 단계, 메타코드, 메타코드m, 챗GRT[^1]

---

[^1]: 사용자 제공 메타데이터(제목/채널/길이/링크/키워드).
[^2]: @[00:03] “오늘은 인공지능 딥러닝 그리고 머신러닝 … 얼마나 다른지 어떻게 다른지를 살펴보도록 하겠습니다.”
[^3]: @[00:13] 자율주행/알파고/디퓨전 이미지 생성/GPT 챗봇 등 광범위 사례 언급.
[^4]: @[00:19] “여기서 각각 어떤게 딥러닝 어떤게 인공지능 … 딱 구분지를 순 없고요”
[^5]: @[00:36] “어떤 패턴 어떤 특징을 찾아낸다라고 보시면 됩니다”
[^6]: @[00:40] “다 이런 공통점을 갖고 시작하는 것이고 서로 약간씩은 다릅니다”
[^7]: @[00:44] 러닝 이해 필요 → @[00:49] 딥러닝부터 → @[00:56] 딥러닝의 ‘깊다’ 정의(심층 신경망/히든 피쳐/레이어 적층).
[^8]: @[01:08] 딥러닝에서 머신러닝 확장 설명 → @[01:22] 머신러닝 포함 요소 나열 → @[01:43] 딥러닝/머신러닝/인공지능 통합 정의(자율주행·게임 등).
[^9]: @[02:33] “러닝의 종류에는 총 4가지가 있습니다”
[^10]: @[02:40] “첫 번째가 … 지도학습” 및 문제+정답 제공 설명.
[^11]: @[01:53] “초지피티 스테이블 디퓨전 … 전부 다 인공 기능(=인공지능)”
[^12]: @[02:15] “안에 있는 기술들은 머신러닝 딥러닝에 있는 기법들을 사용한다 … 사실 … 어느 것이든 사용을 해도 됩니다”
[^13]: @[02:27] “딥러닝이 가장 하위 개념이고 … 인공지능”
[^14]: @[02:52] 학교 공부 비유: 문제/답을 보고 왜 답이 나오는지 공부.
[^15]: @[02:58] 고양이/강아지 그림과 정답 제공 예시.
[^16]: @[03:03] “그런 것이 지도학습에서 하는 겁니다”
[^17]: @[03:08] 분류 vs 회귀(regression) 소개 및 회귀 정의(수치적 답).
[^18]: @[03:24] 주택가격/환율 등 값 예시, 값으로 나옴 → 회귀 문제.
[^19]: @[03:39] 지도학습 기억 포인트 + 인풋-모델-아웃풋 도식.
[^20]: @[03:47] 레이어에 특징 존재 언급 + @[04:01] 인코더/디코더를 특징추출/정답도출로 이해.
[^21]: @[04:18] 비지도학습 소개: 정답 없이 문제만 → 군집/패턴 찾기.
[^22]: @[04:31] 사람 이력(나이/키/몸무게/가족관계) 등 고차원 데이터 예시 + @[04:41] 디멘션 리덕션 언급.
[^23]: @[04:48] “둘을 적절하게 섞은게 … 세미스퍼바이스 러닝”
[^24]: @[04:56] 레이블 있는 것+없는 것 섞임 설명.
[^25]: @[05:04] 예제는 답 있음/연습문제는 답 없음 비유, 학습 후 연습문제 풀이 구조.
[^26]: @[05:21] 준지도학습은 비중이 크지 않지만 용어는 알아두기.
[^27]: @[05:26] 강화학습: 문제만 주고 답 내면 점수, 점수 최대화.
[^28]: @[05:40] “라이온프롬 피드백 …” 언급(피드백 기반 학습 맥락).
[^29]: @[05:56] 매체에서 AI/딥러닝/기계학습은 보통 같은 개념 지칭 + 개념 차이만 상식으로.
[^30]: @[06:08] “세 개의 단어에 대한 비교를 … 마치도록 하겠습니다”