그렇다면 다양한 머신 러닝 알고리즘 중에서 딥러닝이 돋보이는 이유는 무엇일까요? (심층 신경망 이외의 인기 있는 머신 러닝 기술은 INFO BOX 1.1을 참조하세요.) 딥러닝이 빠르게 인기를 얻은 주된 이유는 많은 문제에서 더 나은 성능을 보여줬기 때문입니다. 하지만 이것이 유일한 이유는 아닙니다. 머신 러닝 워크플로에서 가장 중요하고 어려운 단계인 특성 공학(feature engineering)을 자동화하여 문제 해결을 훨씬 더 쉽게 만들기 때문입니다.

얕은 학습인 이전의 머신 러닝 기술은 일반적으로 고차원 비선형 투영(커널 방법)이나 결정 트리와 같은 간단한 변환을 통해 입력 데이터를 하나 또는 두 개의 연속적인 표현 공간으로 변환합니다. 하지만 복잡한 문제에서 요구하는 정제된 표현은 일반적으로 이러한 기술로 얻을 수 없습니다. 따라서 엔지니어는 초기 입력 데이터를 이런 방법으로 처리하기 쉽게 만들고자 많은 노력을 기울여야 했습니다. 즉, 데이터에 대한 좋은 표현을 수동으로 만들어야 합니다. 이것을 특성 공학이라고 합니다. 반면 딥러닝은 이런 단계를 자동화합니다. 딥러닝을 사용하면 특성을 직접 만들 필요가 없고 모든 특성을 한 번에 학습할 수 있습니다. 이는 머신 러닝 워크플로를 크게 간소화하고 정교한 다단계 파이프라인을 하나의 단순한 엔드-투-엔드 딥러닝 모델로 대체할 수 있습니다. 특성 공학 자동화를 통해 딥러닝은 머신 러닝을 덜 노동 집약적이고 더 강력하게 만듭니다.

딥러닝이 데이터에서 학습하는 방법의 두 가지 핵심적인 특징은 다음과 같습니다. 층을 거치면서 점점 더 복잡한 표현을 학습합니다. 그리고 이러한 중간 표현이 함께 학습된다는 사실입니다. 각 층은 위아래 층의 표현 요구 사항에 따라 함께 업데이트됩니다. 이 두 가지 속성이 머신 러닝에 대한 이전 방식보다 딥러닝을 훨씬 더 성공적으로 만들었습니다.