머신러닝에서 딥러닝으로 넘어가며 ‘거리’에 대한 사고가 어떻게 변했는지를 정리한 글입니다. 거리 기반 ML(Machine Learning) 모델링의 한계(XOR 문제 등)를 이해하고, 은닉층과 고차원 표현을 통해 딥러닝이 어떻게 새로운 기준을 학습하는지를 설명합니다. ML 경험자에게 DL(Deep Learning) 개념 전환을 돕는 개념 중심 글입니다.1. 데이터 분석과 거리 개념의 익숙함데이터 분석과 머신러닝에서는 대부분의 판단 기준이 거리 기반이었다.유클리디안 거리, 코사인 유사도, KNN, 클러스터링 등벡터 간 거리가 작으면 유사, 멀면 이질적이라는 직관이 개념은 “공간 상에 점이 어떻게 퍼져 있는가”를 관찰하고 분류하는 데 탁월하다.필자 역시, EDA나 추천 시스템 등을 설계할 때 ‘거리’를 어떻..
