마크다운 뜻, 별표 두 개가 굵은 글씨로 안 바뀌고 남는 경우와 md 파일 여는 법
마크다운은 별표, 샵 같은 기호로 굵은 글씨와 제목을 표시하는 일반 텍스트 형식이에요. CommonMark 사양 0.31.2 규칙으로는 닫는 별표 두 개 바로 앞이 따옴표나 괄호 같은 구두점이고 바로 뒤에 글자가 붙으면 굵은 글씨가 되지 않고 별표가 그대로 남아요. md 파일은 일반 텍스트라서 텍스트 편집기로 열 수 있어요.
AI 기술을 누구나 쉽게 활용할 수 있도록 실전 가이드를 작성합니다. ChatGPT, Claude, AI 자동화, SEO 분야를 전문으로 다룹니다.
머신러닝과 딥러닝은 포함 관계예요. 딥러닝이 머신러닝 안에 들어 있어요. Google Cloud 문서는 딥 러닝을 「인공 신경망을 사용하여 정보를 처리하고 분석하는 머신러닝의 하위 집합」이라고 적고, 머신러닝을 인공지능의 하위 집합이라고 적어요. AWS 문서의 요약 표 첫 줄에는 「모든 ML이 딥 러닝인 것은 아닙니다」, 「모든 딥 러닝은 ML에 해당합니다」라는 두 문장이 있어요.
Microsoft Learn 문서는 기계 학습에서는 알고리즘이 정확한 예측을 만드는 방법을 알려야 하고(예를 들어 기능 추출을 수행하여), 딥 러닝에서는 알고리즘이 인공 신경망 구조를 사용하기 때문에 자체 데이터 처리를 통해 그 방법을 배울 수 있다고 적어요. Google Cloud 문서의 표는 머신러닝에 「종종 상당한 수동 특성 추출이 필요합니다」라고 적고, 딥 러닝은 「자동 특성 추출을 수행합니다」라고 적어요. IBM 문서는 딥 러닝이 특징 추출 과정의 상당 부분을 자동화하여 사람이 직접 수행해야 하는 작업을 줄여준다고 적어요.
이 글은 2026년 11월 16일 오전 10시 55분부터 10시 58분 사이(한국 시각)에 받은 네 회사의 문서 일곱 쪽을 바탕으로 썼어요. 이 가운데 IBM과 Google Cloud 문서는 영어 쪽도 열어 봤어요. Google Cloud의 「딥 러닝, 머신러닝, 인공지능의 차이점은 무엇인가요?」, Microsoft Learn의 「Azure Machine Learning에서의 딥 러닝 대 기계 학습」(2025년 10월 16일 마지막 업데이트), AWS의 「기계 학습과 딥 러닝의 차이점은 무엇인가요?」, IBM의 「AI, 머신러닝, 딥러닝 및 신경망 비교」, 그리고 Google for Developers의 머신러닝 용어집 한국어판(2026년 4월 11일 최종 업데이트)과 영어판(2026년 11월 6일 최종 업데이트), 머신러닝 소개 과정(2026년 1월 27일 최종 업데이트)이에요. Microsoft와 AWS의 한국어 쪽은 머신러닝을 「기계 학습」이라고 적어요.
네 회사의 비교 문서는 모두 딥러닝을 머신러닝 안에 넣어요. 문장을 그대로 옮기면 아래와 같아요.
| 문서 | 딥러닝과 머신러닝의 관계 | 머신러닝과 인공지능의 관계 |
|---|---|---|
| Google Cloud | 딥 러닝은 머신러닝의 하위 집합 | 머신러닝은 인공지능의 하위 집합 |
| Microsoft Learn | 딥 러닝은 인공신경망을 기반으로 하는 기계 학습의 하위 집합 | 기계 학습은 인공 지능의 하위 집합 |
| AWS | 딥 러닝은 ML의 하위 집합 | ML과 딥 러닝은 모두 데이터 과학과 인공 지능(AI)의 하위 집합 |
| IBM | 딥 러닝은 머신 러닝의 하위 분야 | 머신 러닝은 AI의 하위 집합 |
IBM 문서는 이 관계를 이해하는 가장 쉬운 방법으로, 가장 큰 것부터 가장 작은 것까지 각각을 수용하는 일련의 AI 시스템으로 생각하라고 적어요. 같은 문서는 신경망이 딥 러닝 알고리즘의 중추를 구성한다고 덧붙여요.
Google Cloud 문서는 세 용어가 명확한 계층 구조를 나타낸다고 적어요. 딥 러닝은 머신러닝의 특화된 유형이고, 머신러닝은 광범위한 인공지능 분야의 핵심 분야라는 거예요. Google for Developers 머신러닝 용어집의 「인공지능」 항목도 공식적으로 머신러닝은 인공지능의 하위 분야라고 적어요. 같은 항목은 최근 몇 년간 일부 조직에서 인공지능과 머신러닝이라는 용어를 혼용하기 시작했다고 덧붙여요. IBM 문서도 이 용어들이 종종 같은 의미로 사용되며 각각의 차이점을 혼동할 때가 많다고 적어요.
머신러닝을 풀이한 문장을 문서별로 옮기면 아래와 같아요.
Google Cloud 문서의 표는 머신러닝의 접근 방법 칸에 알고리즘의 예로 선형 회귀, SVM, 결정 트리, 랜덤 포레스트를 들어요. 같은 표의 사용 사례 칸에는 전자상거래 또는 스트리밍 서비스의 추천 시스템, 스팸 필터링, 유지보수 필요 예측, 정형 데이터를 통한 의료 진단, 고객 이탈 예측이 적혀 있어요.
딥러닝 쪽 설명에서 네 문서가 신경망에 대해 적은 문장은 아래와 같아요.
신경망의 구조에 대해 IBM 문서는 노드 계층, 입력 계층, 하나 이상의 숨겨진 계층, 출력 계층으로 구성된다고 적어요. Google for Developers 머신러닝 용어집의 「히든 레이어」 항목은 히든 레이어를 신경망에서 입력 레이어와 출력 레이어 사이에 있는 레이어라고 풀이해요.
IBM 문서는 신경망을 머신 러닝의 하위 집합이자 딥 러닝 알고리즘의 중추라고 적어요. 같은 문서는 단일 신경망이 신경망의 노드 레이어 수 또는 깊이를 통해 딥 러닝 알고리즘과 구별할 수 있다고 적어요.
특징 추출이 무엇인지는 Google for Developers 머신러닝 용어집 영어판의 feature engineering 항목에 적혀 있어요. 모델을 학습시키는 데 유용할 특성이 무엇인지 판단하고, 데이터 세트의 원시 데이터를 그 특성의 효율적인 버전으로 변환하는 단계를 포함하는 프로세스예요. 한국어판은 특성 추출을 특징 추출 또는 특성 생성이라고도 한다고 적어요. 같은 용어집의 feature extraction 항목은 이 말이 두 가지 정의로 중복 정의된 용어라고 적고, 그 가운데 하나를 feature engineering의 동의어라고 적어요. 다른 하나는 비지도 또는 사전 학습된 모델에서 계산된 중간 특성 표현을 검색해 다른 모델의 입력으로 쓰는 것이에요.
이 일을 누가 하느냐에 대해 네 문서가 적은 문장은 아래와 같아요. Microsoft Learn의 한국어 쪽은 이 낱말을 「기능」으로, AWS의 한국어 쪽은 「피처」와 「기능 엔지니어링」으로 적어요. IBM 한국어 쪽도 아래 표에 옮긴 문장에서 「기능의 계층 구조」라고 적는데, 영어 쪽은 이 자리를 hierarchy of features라고 적어요. Google Cloud 문서의 「기능, 복잡성, 특성 추출」에서 「기능」은 영어 쪽의 capability에 해당하는 다른 낱말이에요.
| 문서 | 머신러닝 쪽 | 딥러닝 쪽 |
|---|---|---|
| Google Cloud | 종종 상당한 수동 특성 추출이 필요합니다. 알고리즘이 학습할 수 있도록 사람이 원시 데이터에서 관련 입력 특성을 선택, 변환, 생성해야 합니다 | 자동 특성 추출을 수행합니다. 수동 특성 추출의 필요성이 줄어듭니다 |
| Microsoft Learn | 사용자가 기능을 정확하게 식별하고 만들어야 합니다 | 데이터의 고급 기능을 학습하고 자체적으로 새 기능을 만듭니다 |
| AWS | 일반적으로 사람이 직접 원시 데이터에서 피처를 선택하고 추출한 다음 가중치를 할당하는 기능 엔지니어링이 필요합니다 | 사람의 개입을 최소화하면서 기능 엔지니어링을 수행합니다 |
| IBM | 인간 전문가가 데이터 입력 간의 차이를 이해하기 위해 기능의 계층 구조를 결정하며 | 특징 추출 과정의 상당 부분을 자동화하여 사람이 직접 수행해야 하는 작업을 줄여줍니다 |
AWS 문서는 고양이와 강아지의 이미지를 분류하는 예를 들어요. ML 모델을 훈련시키는 경우 눈 모양, 꼬리 모양, 귀 모양, 코 윤곽 등의 특징을 인식하도록 모델을 수동으로 구성해야 한다고 적어요.
IBM 문서는 피자, 버거, 타코 같은 패스트푸드 이미지를 예로 들어요. 클래식 머신 러닝에서는 이미지를 분석하는 인간 전문가가 각 사진을 특정 패스트푸드 유형으로 구분하는 특징을 파악한다고 적어요. 딥 러닝 쪽은 텍스트, 이미지와 같은 원시 형태의 비정형 데이터를 수집할 수 있고 세 음식을 구별하는 특징 집합을 자동으로 결정할 수 있다고 적어요.
AWS 문서에는 「사람의 개입」이라는 항목도 있어요. ML과 딥 러닝 솔루션이 모두 작동하는 데 상당한 인적 개입을 필요로 한다고 적어요. 누군가 문제를 정의하고, 데이터를 준비하고, 모델을 선택하여 훈련시킨 다음, 솔루션을 평가, 최적화 및 배포해야 한다는 거예요.
신경망이 몇 겹이면 딥러닝으로 부르는지는 문서마다 표현이 달라요. 세는 대상도 달라요.
| 문서 | 적힌 표현 | 세는 대상 |
|---|---|---|
| Google for Developers 머신러닝 용어집 「심층 모델」 | 히든 레이어가 두 개 이상 포함된 신경망 | 히든 레이어 |
| IBM 한국어 쪽 | 입력과 출력을 포함해 3개 이상의 계층으로 구성된 신경망 | 입력과 출력을 포함한 계층 |
| IBM 영어 쪽 | more than three layers, including the inputs and the output | 입력과 출력을 포함한 계층 |
| AWS | 입력 및 출력 계층 노드를 비롯하여 3개 이상의 노드 계층 | 입력과 출력을 포함한 노드 계층 |
| Google Cloud | 입력 레이어와 출력 레이어 외에 여러 개의 히든 레이어 | 히든 레이어, 숫자 없음 |
| Microsoft Learn | 레이어 수가 많은 신경망 | 레이어, 숫자 없음 |
Google for Developers 머신러닝 용어집은 심층 모델을 심층신경망이라고도 한다고 적어요. 같은 용어집의 「히든 레이어」 항목에는 숨겨진 레이어가 두 개 포함된 모델의 그림을 두고 심층 신경망이라고 부르는 문장이 있어요. 용어집 영어판의 neural network 항목은 신경망을 히든 레이어가 적어도 하나 들어 있는 모델로, 심층신경망을 히든 레이어가 하나보다 많이 들어 있는 신경망의 한 유형으로 풀이해요.
IBM 문서의 한국어 쪽은 입력과 출력을 포함해 3개 이상의 계층으로 구성된 신경망이 딥 러닝 알고리즘으로 「간주될 수 있습니다」라고 적고, 앞부분에서는 딥 러닝 알고리즘에 「3개 이상이 있어야 합니다」라고 적어요. 같은 문서의 영어 쪽은 A neural network of more than three layers, including the inputs and the output, can be considered a deep-learning algorithm이라고 적고, 앞부분에서는 a deep learning algorithm, which must have more than three라고 적어요. 두 쪽이 적은 낱말을 그대로 옮겼어요. AWS 문서는 심층 신경망이 입력 및 출력 계층 노드를 비롯하여 3개 이상의 노드 계층으로 구성된다고 적어요.
숫자를 적은 곳은 Google for Developers 머신러닝 용어집, IBM, AWS 세 곳이에요. IBM은 한국어 쪽과 영어 쪽이 적은 말이 다르고, Google Cloud와 Microsoft Learn 두 곳은 숫자 없이 적어요.
Google Cloud 문서는 딥 러닝에 머신러닝보다 더 많은 학습 데이터와 컴퓨팅 리소스가 필요하다고 적고, AWS 문서의 요약 표는 딥 러닝이 ML보다 데이터 볼륨이 많다고 적어요. 숫자를 적은 곳은 AWS와 Google Cloud 두 곳이고 단위가 달라요.
| 문서 | 머신러닝 쪽 | 딥러닝 쪽 |
|---|---|---|
| AWS | ML 모델에는 피처당 약 50에서 100개의 데이터 포인트 | 딥 러닝 모델에는 피처당 최소 수천 개의 데이터 포인트 |
| Google Cloud | 상당한 양의 정형 데이터 또는 라벨이 지정된 데이터 | 매우 큰 데이터 세트(수백만 개의 데이터 포인트) |
| Microsoft Learn | 적은 양의 데이터를 사용하여 예측을 만들 수 있습니다 | 예측을 수행하려면 많은 양의 학습 데이터를 사용해야 합니다 |
| IBM | 더 적은 데이터를 사용합니다 | 정확도를 높이려면 더 많은 데이터 포인트가 필요합니다 |
AWS 문서의 숫자는 피처 하나당 데이터 포인트 수이고, 「예를 들어」로 시작하는 문장에 들어 있어요. Google Cloud 문서의 숫자는 데이터 세트의 데이터 포인트 수예요. 같은 문서의 영어 쪽은 이 자리를 often millions of data points라고 적어요. 두 숫자는 단위가 달라요.
AWS 문서는 이 숫자를 두 기술의 유사점 항목에 적었어요. ML과 딥 러닝 모두 더 정확한 예측을 위해서는 양질의 훈련 데이터 세트가 많이 필요하다는 문장 바로 뒤예요.
하드웨어에 대해 Google Cloud, Microsoft Learn, AWS 문서가 적은 내용은 아래와 같아요.
Google Cloud 문서의 표는 머신러닝이 몇 초에서 몇 시간까지 걸릴 수 있다고 적고, 딥 러닝은 학습 시간이 매우 오래 걸리는 경우가 많다고 적으면서 괄호 안에 몇 시간, 며칠 또는 몇 주를 들어요. Microsoft Learn 문서의 표는 기계 학습이 몇 초에서 몇 시간까지 비교적 적은 시간이 소요된다고 적어요. 딥 러닝 알고리즘에는 많은 레이어가 포함되어 있기 때문에 일반적으로 학습하는 데 시간이 오래 걸린다고 적어요.
어떤 데이터에 맞는지에 대해 AWS 문서는 ML이 분류 및 추천 시스템의 경우와 같은 정형 데이터에서 패턴을 식별한다고 적어요. 딥 러닝 솔루션은 피처를 추출하기 위해 고도로 추상화해야 하는 비정형 데이터에 더 적합하다고 적어요. Microsoft Learn 문서는 딥 러닝이 이미지, 소리, 비디오 및 텍스트와 같은 구조화되지 않은 데이터의 패턴을 식별하는 데 탁월하다고 적어요.
딥러닝 쓰임새로 문서가 든 예는 아래와 같아요.
성능에 대해 AWS 문서는 ML과 딥 러닝 모두 특정 사용 사례에서 다른 사용 사례에서보다 더 뛰어난 성능을 발휘한다고 적어요. 새로 들어오는 스팸 메시지를 식별하는 것과 같은 간단한 작업에는 ML이 적합하며 일반적으로 딥 러닝 솔루션보다 더 뛰어난 성능을 발휘한다고 해요. 의료 이미징 인식과 같은 더 복잡한 작업에서는 딥 러닝 솔루션이 ML 솔루션보다 성능이 뛰어나다고 적어요.
AWS 문서는 ML 모델이 의사 결정 트리와 같은 단순한 수학적 모델에서 파생되기 때문에 사람이 해석하기가 더 쉽다고 적어요. Google Cloud 문서의 표는 딥 러닝이 투명성이 부족한 경우가 많다고 적어요. 딥 러닝 모델이 특정 결정을 내린 이유를 이해하는 것은 파라미터의 복잡성과 양 때문에 어려울 수 있다고 설명해요. 같은 표의 머신러닝 칸은 「다양합니다」라고 적어요. 결정 트리, 선형 회귀 같은 단순한 모델은 상대적으로 해석하기 쉽고, 앙상블 방법 같은 복잡한 모델은 그렇지 않을 수 있다고 해요.
머신러닝과 딥러닝은 포함 관계예요. Google Cloud, Microsoft Learn, AWS, IBM 문서는 모두 딥러닝을 머신러닝의 하위 집합 또는 하위 분야로 적고, AWS 문서는 모든 딥 러닝은 ML에 해당한다고 적어요. Google Cloud 문서의 표는 머신러닝에 종종 상당한 수동 특성 추출이 필요하고 딥 러닝은 자동 특성 추출을 수행한다고 적어요. 몇 겹부터 '딥'인지는 Google for Developers 머신러닝 용어집이 히든 레이어 두 개 이상, AWS가 입력과 출력을 포함해 3개 이상이라고 적어요. IBM은 한국어 쪽이 3개 이상, 영어 쪽이 more than three라고 적고, Google Cloud와 Microsoft Learn은 숫자 없이 적어요. 데이터 양도 AWS는 피처당 데이터 포인트 수로, Google Cloud는 데이터 세트의 데이터 포인트 수로 적어서 단위가 달라요.
이어서 읽을 글로 컨텍스트 윈도우가 무엇인지 다룬 글도 있어요.
함께 보면 좋은 글
Google Cloud, Microsoft Learn, AWS, IBM의 비교 문서는 모두 딥러닝을 머신러닝의 하위 집합 또는 하위 분야로 적어요. AWS 문서의 요약 표는 모든 ML이 딥 러닝인 것은 아니고 모든 딥 러닝은 ML에 해당한다고 적어요. Google Cloud 문서는 머신러닝을 인공지능의 하위 집합이라고 적어요.
포함 관계로는 네 문서가 모두 딥러닝을 머신러닝의 하위 집합 또는 하위 분야로 적어요. Google Cloud 문서는 주요 차이점을 기능, 복잡성, 특성 추출이라고 적어요. 같은 문서의 표는 머신러닝에 종종 상당한 수동 특성 추출이 필요하고 딥 러닝은 자동 특성 추출을 수행한다고 적어요. IBM 문서는 가장 큰 차이점을 알고리즘이 학습하는 방식과 사용하는 데이터의 양이라고 적고, 딥 러닝이 특징 추출 과정의 상당 부분을 자동화한다고도 적어요.
문서마다 적힌 표현이 달라요. Google for Developers 머신러닝 용어집은 심층 모델을 히든 레이어가 두 개 이상 포함된 신경망이라고 적어요. IBM 문서의 한국어 쪽은 입력과 출력을 포함해 3개 이상의 계층으로 구성된 신경망이라고 적고, 영어 쪽은 more than three layers, including the inputs and the output이라고 적어요. AWS 문서는 입력 및 출력 계층 노드를 비롯하여 3개 이상의 노드 계층이라고 적어요. Google Cloud와 Microsoft Learn 문서는 숫자 없이 여러 개의 히든 레이어, 레이어 수가 많은 신경망이라고 적어요.
숫자를 적은 곳은 AWS와 Google Cloud 두 곳이고 단위가 달라요. AWS 문서는 ML 모델에 피처당 약 50에서 100개, 딥 러닝 모델에 피처당 최소 수천 개의 데이터 포인트가 필요하다고 예를 들어요. Google Cloud 문서의 표는 딥 러닝에 매우 큰 데이터 세트가 필요하다고 적고 괄호 안에 수백만 개의 데이터 포인트라고 적고, 영어 쪽은 이 자리를 often millions of data points라고 적어요. Microsoft Learn과 IBM 문서는 숫자 없이 많은 양, 더 많은 데이터 포인트라고 적어요.
AWS 문서는 ML과 딥 러닝 모두 특정 사용 사례에서 다른 사용 사례에서보다 더 뛰어난 성능을 발휘한다고 적어요. 같은 문서는 새로 들어오는 스팸 메시지를 식별하는 것과 같은 간단한 작업에는 ML이 적합하며 일반적으로 딥 러닝 솔루션보다 더 뛰어난 성능을 발휘한다고 적고, 의료 이미징 인식과 같은 더 복잡한 작업에서는 딥 러닝 솔루션이 ML 솔루션보다 성능이 뛰어나다고 적어요.