제 AMA는 아니지만 대신 답변드리면 데이터의 양과 변수가 적으면 생각하시는게 맞습니다. 실제로 초기의 머신러닝이 그런 형태였기도 하고요.
하지만 보통 머신러닝 딥러닝으로 해결하고자 하는 분야는 변수가 많아 경우의 수가 엄청 많은 경우에 해당합니다.
기상 예보를 예로 들으셨는데 습도 온도 기압을 바탕으로 하는데 그 와 관계된 수치가 수백가지가 있고 또 그 수치가 장소에 따라 수천 지역에 있고 또 그 장소와 수치들이 매시간마다 측정하는 값이 있다면 한시간 마다로 쳐도 하루치는 24배수가 되겠죠. 거기에 내일의 날씨를 예측하기 위해 하루전 이틀전 삼일전 등 얼마나 많은 시계열의 데이터가 필요한지 모릅니다. 즉 이를 다 합하면 변수의 경우의 수는 수조, 수경을 넘어서 컴퓨터로도 모든 경우의 수를 계산하기 어렵습니다. 또한 이 수많은 케이스들 중 오늘 이 시점과 동일한 케이스가 없을 수도 있습니다. 물론 데이터의 변수를 줄여 측정하는 기간과 주기를 줄이고, 장소도 예측하고자 하는 장소 하나만 고려하고, 수치도 습도 온도 기압만 본다면 경우의 수를 크게 줄일 수 있죠. 그런데 그러면 같은 케이스에서 언제는 비가 오고 언제는 비가 오지 않는 케이스가 생깁니다. 고려해야할 변수가 빠지게 되기 때문이죠.
머신러닝, 특히 딥러닝은 이러한 상황에서 예측을 최대한 잘하고자 만든 알고리즘이라고 보시면 됩니다. 엄청난 경우의 수를 여러개의 레이어로 정보를 빼고 모으는 작업을 합니다. 그걸 바탕으로 새로운 정보가 들어왔을때 기존의 데이터들을 통해서 그 결과를 추정합니다. 이것을 데이터 마이닝에서 예측이라고 정의하는 작업이죠. 인문학적, 언어적으로 그 정의가 맞는지는 모르겠지만 적어도 이 분야에서는 그렇게 약속하고 쓰는 표현입니다.