딥러닝 기초 01
딥러닝(Deep Learning) 개요
인공지능, 머신러닝, 그리고 딥러닝의 개념적 관계와 심층 신경망의 작동 원리를 파악합니다.
AI vs ML vs DL
인공지능 (AI)
인간의 지능적 행동(학습, 추론, 문제 해결 등)을 모방하도록 만든 모든 기술의 가장 포괄적인 범주입니다.
머신러닝 (ML)
명시적인 프로그래밍 없이 데이터 기반의 통계적 규칙성을 학습하여 예측 및 결정을 내리는 AI 분야입니다.
딥러닝 (DL)
인간 뇌의 신경망 원리를 모방한 심층 신경망(Deep Neural Networks)을 통해 복잡한 패턴을 학습하는 ML의 하위 분야입니다.
딥러닝의 핵심 특징
1
자동 특성 추출 (End-to-End Feature Learning)
기존 머신러닝은 사람이 직접 중요한 특징(Feature)을 엔지니어링해야 했으나, 딥러닝은 데이터를 입력받으면 내부 계층에서 스스로 정교한 특징을 추출합니다.
2
대용량 데이터와 스케일링
전통적인 머신러닝 알고리즘은 일정량 이상의 데이터가 확보되면 성능 한계에 도달하는 경향이 있는 반면, 딥러닝 모델은 데이터와 모델 파라미터 크기가 늘어날수록 성능이 크게 향상됩니다.
3
비구조화 데이터 처리 역량
이미지, 음성, 자연어 텍스트와 같이 형태가 정형화되어 있지 않은 비구조화 데이터(Unstructured Data)에서 우수한 성능을 발휘합니다.
심층 신경망의 계층 구조
// 심층 신경망(DNN) 데이터 흐름
[입력층 (Input Layer)] ➔ [은닉층 1 (Hidden Layer 1)] ➔ [은닉층 2...] ➔ [출력층 (Output Layer)]
• 입력층: 원본 데이터(이미지 픽셀, 텍스트 토큰, 수치값 등) 수신
• 은닉층: 가중치(Weight)와 편향(Bias) 계산, 활성화 함수 적용을 통한 특징 추상화
• 출력층: 최종 예측 결과(분류 확률, 예측값) 출력