딥러닝이란,

Do it! 정직하게 코딩하며 배우는 딥러닝 입문 참고

https://github.com/rickiepark/do-it-dl

rickiepark/do-it-dl

---

인공지능 (Artificial Intelligence) : 사람의 지능을 만들기 위한 시스템이나 프로그램

ㄴ 강 인공지능과 약 인공지능으로 나눌 수 있다.

• 강 인공지능 : 사람과 구분이 안 될 정도로 강한 성능을 가진 인공지능
• 약 인공지능 : 특정 영역에서 작업을 수행하는 인공지능 - 자율 주행 자동차, 음성 비서, 인공지능 스피커 등

 

출처 : https://blog.kakaocdn.net/dn/k4WmI/btqDc4Ydex3/ivZNCuLO6rwArkKigtYVJ1/img.png

머신러닝과 딥러닝은 약 인공지능에 포함되는 기술이고, 딥러닝은 머신러닝에 포함되는 기술이다.

머신러닝은 알고리즘의 종류에 따라 더 세부적으로 나눌 수 있는데, 그 중 인공신경망 알고리즘을 사용하여 만든 것이 딥러닝이다.

 

---

머신러닝 ( = 기계학습 )

• 머신러닝과 딥러닝에서 말하는 학습(훈련) : 데이터의 규칙을 컴퓨터 스스로 찾아내는 것
• 학습 방식에 따라 지도 학습, 비지도 학습, 강화 학습으로 분류한다.

 

• 지도 학습 : 입력과 타깃으로 모델을 훈련시킨다.
  • ex) 전날의 습도에 따라 다음 날에 비가 왔는지 안 왔는지 꾸준히 기록했다면 오늘의 습도만 알아도 그 다음 날 비가 올지 안 올지 예측할 수 있다.
  • 훈련 데이터 : 모델을 훈련시키기 위해 사용하는 데이터, 입력과 타깃으로 구성됨
    • 입력 : 모델이 풀어야 할 일종의 문제
    • 타깃 : 모델이 맞춰야 할 정답과 같은 것
    • 모델 : 학습을 통해 만들어진 프로그램, 새로운 입력에 대한 예측을 만든다.
  • 지도 학습에서 가장 어려운 일이 훈련 데이터를 만드는 것 > 잘못된 입력과 타깃은 잘못된 모델을 만들 수 있고, 데이터가 너무 적으면 모델을 충분히 훈련시킬 수 없음

 

• 비지도 학습 : 타깃이 없는 데이터를 사용
  • ex) 군집을 그림으로 표현하는 것

•  새로운 모양이 발견되면 새 그룹이 생긴다.
• >> 훈련 데이터에 타깃이 없으므로 모델의 훈련 결과를 평가하기 어려움

 

• 강화 학습 : 주어진 환경으로부터 피드백을 받아 훈련
  • 에이전트라는 것을 머신러닝 알고리즘으로 훈련시킴 > 특정 환경에 최적화된 행동을 수행하고 수행에 대한 '보상'과 '현재 상태'를 받음
  • 에이전트의 목표 : 최대한 많은 보상을 받는 것
  • 대표적 강화 학습 알고리즘 : Q-러닝, SARSA, 인공신경망을 사용한 DQN
  • 강화 학습의 예 : 알파고

---

규칙이란, 가중치와 절편을 말한다.

 

ex) 지도 학습 - '오늘 습도에 따라 내일 비가 올지 안 올지 예측하는 모델'의 경우 '오늘 습도가 0.6 이상이면 내일 비가 온다'라는 규칙을 정했음, 이것을 식으로 나타내면 아래와 같다.

 

1.5 * x + 0.1 = y (y가 1 이상이면 다음 날 비가 온다고 예측)

[ 1.5 : 가중치 / x : 입력 / 0.1 : 절편 / y : 타깃 ]

 

가중치 : 입력과 곱하는 수

절편 : 더하는 수

 

딥러닝은 이것보돠 훨씬 많은 개수의 가중치와 절편을 가진다.

 

앞에서 만든 수학식이 바로 모델인데, 모델을 다시 정의하면 '훈련 데이터로 학습된 머신러닝 알고리즘'을 말한다.

그리고 가중치와 절편을 합쳐 모델 파라미터라고 부른다.

실제 실습에서 모델을 클래스로 구현할 것이므로, 이를 통해 만든 객체를 모델이라고 이해하면 된다.

 

이전에 만든 모델에 새로운 입력을 넣어봤을 때 모델이 예측한 값과 다른 경우가 있다. 이런 경우 모델의 규칙을 수정해야 하는데, 이 때 모델의 규칙을 수정하는 기준이 되는 함수를 '손실 함수'라고 한다.

손실 함수를 통해 예측 값과 타깃의 차이를 정의하므로, 손실 함수의 최솟값을 효율적으로 찾는 방법이 필요하다.

이 때 최솟값을 효율적으로 찾는 방법을 최적화 알고리즘이라고 부른다.

 

---

딥러닝 : 머신러닝 알고리즘 중 하나인 인공신경망으로 만든 것, 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것

• 머신 러닝 알고리즘 : 선형 회귀, 로지스틱 회귀 등 ...

출처 : https://lh3.googleusercontent.com/proxy/4hKpRe0jHuM2PXgx986AVc_x6BmdepWCUHSZYyDMCGQwGL9dDIak7ViH2tYOpYUZ8UufZIR-xnpRwNDtqvTNkFqyOs4AmSO84lK7BXbZbQhirQ

가장 간단한 인공신경망을 그림으로 표현한 것

입력을 받아 출력을 전달하는 것이 뇌의 뉴런과 비슷하다.

 

인공신경망을 여러 겹 쌓으면 아래와 같은 모양이 되는데, 이것이 바로 딥러닝이다.

출처: http://www.tcpschool.com/lectures/img_deeplearning_09_ann.png

 

* 인공신경망은 뇌의 뉴런에서 영감을 받아 만든 것이지만, 딥러닝은 실제 뇌가 작동하는 방식과 많이 다르다는 것을 주의하자!

---

딥러닝은 머신러닝이 처리하기 어려운 데이터를 잘 처리한다.

 

딥러닝은 이미지, 음성, 텍스트와 같은 비정형 데이터 관련 문제를 잘 해결한다.

머신러닝은 암환자의 검진 데이터나 회사의 매출 데이터와 같은 정형화된 데이터 관련 문제를 잘 해결한다.