딥러닝

1 딥러닝의 정의

   1) 인공지능

      -1 인간의 학습, 추론, 지각 등의 능력을 구현하려는 컴퓨터 과학 분야

      -2 인간의 학습, 추론, 지각 등의 능력을 구현하려는 컴퓨터 과학 기술

      -3 인공지능과 머신러닝, 딥러닝의 관계

   2) 정의와 용도

      -1 인공 신경망을 이용하여 데이터의 패턴이나 규칙을 학습하는 알고리즘

      -2 머신러닝과 다른 용도

         (a) 자율 주행 등에서의 이미지 인식 (속도와 정확도)

         (b) 의료 영상을 이용한 의학적 진단 (정확도)

         (c) 영상의 색상 또는 삭제 복원 (정확도)

         (d) 음성(언어)의 인식과 번역 (속도와 정확도)

​

​

2 딥러닝의 발견

   1) 발견과 특징

      -1 논리적 연산으로 결과를 도출함으로 예측이 가능한 수준으로 발전한 알고리즘

      - 2 딥러닝의 시초인 퍼셉트론 XOR 문제 (1차 인공지능 겨울)

      - 3 다층 퍼셉트론으로 XOR 문제 해결

      - 4 딥러닝의 비약적 발전과 기울기 소실, PC 보급 (2차 인공지능 겨울)

      - 5 현대의 인공지능 역사를 만드는 역전파와 여러 이론

​

   2) 다양한 딥러닝 (인공신경망)

      -1 단층 퍼셉트론 / 다층 퍼셉트론 : 선형 방정식의 계산으로 이진분류

      -2 순환 신경망(RNN) : 시퀀스한 데이터를 이용한 학습 (시계열 데이터, 문장 등)

      -3 장단기 메모리(LSTM) : 시퀀스한 데이터를 이용한 학습, RNN의 단점

      -4 AE(Auto Encoder) / DAE(Denosing AutoEncoder) : 입출력이 동일한 네트워크로 압축 / 복원 효과 구현

      -5 CNN(Cpnvolutional Neural Network) : 필터(커널)을 이용하여 다차원의 데이터로부터 특징 추출

      -6 GAN(Generative Adversarial Network) : 적대적 생성 신경망, 두 개의 모델(네트워크)를 적대적으로

                                                                         (adversarial) 학습하여 실제 데이터와 비슷한 데이터를 생성(generative)

​

   3) 머신러닝과의 차이

      -1 일반적인 학습방법

         (a) 머신러닝 : 데이터 정제 및 분석 후 그 데이터를 입력으로 학습 진행

         (b) 딥러닝 : 데이터 분석과정이 생략되고 정제된 데이터를 입력하여 학습 진행

​

      -2 구현 구조

         (a) 머신러닝 : 일반적으로 통계적 지식을 기반으로 알고리즘이 구현되고 그 알고리즘이 개선되는 방법으로 구현

         (b) 딥러닝 : 인간이 결론을 내리는 방식과 유사한 신경망 작동 원리를 준용하여 데이터 패턴을 분석하는 구조

​

      -3 개념(실용)적 차이

         (a) 모든 딥러닝은 머신러닝이지만, 모든 머신러닝은 딥러닝이 아니다

         (b) 머신러닝은 지속적인 사람의 개입으로 성능을 유지 및 향상되지만, 딥러닝은 그러하지 않을 수 있다

​

​

3 딥러닝 구현의 차이와 방향

   1)  머신러닝 구현 예시

​

   2) 구현 순서와 핵심

      -1 기획(계획, 문제정의) --> 데이터 수집 --> 데이터 정제 --> 모델링 --> 검증 --> 배포 --> 개선

      -2 핵심단계

         (a) 기획(계획, 문제정의) : 목표에 부합하는 모델링이 되도록 계획 수립, 구축 이후 목표

              시스템이 지속되도록 방안 수립

         (b) 데이터 수집과 정제 : 인공지능 학습의 입력 정보로서 데이터 수집 및 정제

​