1. 기본 개념
인공지능이란,
인간의 지능을 모방한 것
그러한 인공지능의 구현 방법은 크게 머신러닝과 딥러닝으로 나뉜다.
정확히는 인공지능이라는 큰 범주에 머신러닝이 속해 있고, 머신러닝에 딥러닝이 속해 있다.
(인공지능 > 머신러닝 > 딥러닝)
2. 머신러닝과 딥러닝의 구분
둘 다 학습 모델을 제공하여 데이터를 분류한다는 점에서 같지만, 접근 방식에서 차이가 있다.
머신러닝
-> 주어진 데이터를 인간이 먼저 처리(전처리)한다.
-> 범용적인 목적을 위해 제작되었고, 데이터 특징을 스스로 추출하지 못한다.
그렇기에 추출과정을 인간이 처리해 주어야 한다.
즉, 데이터(혹은 이미지) 특성을 컴퓨터(기계)에 인식시키고 학습시켜 문제를 해결한다.
딥러닝
-> 인간이 처리해야 하는 부분까지 신경망이 처리한다.
즉, 대량의 데이터를 신경망에 적용하면 컴퓨터가 스스로 분석하고 답을 찾는다.
3. 머신러닝이란
앞서 말한 내용에 이어 설명하면,
머신러닝이란 분야는
컴퓨터가 학습할 수 있게 하는 알고리즘과 기술을 개발하는 분야이다.
학습 과정은 크게 2가지로 구분한다.
학습 단계-> 예측단계
학습 단계로 모델을 만들고, 진화시킨 후 예측 단계에서 사용한다.
여기서 말하는 진화 과정은 다음과 같다.
1. 모델 선택
2. 모델 학습 및 평가
3. 평가를 바탕으로 모델 업데이트
그렇기에 결국 가장 중요한 건 모형이라 불리는 모델이다.
모델이 결국 인공지능의 성능과 연계되기 때문이다.
학습 방법은 3가지로 나뉜다.
지도 학습
비지도 학습 -> 유사도 기반(데이터 거리 측정) 유사 데이터 클러스터링
강화 학습 -> 보상 체계를 통한 학
4. 딥러닝이란
앞서 말했듯, 심층 신경망 이론 기반 머신러닝 방법이다.
딥러닝은 머신러닝과 완전히 다르진 않다. 머신러닝 방법의 한 종류라고 보는게 맞다.
(잠깐 개인적인 이해 한 스푼)
조금 개념과 다를 수 있지만 심층 신경망 이론이란 말을 개인적으론 다음과 같이 해석했다.
신경망을 만들 때 다양한 부분을 고려해야하지만 대표적으로 은닉층을 고려해야 한다.
은닉층이란 특정 특성 분류 기준 층이 여러겹 쌓이며 정확도를 높이기에
그 쌓은 층의 깊이를 생각하며 심층
가중치 처리 방식과 구조를 생각하며 신경망,
그렇게 심층 신경망이란 생각을 했다.
딥러닝의 심층 신경망 구조는 뇌를 기초로 설계한다.
그 근거는 아래와 같다.
-> 뉴런과 시냅스의 개념
-> 뉴런들의 병렬연산
학습 과정은 크게 5단계로 나뉜다.
데이터 준비
-> 모델 정의
-> 모델 컴파일
-> 모델 훈련
-> 모델 예측
조금 자세히 말하면
데이터 준비는
(파이토치나 케라스 데이터셋 못은 캐글의 공개 데이터를 사용)
모델 정의는
(신경망 생성 = 은닉층 개수에 따른 성능과 과정합 고려)
---> 옵티마이저 선택 및 손실 함수 선택
이후 모델 컴파일을 한다.
모델 훈련은
(한 번에 처리할 데이터 양 지정, 배치와 에포크 고려)
모델 예측으로 실제 사용하면서 끝이 나는 과정이다.
다양한 신경망도 한 모형이나 구조가 아니다.
전체적인 구조의 요소는 비슷하지만 틀이 사용 목적에 따라 다르게 선택되어 활용한다.
컴퓨터 비전의 경우엔 합성곱 신경망을 응용한다.
이미지 분류 / 이미지 인식 / 이미지 분할
이렇게 3가지로 목적을 분류해서 각 목적에 맞게 활용하고
시계열 데이터의 경우엔 순환 신경망을 응용한다.
역전파 과정에서 기울기 소명 문제가 한계로 지적되었었지만
게이트를 세 개 추가한 LSTM ( 망각 게이트, 입력 게이트, 출력 게이트)가 발견되며 해당 한계를 이겨내었다.
딥러닝의 학습 방법은 크게 3가지로 나뉜다.
지도 학습
비지도 학습 (워드 임베딩과 군집)
전이 학습
'Portfolio (성과 & 활동) > [연구생] ADSLab' 카테고리의 다른 글
| CNN의 정의와 문제점 (0) | 2026.03.27 |
|---|