딥러닝

딥러닝 학습 목표

이 강의를 통해 딥러닝의 핵심 개념인 신경망(Neural Network)의 작동 원리를 이해하고, 머신러닝과의 차이점을 명확히 파악할 수 있습니다. 또한, 딥러닝 모델의 구조, 학습 과정(순전파, 손실 계산, 역전파, 가중치 수정), 그리고 다양한 활성화 함수(ReLU, Sigmoid, Softmax)와 손실 함수의 역할에 대해 학습합니다. 최종적으로는 Keras 라이브러리를 활용하여 간단한 딥러닝 모델을 정의하고 학습시키는 과정을 경험합니다.

핵심 개념

• 신경망 (Neural Network): 인간의 뇌 신경망을 모방한 딥러닝의 기본 구조. 뉴런(Neuron)이라는 기본 단위가 연결되어 정보를 처리합니다.
• 퍼셉트론 (Perceptron): 인공신경망의 가장 작은 단위로, 입력값에 가중치를 곱하고 편향을 더한 후 활성화 함수를 통과시켜 출력을 생성하는 단순한 함수입니다.
• 활성화 함수 (Activation Function): 뉴런의 출력값을 비선형적으로 변환하여 모델의 표현력을 높이는 함수입니다. ReLU, Sigmoid, Softmax 등이 있습니다.
  • ReLU: 음수 입력은 0으로, 양수 입력은 그대로 출력합니다.
  • Sigmoid: 출력을 0과 1 사이의 값으로 압축하여 이진 분류 확률 계산에 주로 사용됩니다.
  • Softmax: 여러 클래스에 대한 확률 분포를 출력하며, 다중 분류에 사용됩니다.
• 딥러닝 vs 머신러닝: 머신러닝은 피처 엔지니어링이 중요하지만, 딥러닝은 데이터 자체로부터 피처를 학습하는 데 강점이 있습니다. 특히 이미지, 음성, 영상 등 복잡한 데이터 처리에 유리합니다.
• 학습 과정:
  1. 순전파 (Forward Propagation): 입력 데이터를 신경망에 통과시켜 예측값을 계산합니다.
  2. 손실 계산 (Loss Calculation): 예측값과 실제 정답(또는 목표값) 간의 차이(손실)를 계산합니다.
  3. 역전파 (Backpropagation): 계산된 손실을 바탕으로 각 가중치와 편향이 손실에 얼마나 기여했는지 거슬러 올라가며 계산합니다.
  4. 가중치 수정 (Weight Update): 역전파 결과를 이용해 손실을 줄이는 방향으로 가중치와 편향을 조정합니다.
• Keras: 딥러닝 모델을 쉽게 구축하고 학습시킬 수 있도록 돕는 고수준 API 라이브러리입니다. TensorFlow, PyTorch 등의 백엔드 위에서 동작합니다.

# Keras를 이용한 간단한 신경망 모델 정의 예시
from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(784,)), # 입력층 + 은닉층 1
    layers.Dense(32, activation='relu'), # 은닉층 2
    layers.Dense(1, activation='sigmoid') # 출력층 (이진 분류 예시)
])

model.compile(optimizer='adam', # 옵티마이저
              loss='binary_crossentropy', # 손실 함수 (이진 분류)
              metrics=['accuracy']) # 평가 지표

# model.fit(x_train, y_train, epochs=50) # 학습

공부 방향성

본 영상은 딥러닝의 전반적인 개념과 작동 방식을 다룹니다. 딥러닝을 처음 접하는 학습자도 쉽게 이해할 수 있도록 비유와 함께 설명합니다. 시청 전에는 딥러닝이 무엇인지, 왜 필요한지에 대한 기본적인 궁금증을 가지고 접근하면 좋습니다. 시청 후에는 딥러닝 모델을 직접 구현해보고 싶다는 동기 부여를 얻을 수 있으며, 이후에는 TensorFlow나 PyTorch와 같은 딥러닝 프레임워크를 사용하여 더 복잡한 모델을 구축하고 실제 데이터셋에 적용하는 학습으로 이어갈 수 있습니다. 특히 이미지 인식, 자연어 처리 등 특정 딥러닝 응용 분야에 대한 심화 학습을 계획해 보세요.