딥러닝(deep learning)에 대해 알아보자.

인공지능은 컴퓨터에게 데이터를 학습시켜 마치 사람처럼 스스로 의사결정을 할 수 있게 합니다.

예를 들면, 컴퓨터에 게 사진을 계속 보여주면서 이 사진은 어떤 것에 대한 것인지에 대한 정답을 학습시킬 수도 있습니다.

이런 방식을‘ 지도 기계학습’이라고 하죠.

최근 이런 인공지능 중에서도 많은 관심을 받고 있는 것이 있습니다.

바로 딥러닝인데요.

기계학습과 유사한 방법입니다.

 

 

1. 딥러닝과 기계학습의 차이점

• 딥러닝과 기계학습은 데이터를 이용하여 모델을 학습한다는 공통점이 있습니다.
• 그러나 데이터를 학습하는 과정에 큰 차이가 있습니다.
• 기계학습:
  • 이미지를 인식하기 위해 사진을 그대로 사용하는 것이 아니라 사진 속에 객체를 가장 잘 구분할 수 있는 특성 인자(feature)를 인간이 친절하게도 찾아내 주어야 합니다. 그래서 이 기계학습이 얼마나 좋은가 하는 성능은 특성 인자에 달려 있는 것입니다.
• 딥러닝:
  • 사람이 특성 인자를 선정하지 않습니다. 인공지능 자체가 데이터에서 특성 인자를 스스로 찾습니다. 이는 딥러닝이 인간의 뇌를 닮았기 때문입니다.

 

 

2. 딥러닝의 인공신경망이란?

 인공 신경망은 인간의 생물학에서 영감을 얻은 모델입니다. 

시냅스의 결합으로 네트워크를 형성한 인공 뉴런처럼, 입력층, 은닉층, 출력층 등으로 구성된 인공 뉴런들이 가중치에 의해 움직입니다.  여기에서 가중치란, 어떤 값의 오차가 가장 적은가에 의해 결정됩니다. 

 사용자는 모델 구조와 학습 데이터를 준비합니다. 이 과정에서 데이터를 가장 잘 표현할 수 있는 특성 인자를 인공지능이 스스로 자동으로 추출합니다. 이렇게 연결된 인공 신경망들은 각각의 층수를 늘리면서 고도화된 추상화도 가능해집니다. 이것을 딥러닝이라고 부르는 것입니다. 

 

 

 

이렇게 인공 신경망은 기존의 기계학습 접근방법과는 조금 다르게 구분됩니다. 

기존의 데이터 기반 기계학습 알고리즘의 한계를 극복한 것입니다. 인공 신경망은 합성곱 신경망, 순환 신경망 등을 통하여 이미지 데이터나, 시계열 데이터를 분석할 수 있다는 점에서 기계 학습보다 진일보한 형태라고 할 수 있겠습니다.

 또한 오토 인코더를 이용해 다양한 형태의 데이터 차원 축소 및 생성도 가능합니다. 이런 이미지나 시계열 데이터는 우리 일상생활에서의 인공지능의 활용성을 더욱 높이고 있습니다.