• 목록

1. 딥러닝 개요

일반적으로 딥러닝은 머신러닝의 한 종류로 주로 인공 신경망(ANN)의 발전된 모델로 볼 수 있다.

이 기법들은 인공지능(artifical intelligence, AI)을 실현하기 위한 도구로서 사용된다.

​

딥러닝의 역사

​

- 1950년대 : 인공 신경망 유년기

퍼셉트론 등장

​

- 1960년대 : 인공 신경망 황금기

퍼셉트론 한계 증명

​

- 1970년대 : 인공 신경망 암흑기

​

- 1980년대 : 인공 신경망 부활기

오차역전파 적용

DNN, CNN​ 발전

​

- 1990년대 : 인공 신경망 발전기

LSTM 등장

LeNet-5 등장(고급 합성 신경망)

​

- 2000년대 : 딥러닝 주목기

가트너 10대 전략 기술

​

- 2010​년대 : 딥러닝 부흥기

알파코

​

​

​딥러닝의 목표

​

​일반적으로 분류문제, 군집화문제, 회귀문제로 구분

​

- 분류(classification)

데이터의 부류를 알아내기 위한 문제​

예를 들어, 자동차의 길이, 너비, 바퀴 크기, 엔진 마력 등의 특징을 보고 경차, 준중형차, 대형차 중 한가지 부류로 분류

​

- 군집화(clustering)

데이터 인스턴스들을 그룹화하기 위한 문제

비슷한 특징을 가지는 데이터 인스턴스들끼리 그룹화하는 것

예를 들어, 자동차의 길이, 너비, 높이, 바키의 크기, 엔지마력 등의 특징을 보고 비슷한 인스턴스끼리 그룹화한다. 그룹화된 결과를 보고 그룹1은 경차ㅏ, 그룹2는 준중형차 등으로 정해주기 위해서는 사람의 개입이 필요하다.

​

- 회귀(regression)​

 불완전한 데이터의 값을 알아내기 위한 문제

예를 들어, 한 데이터 인스턴스 중에 자동차의 너비, 높이, 바퀴의 크기, 엔진 마력 등의 특징을 아는데 길이를 모른다고 할때, 다른 데이터인스턴스들의 값을 근거로 불완전한 데이터로 구성된 인스턴스의 길이 특징을 예측할 수 있다.

​

​

머신러닝 관점에서 학습방법

​

지도학습, 비지도학습, 강화학습으로 구분할 수 있다.

​

- 지도학습(supervised learning)

레이블이 있는 데이터를 학습하는 방법으로 주로 분류와 회귀문제를 다룬다.

레이블이 있다는 것은 정답이 있다는 의미이기 때문에 비교적 학습이 쉽고 효과적이다.

그러나 레이블을 데이터마다 부여하려면 일반적으로 많은 비용이 요구된다.

학습데이터는 적게는 수백개에서 많게는 수백만개나 수천만 개 또는 그이상으로 방대하다. 이러한 데이터에 사람이 일일이 레이블을 부여하는 것은 때론 불가능할 수도 있다.​

​

​

- 비지도학습(unsupervised learning)

레이블이 없는 데이터를 학습하는 방법이다.

주로 데이터를 그룹화하거나 데이터의 특징을 분석하기 위해서 사용한다.

비지도학습은 정답이 없는 데이터를 분석하는 것이므로 데이터에 레이블을 부여할 필요가 없다.

즉 데이터를 준비하기 위한 비용이 적다.

그러나 부석된 결과인 군집들이 어떠한 의미를 가지는지는 사람이 개입하여 확인해야 하는 경우가 많다.

​

​

- 강화학습​(reinforcement learning)

에이전트가 어떠한 환경에서 행동을 수행했을 때 보상을 함으로써, 에이전트는 그 보상을 최대로 하는 행동을 수행하도록 학습하게 하는 방법이다.

주로 어떠한 행동을 결정하는 분류 문제나 보상을 예측하는 회귀문제를 다룬다.

강화학습은 레이블이 없는 데이터를 학습할 수 있지만 에이전트와 환경을 구성하는 추가적인 비용을 필요로 한다.

​

​

​

​