딥 러닝 개념 설명

해당글은 스스로 복기하며, 인공지능에대해 공부한 내용입니다. [ 미완성 ]

 

 

1. 학습이 무엇인가?

딥러닝 분야에서 학습이란, 인공지능이 ( 학습으로 )  더 똑똑해지는 것.

 

이렇게 표현할 수 있다고 생각합니다.

 

그렇다면 인공지능이 무엇일까요

 

크게 다음 처럼 나눌수 있다 생각합니다.

 

인공지능 ( AI ) : 인공적으로 만들어진 (사람이 만든) 모든 지능을 뜻합니다.

ex )

규칙기반 ( rule-based ) 방법 : 특정 규칙에 따라서 조건 지정해서 판단

( 메일에서 공짜 란 단어 들가면 스팸으로 판단! = 규칙기반방법 )

 

머신러닝 (ML) : 학습을 통해 예측을 수행하는 모든 기계

ex ) 

한개의 뉴럴 네트워크로 이루어진 회귀모델, 신경망, 클러스터링, 서포트벡터머신 .... 등등! 

딥러닝이 데이터의 특성들을 자동으로 추출해서 학습하는 종단간(end-to-end) 구조라면, 머신러닝은 개발자나 연구자가 직접 데이터의 특성을 엔지니어링한 후 모델에 입력시키는 경우가 많다.

 

딥러닝 (DL) : 신경망 구조로 학습하는 머신러닝. 즉 뉴럴 네트워크가 많은 구조.

ex )

CNN.. 등등 - 코세라 강의 4강에 CNN을 5강에 RNN 등

 

 

자. 그럼 학습이란 인공지능이 ( 학습으로 )  더 똑똑해지는 것. 이라고 했죠.

좀 더 세분하게 말하면 머신러닝 및 딥러닝이 더 똑똑해 지는 것. 이겠네요.

 

학습을 크게 모식화하면 위와 같습니다.

 

여기서 모델은 머신러닝일경우 한개의 뉴럴을, 딥러닝일경우 여러 층의 뉴럴 Network를 갖겠네요.

 

 

 

2. 학습의 종류

 

우리는 모델이 "어떤 문제"를 해결하기위해 "학습"을 시키고 ( 제대로 된 ) 예측값을 뱉게 합니다.

 

여기서 어떤 문제인지 

예측값 =

1. 연속이다 > 회귀 문제

2. 이산이다 > 분류 문제

 

어떤 학습인지

학습할때 정답지가

1. 있다 > 지도 학습

2. 없다 > 비지도 학습

 

코세라 강의의 경우 보통 분류문제와 지도학습을 주로 설명한다고 생각듭니다.

주로 예시를 들때 고양이, 개 분류처럼 분류문제를 많이 사용합니다.

 

 

3. 어떻게 학습을 시키는가

- 1 선형 회귀 ( 로지스틱 회귀도 개념적으로 동일 . 이산,연속 의 차이일뿐)

 

머신 러닝이란 데이터를 통해 학습시킨 모델을 가지고 새로운 데이터를 예측하는 하나의 문제해결 방법.

 

한번 집의 가격을 예측하는 모델을 만들고자 한다면, 

집의 넓이, 건축 연도, 집의 위치.. 등등 고려할게 많습니다.