📢 딥러닝 기본개념에 대한 페이지입니다.
🧠 딥러닝이란?
인간의 신경망 모방 → 병렬적 다층 구조 통해 → 학습/예측 (Like 사람)
ML 과 차이점
- ML 이랑 비슷한데 사용하는 알고리즘이 다름
- ML 은 찌그러진 자동차를 자동차가 아니라고 출력하지만, DL 은 사람처럼 생각하니까 자동차라고 출력함!
- ML 보다 DL 이 더 융통성 있는 느낌! 사람처럼 응용하여 생각할 수 있음~
선형 모델
노드 하나가 선형 모델 하나 (그래서 선형모델이 딥러닝의 근간이라고 하는 것)
딥러닝 사용하기 좋은 데이터 형태
- ML: 정형 데이터
- DL: 자연어/영상/사진 등 비정형 데이터 → 대량의 데이터에서 복잡한 패턴이나 규칙을 찾아내는 능력 뛰어남
딥러닝 층 구조
- 입력층(input layer) → 은닉층(hidden layer) → 출력층(output layer)
- 은닉층은 딥러닝 모델이 알아서 설계해줌 그래서 hidden layer
딥러닝 활용
ChatGPT(자연어 처리), 가상인물 목소리 생성(음성 합성), 얼굴/객체 인식(이미지인식)
🍏 기존 ML 과 비교
공통점
- Data -> Model -> Loss Function -> Optimizer
차이점
특성 선택
- ML: 사람이 특성 선택(X) 해서 학습!
- DL: 특성조차 모델이 선택
(이미지, 사진에서 중요한 데이터 뽑아서 특정 특성만 사용하기 어려움 → 그래서 DL 사용)
모델 생성 차이
- 머신러닝
- 순서: 모델 생성(이미 완성된 객체 사용) -> 모델 학습 -> 모델 예측 -> 모델 평가
- 비유: 완제품 로봇의 팔을 움직이는 정도만 조작 가능 (하이퍼파라미터 조절)
- 딥러닝
- 순서: 머신러닝과 동일 (모델 생성(모델 직접 구성) -> 모델 학습 -> 모델 예측 -> 모델 평가)
- 단, 딥러닝은 직접 모델을 구성함
- 비유: 조립식 로봇/레고를 통해 우리가 만들고 싶은 다양한 모양으로 조립 가능
- 장점: 다양한 결과를 만들어 낼 수 있음
🎯 DL 적용 분야
컴퓨터비젼(이미지 데이터), 음성인식, 자연어처리, 신호처리 등의 분야에 적용
→ 단, 모든 문제를 딥러닝으로 해결하지는 않는다! 기존 ML 모델이 잘 동작하는 경우도 있음.
💡예) 타이타닉(생존 예측) 데이터 DL 도 가능하지만, ML/DL 성능 비슷함. 그럴거면 ML 사용하는게 나음. DL 은 설계도 복잡하고 시간도 오래걸림. 집 앞 편의점 가는데 자건거 타고 가는데 ML, 트럭 타고 가는게 DL!
🔨 딥러닝 Framework
- tensorflow: 구글이 만든 딥러닝 라이브러리
- keras: tensorflow 위에서 작동하는 사용자 친화형 라이브러리
- pytorch: 복잡해서 보통 처음엔 tensorflow 사용
