🛸 딥러닝(Deep Learning) 기초: ANN과 CNN으로 데이터와 이미지를 학습하기

1️⃣ 딥러닝이란?

딥러닝(Deep Learning) 은 인간 뇌의 뉴런 구조를 모방한 인공신경망(Artificial Neural Network, ANN) 을 다층으로 연결해
데이터에서 특징(feature)을 스스로 학습하는 알고리즘이다.

구분	전통적 머신러닝	딥러닝
특징 추출	사람이 직접 설계	네트워크가 자동 추출
데이터 요구량	적음	많음
성능 향상 방법	특징공학(Feature Engineering)	층(Layer)과 파라미터 확장
대표 모델	SVM, Random Forest	ANN, CNN, RNN, Transformer

딥러닝은 비선형적·복잡한 데이터 패턴을 스스로 학습해,
음성·이미지·텍스트 영역에서 인간 수준의 성능을 달성했다.

---

2️⃣ 뉴런(Neuron)과 신경망의 작동 원리

⚙️ 뉴런 구조

하나의 뉴런은 여러 입력을 받아, 가중치를 곱하고 합한 뒤 활성화 함수를 적용해 출력을 생성한다.

• $x_i$: 입력값
• $w_i$: 가중치(weight)
• $b$: 편향(bias)
• $f$: 활성화 함수(activation function)

⚡ 다층 신경망(MLP)

• 입력층(Input Layer): 데이터 입력
• 은닉층(Hidden Layer): 패턴 학습
• 출력층(Output Layer): 예측 결과

---

3️⃣ 활성화 함수 (Activation Function)

함수	수식/그래프 특징	사용 목적
Sigmoid	$f(x)=1/(1+e^{-x})$	확률 출력 (0~1), 로지스틱 회귀형 문제
Tanh	$[-1,1]$ 범위, 중심 0	대칭형 활성화
ReLU	$f(x)=max(0,x)$	CNN·ANN 대부분의 은닉층에서 사용
Softmax	클래스 확률 분포 생성	다중 분류 (output layer)

💡 ReLU는 계산량이 작고 기울기 소실(vanishing gradient) 문제를 완화한다.

---

4️⃣ 신경망 학습 원리

💡 순전파 (Forward Propagation)

입력 → 가중치 → 활성화 → 출력 예측.

💡 역전파 (Backpropagation)

출력과 실제값 차이(오차)를 계산하여,
가중치를 미세 조정(Gradient Descent) 으로 학습.

• $L$: 손실 함수(loss)
• $\eta$: 학습률(learning rate)

---

5️⃣ 경사하강법 (Gradient Descent)

유형	설명	특징
Batch GD	전체 데이터로 한 번 업데이트	안정적, 느림
Stochastic (SGD)	샘플 1개씩 업데이트	빠르지만 노이즈 큼
Mini-Batch	일정 크기 샘플로 업데이트	대부분의 딥러닝 기본 설정

---

6️⃣ Python 실습 — 인공신경망 (ANN)

📘 데이터 예시

이진 분류 (예: 고객의 은행 서비스 탈퇴 여부)

---

🧪 Python 코드

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 모델 정의
model = Sequential()
model.add(Dense(units=6, activation='relu', input_dim=11))
model.add(Dense(units=6, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

# 컴파일
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 학습
model.fit(X_train, y_train, batch_size=32, epochs=100)

# 예측
y_pred = (model.predict(X_test) > 0.5)

💡 구조 요약:

• 입력층: 11개 특성
• 은닉층: 2개 (각 6 뉴런)
• 출력층: Sigmoid → 이진 분류 확률
• 손실함수: Binary Cross-Entropy

---

🧪 R 실습

library(h2o)
h2o.init()

model = h2o.deeplearning(
  y = "Exited",
  training_frame = train_h2o,
  hidden = c(6,6),
  activation = "Rectifier",
  epochs = 100
)

pred = h2o.predict(model, test_h2o)

---

7️⃣ CNN (Convolutional Neural Network)

💡 개념

이미지 데이터에서 공간적 패턴(픽셀 관계) 을 학습하는 딥러닝 모델.
특징(feature)을 사람이 정의하지 않고 컨볼루션(Convolution) 연산으로 자동 추출한다.

---

⚙️ 구조 단계

단계	역할	연산 방식
1단계: Convolution	특징 추출	필터(kernel)로 이미지 스캔
2단계: ReLU	비선형성 추가	음수 제거
3단계: Pooling	차원 축소	Max Pooling / Average Pooling
4단계: Flattening	2D → 1D 변환	Fully Connected 층 입력
5단계: Full Connection	최종 분류	Softmax로 클래스 확률 계산

---

🧩 Convolution 예시

필터(kernel)이 이미지 일부를 슬라이딩하며 패턴(모서리, 윤곽)을 감지.

입력	커널	출력(특징맵)
이미지 5×5	3×3	3×3

---

🧪 Python CNN 실습

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 모델 초기화
cnn = Sequential()

# 1. Convolution
cnn.add(Conv2D(32, (3,3), activation='relu', input_shape=(64,64,3)))

# 2. Pooling
cnn.add(MaxPooling2D(pool_size=(2,2)))

# 3. 추가 Convolution + Pooling
cnn.add(Conv2D(32, (3,3), activation='relu'))
cnn.add(MaxPooling2D(pool_size=(2,2)))

# 4. Flattening
cnn.add(Flatten())

# 5. Fully Connected
cnn.add(Dense(units=128, activation='relu'))
cnn.add(Dense(units=1, activation='sigmoid'))

# 6. Compile
cnn.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 학습
cnn.fit(X_train, y_train, epochs=25, batch_size=32)

💡 CNN의 핵심:
픽셀 간 “지역적 패턴”을 자동 학습하여
이미지 내 형태·윤곽·색상 특징을 계층적으로 추출한다.

---

🧪 R CNN 실습

library(keras)
model <- keras_model_sequential() %>%
  layer_conv_2d(filters=32, kernel_size=c(3,3), activation='relu', input_shape=c(64,64,3)) %>%
  layer_max_pooling_2d(pool_size=c(2,2)) %>%
  layer_flatten() %>%
  layer_dense(units=128, activation='relu') %>%
  layer_dense(units=1, activation='sigmoid')

model %>% compile(optimizer='adam', loss='binary_crossentropy', metrics='accuracy')
model %>% fit(X_train, y_train, epochs=25, batch_size=32)

---

8️⃣ Softmax와 교차 엔트로피

💡 Softmax

다중 클래스 분류 시 각 클래스의 확률을 계산.

💡 Cross-Entropy Loss

예측 확률이 실제 레이블과 얼마나 차이나는지 계산.

CNN의 출력층에서 Softmax + CrossEntropy 조합은
이미지 분류의 기본 구조이다.

---

9️⃣ ANN vs CNN 비교

항목	ANN	CNN
입력 형태	1차원 (탭형 데이터)	2D/3D (이미지, 영상)
특징 추출	수동 입력	자동 (필터 기반)
파라미터 수	많음	공유로 감소
적용 분야	표형 데이터, 예측	이미지, 비전

---

🔟 결론

딥러닝은 복잡한 데이터에서 스스로 패턴을 학습하는 기술로,
ANN은 일반 데이터 예측, CNN은 이미지 인식에 특화되어 있다.

📘 핵심 요약

모델	입력 형태	특징	주요 응용
ANN	숫자형, 표형 데이터	다층 퍼셉트론 구조	고객이탈, 예측
CNN	이미지, 비디오	지역 패턴 자동 학습	얼굴인식, 의료영상
활성화 함수	ReLU / Sigmoid / Softmax	비선형성 부여	대부분의 딥러닝 공통
학습 방식	경사하강법 + 역전파	손실 최소화	반복적 학습으로 수렴