딥러닝이란?

딥러닝은 어디에 쓰일까?

• 추천 시스템, 번역기, 얼굴 인식 같은 데 많이 쓰임

• 이런 데의 특징:

  • 결과만 잘 나오면 되는 경우 (왜 그렇게 나왔는지 설명은 크게 중요하지 않음)
  • 성능이 아주 중요함
  • 데이터가 충분히 많음

💡 왜 딥러닝이 인기를 얻었을까?
→ 데이터가 많아질수록 성능이 더 좋아지는 특성이 있어서,
→ 빅데이터 시대에 딱 맞는 기술!

---

딥러닝이란?

• 데이터를 여러 단계로 변형하며 복잡한 특징을 뽑아내는 방법
• 여러 개의 간단한 계산(비선형 변화)을 겹겹이 쌓아서 학습함

---

Perceptron (퍼셉트론)

• 1943년에 등장한 가장 기본적인 인공신경망
• 입력값에 가중치를 곱하고, 기준을 넘으면 1, 아니면 0 출력

퍼셉트론 구조

• 가중치: 입력의 중요도를 결정
• 편향 (bias): 얼마나 쉽게 1이 될지를 조정
• 출력: (입력 × 가중치)의 합 + 편향 → 0보다 크면 1, 아니면 0

---

퍼셉트론으로 만드는 논리 게이트

1. AND 게이트

→ 둘 다 1일 때만 1 출력

def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.7
    return Perceptron(x, w, b)

---

2. NAND 게이트

→ 둘 다 1일 때만 0 출력 (AND의 반대)

def NAND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])
    b = 0.7
    return Perceptron(x, w, b)

---

3. OR 게이트

→ 둘 중 하나라도 1이면 1 출력

def OR(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.2
    return Perceptron(x, w, b)

---

4. XOR 게이트

→ 둘이 다를 때만 1 출력
→ 단층 퍼셉트론으로는 구현 불가능! (선을 한 번에 못 긋기 때문)

• 차원을 하나 더 늘리면 가능
• 여러 퍼셉트론을 조합해서 만들어야 함 (여러 층 필요)

---

MLP (Multi-Layer Perceptron)

• XOR 게이트 구현을 위해 여러 층의 퍼셉트론 사용
• 예: NAND, OR 결과를 AND로 합치기

• 이처럼 여러 층을 쌓은 모델을 MLP라고 함
  

def XOR(x1, x2):
    s1 = NAND(x1, x2)
    s2 = OR(x1, x2)
    y = AND(s1, s2)
    return y