오늘은 인공지능 프로그래밍 시간에 배운 모두의 딥러닝 책에 대하여 정리해보자.

딥러닝 실행을 위해 필요한 세 가지

딥러닝을 실행하기 위해서는 데이터, 컴퓨터, 프로그램이 필요하다.

데이터

딥러닝은 데이터를 이용해 예측 또는 판별을 수행한다. 이때 사용되는 데이터는 이름표가 달려 있는지에 따라 두 종류로 나뉜다. 이름표가 주어진 데이터를 이용해 그 이름표를 맞히는 것을 '지도 학습'이라고 한다. 반대로, 이름표가 없는 데이터를 이용하는 것을 '비지도 학습'이라고 합니다.

컴퓨터

딥러닝을 동작시킬 때에는 GPU 작업 환경을 갖추어야 많은 데이터를 적용할 수 있다.

프로그램

딥러닝 라이브러리를 활용하면 수학에 자신이 없어도 어렵지 않게 구현할 수 있다.

딥러닝의 핵심 미리보기

머신런닝과 일반 프로그래밍의 차이

여기서 데이터가 입력되고 패턴이 분석되는 과정을 학습(training)이라고 한다.

우리가 지금 배우려는 것이 바로 이러한 학습과 예측의 구체적인 과정이다. 머신 런닝의 예측 성공률은 결국 얼마나 정확한 경계선을 긋느냐에 달려 있다. 따라서 더 정확한 선을 긋기 위한 여러 가지 노력이 계속되어 왔고, 그 결과 퍼셉트론(perceptron), 아달라인(adaline), 선형 회귀(linear regression) 등을 지나 오늘날 딥러닝이 탄생된다.

딥러닝 개괄하기

• 환경 준비
  딥러닝을 구동하는 데 필여한 라이브러리 호출
• 데이터 준비
  데이터를 불러와 사용할 수 있도록 준비
• 구조 결정
  어떤 딥러닝 구조를 만들 것인가 결정
• 모델 실행
  만든 딥러닝을 실행시키고 결과 확인

tensorflow kears

TensorFlow Keras는 딥러닝 라이브러리인 TensorFlow에서 제공하는 고수준 API 중 하나다. Keras는 간결하고 직관적인 API를 제공하여 딥러닝 모델을 쉽게 구축하고 학습시킬 수 있도록 도와준다.

Keras는 Sequential 모델과 Functional API 모델 두 가지 방법으로 모델을 구축할 수 있다. Sequential 모델은 일련의 레이어를 순차적으로 쌓아 구성하며, 간단한 모델을 만들 때 유용하다. Functional API 모델은 더 복잡한 모델을 구성할 때 사용하며, 다양한 레이어를 사용하여 여러 입력과 출력을 처리할 수 있다.

또한, Keras는 다양한 종류의 레이어를 제공한다. Dense 레이어는 완전 연결 신경망 레이어다. Conv2D 레이어는 2D 이미지 데이터를 처리하는데 사용된다. LSTM 레이어는 순환 신경망에서 사용되며, 시퀀스 데이터를 처리할 수 있다.

Keras는 또한 다양한 손실 함수, 최적화 알고리즘, 평가 지표를 제공한다. 손실 함수는 모델이 학습하는 동안 최소화하려는 값이다. 최적화 알고리즘은 모델의 가중치를 조정하여 손실 함수를 최소화하는 과정에서 사용된다. 평가 지표는 모델의 성능을 측정하는 데 사용된다.

Keras는 TensorFlow를 백엔드로 사용하며, TensorFlow와 함께 제공되므로 TensorFlow의 모든 기능을 사용할 수 있다. Keras는 간단하고 직관적인 API를 제공하여, 쉽게 딥러닝 모델을 만들고 학습시킬 수 있으며, T
ensorFlow와 함께 사용하면 더욱 강력한 딥러닝 애플리케이션을 만들 수 있다.