기계학습
데이터 입력→사람이 속성 추출→분류 알고리즘→판단
눈 사이의 거리귀의 크기얼굴의 형태
성별을 분류하기 위한 속성을 사람이 직접 결정한다.
01
p.126
딥러닝은 왜 특별할까?
딥러닝 전후에는 데이터에서 핵심 속성을 찾는 방법에 차이가 있다.
VS
심층 신경망
데이터 입력→속성 추출 + 분류→판단
대량의 이미지를 학습하며 핵심 속성을 컴퓨터가 스스로 찾는다.
02
p.127
인공 신경망
인간의 뇌가 정보를 인식하고 학습하는 방식을 모방한 인공지능 모델
인간 신경망
뉴런
시냅스뉴런
수많은 신경 세포인 뉴런이 시냅스로 연결되어 정보를 처리하고 전달한다.
구조와 작동 원리를 모방→
인공 신경망
입력입력입력
인공 뉴런출력입력 신호에 가중치를 적용하고 계산한 출력 신호를 다음 인공 뉴런에 전달한다.
인공 신경망(ANN)Artificial Neural Network
인공적으로 인간의 뇌 신경망을 모방하여 구성한 신경망
03
p.127
퍼셉트론
다수의 입력 신호를 받아 계산한 뒤 하나의 신호로 출력하는 인공 신경망의 기본 구성 요소
x₁x₂x₃xₙ
× w₁× w₂× w₃× wₙ
→가중합Σ(x × w) + b
→활성화 함수임곗값과 비교
→출력0 또는 1
가중합이 임곗값을 넘으면1 출력·넘지 못하면0 출력
04
p.128
다층 신경망
입력층과 출력층 사이에 은닉층을 추가하여 여러 퍼셉트론이 상호 작용한다.
퍼셉트론
선형 문제 해결
하나의 직선으로 나눌 수 있는 문제
다층 신경망(MLP)
은닉층에서 입력을 비선형적으로 변환
데이터를 입력받는다.
가중합을 활성화 함수로 변환하여 다음 층에 전달한다.
신경망의 최종 예측값을 출력한다.
05
p.128
심층 신경망과 딥러닝
은닉층을 여러 개 쌓은 깊은 신경망으로 복잡한 패턴을 학습한다.
입력층
은닉층 1
은닉층 2
은닉층 3
출력층
은닉층이 많아질수록 신경망이 깊다(deep)고 표현하며, 더 복잡한 형태의 비선형 문제를 해결할 수 있다.
06
p.130~131
딥러닝 활용 분야
딥러닝은 이미지·언어·음성의 패턴을 학습하고 새로운 콘텐츠를 만드는 데 활용된다.
컴퓨터 비전
이미지와 영상에서 객체를 식별하고 특성을 파악
얼굴 인식자율주행 객체 분할의료 영상 질병 탐지
자연어 처리
사람이 사용하는 언어를 컴퓨터가 이해하고 처리
인공지능 비서기계 번역인공지능 챗봇
음성 인식
음성 입력을 텍스트로 변환하여 분석·이해·처리
인공지능 스피커자동차 내비게이션음성 보안 접근
생성
텍스트·이미지·음성·영상 콘텐츠를 생성하거나 변환
이미지 생성동영상 생성텍스트 생성