MLDL Chapter 01-1 : 딥러닝의 기초

인공 지능과 머신 러닝, 딥러닝

인공 지능

 인공지능 : 보통의 사람이 수행하는 지능적인 작업을 자동화한 것.

 

 AI는 머신러닝과 딥러닝을 포괄하는 종합적인 분야.

 

인공 지능(AI) > 머신 러닝 > 딥러닝

 

머신 러닝

 전통적인 프로그래밍(심볼릭 AI) : 규칙 + 데이터 -> 해답

 머신 러닝 : 데이터 + 해답 = 규칙, 입력 데이터를 기반으로 기대 출력에 가깝에 만드는 유용한 표현을 학습

 

 머신 러닝은 명시적으로 프로그램되는 것이 아니라 훈련(training)된다. 샘플과 기댓값이 주어졌을 때 데이터 처리 작업을 위한 실행 규칙을 찾는다. 이런 머신 러닝에는 다음과 같은 세 가지 조건이 필요하다. 

 

• 입력 데이터 포인트 : 주어진 문제가 음성 인식이라면 데이터 포인트는 사람의 대화가 녹음된 사운드 파일, 이미지 태깅이 작업이라면 사진이 데이터 파일.
• 기대 출력 : 음성 인식 작업에에서 사람이 사운드 파일을 듣고 옮긴 글, 이미지 작업에서 기대하는 출력은 '강아지', '고양이'  등의 태그
• 알고리즘의 성능을 측정하는 방법 : 알고리즘의 현재 출력과 기대 출력 간 차이를 결정. 측정값은 알고리즘 작동 방식을 교정하기 위한 신호로 다시 피드백. 이런 수정 단계를 학습(learning)이라 칭함.

 

딥러닝

 딥러닝 : 머신러닝의 특정한 한 분야로서, 연속된 층(layer)에서 점진적으로 의미있는 표현을 학습. 

 

 입력값(예: 이미지)이 각 층을 지날 때, 각 층에서 일어나는 변환은 그 층의 가중치를 파라미터(parameter)로 가지는 함수로 표현된다. 수많은 층을 지나고 나서 출력된 예측값이 기대값에서 얼마나 벗어났는지 측정하기 위해서 손실 함수(loss function) 혹은 목적 함수(objective function)에서 차이를 점수로 계산한다. 기본적인 딥러닝 방식은 이 점수를 피드백 신호로 사용하여 샘플의 손실 점수가 감소되는 방향으로 가중치 값을 조금씩 수정하는 것이다. 이런 수정 과정은 딥러닝 핵심 알고리즘인 역전파(Backpropagation) 알고리즘을 구현한 옵티마이저(optimizer)가 담당한다. 가중치가 업데이트되면 손실 점수는 조금씩 감소하고, 이를 반복할수록 손실 함수를 최소화하는 가중치 값이 산출된다. 이렇게 타깃에 가장 가까운 출력을 만드는 모델이 완성된다.

 

 위의 대략적인 과정을 다음 그림에서 간단히 확인할 수 있다.

https://tensorflow.blog/%ec%bc%80%eb%9d%bc%ec%8a%a4-%eb%94%a5%eb%9f%ac%eb%8b%9d/1-%eb%94%a5%eb%9f%ac%eb%8b%9d%ec%9d%b4%eb%9e%80-%eb%ac%b4%ec%97%87%ec%9d%b8%ea%b0%80/

 

 

---

  출처 : 프랑소와 숄레, <케라스 창시자에게 배우는 딥러닝>, (주)도서출판 길벗, 2018.10.22