심층신경망-딥러닝의 기본개념과 발달과정

딥러닝(심층신경망) 기본 개념 정리

1. 인공지능, 머신러닝, 딥러닝의 관계

인공지능(AI), 머신러닝(ML), 딥러닝(DL)은 다음과 같은 포함 관계를 가진다.

인공지능 (Artificial Intelligence)
└ 머신러닝 (Machine Learning)
└ 딥러닝 (Deep Learning)

 

• 인공지능: 인간처럼 사고하고 행동하는 컴퓨터 시스템을 만드는 기술
• 머신러닝: 데이터를 통해 컴퓨터가 스스로 패턴을 학습하도록 하는 방법
• 딥러닝: 인간의 뇌 신경망 구조를 모사한 **심층 신경망(Deep Neural Network)**을 사용하는 머신러닝 방법

즉, 딥러닝은 머신러닝의 한 종류이며 머신러닝은 인공지능의 한 분야이다.

---

2. 인공지능이란 무엇인가

인공지능은 인간의 지능적인 행동을 컴퓨터가 수행하도록 만드는 기술이다.

인간의 지능은 다음과 같은 과정으로 이루어진다.

1️⃣ 감각 (Perception)
2️⃣ 추론 (Reasoning)
3️⃣ 의사결정 및 행동 (Decision / Action)

예를 들어

• 냄새를 맡는다
• 과거 경험을 떠올린다
• 음식이 무엇인지 판단한다

이러한 지능적인 과정을 컴퓨터가 수행하도록 만드는 것이 인공지능이다.

가장 간단한 예는 규칙 기반 시스템이다.

 

<예시>

IF 체온 > 38도
AND 기침 횟수 > 일정 기준
→ 감기 가능성

 

이처럼 규칙을 이용한 방식도 인공지능에 포함된다.

---

3. 튜링 테스트 (Turing Test)

1950년 수학자 "앨런 튜링(Alan Turing)"은 인공지능을 평가하는 방법으로 튜링 테스트를 제안했다.

방법

• 사람 A
• 컴퓨터 B
• 판별자 C

C는 A와 B의 대화를 보고 누가 사람인지 판단한다.

만약 컴퓨터를 사람과 구별하지 못한다면
그 컴퓨터는 지능을 가진 것으로 간주한다.

---

4. 컴퓨터가 잘하는 일 vs 사람이 잘하는 일

컴퓨터와 사람은 잘하는 일이 다르다.

컴퓨터가 잘하는 일

• 복잡한 계산
• 수식 기반 문제
• 체스 같은 규칙 기반 문제

사람이 잘하는 일

• 직관적인 판단
• 이미지 인식
• 감정 파악
• 자연어 이해

예를 들어 사람은 쉽게

• 고양이 vs 강아지
• 얼굴 표정
• 문장의 감정

을 판단하지만
이를 수식으로 설명하기는 매우 어렵다.

이러한 문제를 해결하기 위해 등장한 것이 머신러닝이다.

---

5. 머신러닝의 핵심 아이디어

기존 방식

사람이 규칙을 만든다
→ 컴퓨터가 수행

 

머신러닝 방식

데이터 제공
→ 컴퓨터가 패턴을 학습

 

예를 들어

연봉(X)과 삶의 만족도(Y)의 관계를 예측한다고 하면

Y = AX + B

 

와 같은 선형 회귀 모델을 만들고

데이터를 통해 A와 B 값을 학습한다.

---

6. 머신러닝의 기본 과정 (4단계)

머신러닝은 일반적으로 다음 과정으로 진행된다.

1️⃣ 데이터 수집 및 전처리

• 데이터 수집
• 결측치 처리
• 오류 수정

실무에서는 이 단계가 가장 많은 시간이 소요된다.

---

2️⃣ 모델 선택

예시

• 선형회귀
• 의사결정트리
• SVM
• KNN

데이터 구조에 맞는 모델을 선택한다.

---

3️⃣ 학습 (Training)

데이터를 통해 모델의 파라미터를 찾는다.

예

Y = AX + B

 

여기서 A와 B를 학습한다.

---

4️⃣ 예측 (Prediction)

학습된 모델을 사용해 새로운 데이터의 결과를 예측한다.

---

7. 딥러닝이란 무엇인가

딥러닝은 머신러닝의 한 종류로

인간 뇌의 신경망 구조를 모사한 모델을 사용한다.

이를 Deep Neural Network (DNN) 라고 한다.

기본 구조

Input Layer → Hidden Layer → Output Layer

 

각 뉴런은 다음과 같은 연산을 수행한다.

y = ax + b

 

이 간단한 연산을 수많은 층으로 쌓아 복잡한 패턴을 학습한다.

---

8. 딥러닝의 특징

장점

• 매우 복잡한 패턴 학습 가능
• 이미지, 텍스트, 음성 처리에 강함
• 이론적으로 모든 함수를 근사 가능
  (Universal Approximation Theorem)

단점

• 많은 데이터 필요
• 많은 연산 자원 필요 (GPU)
• 학습 시간이 길다

---

9. 머신러닝 vs 딥러닝

구분	머신러닝	딥러닝
모델	비교적 단순	매우 복잡
데이터	적어도 가능	많이 필요
해석 가능성	높음	낮음
사용 분야	테이블 데이터	이미지, 텍스트

 

---

10. 딥러닝이 발전한 이유

딥러닝 발전에는 3가지 요소가 중요했다.

1️⃣ 빅데이터

예: ImageNet (100만 장 이미지)

---

2️⃣ GPU

딥러닝은 병렬 연산이 가능해 GPU에서 빠르게 계산된다.

---

3️⃣ 모델 연구 발전

예

• CNN
• RNN
• Transformer

---

11. 딥러닝 응용 분야

현재 딥러닝은 다양한 분야에서 활용되고 있다.

대표 사례

• 자율주행
• 이미지 인식
• 자연어 처리
• 생성형 AI
• 의료 진단

예시

• 이미지 픽셀을 분류하는 Semantic Segmentation
• 텍스트로 이미지를 생성하는 생성형 AI

---

12. 정리

• 인공지능은 인간처럼 사고하는 시스템을 만드는 기술이다.
• 머신러닝은 데이터를 통해 패턴을 학습하는 방법이다.
• 딥러닝은 신경망 구조를 사용하는 머신러닝 기법이다.

딥러닝이 성공하기 위해서는 다음이 필요하다.

1️⃣ 많은 데이터
2️⃣ 충분한 계산 자원(GPU)
3️⃣ 좋은 모델 구조