요약 - 딥러닝(Deep Learning)은 다층 인공신경망을 사용해 데이터로부터 표현(특징)을 자동으로 학습하는 기계학습의 한 분야입니다. 입력에서 출력까지 여러 층(layer)을 통해 점차 고수준의 추상적 표현을 만들어내는 것이 핵심입니다. 기본 개념 - 인공신경망: 뉴런(노드)들이 층으로 구성되어 있고, 각 연결에 가중치가 있음. 입력을 가중합하고 비선형 활성화 함수를 통과시키며 다음 층으로 전달. - "딥(Deep)"은 층이 많다는 의미로, 층이 깊을수록 더 복잡하고 추상적인 특징을 학습할 수 있음. - 학습: 주로 역전파(backpropagation)와 경사하강법(gradient descent) 계열 알고리즘으로 가중치를 조정해 손실(loss)을 최소화함. 주요 구성요소 - 손실 함수: 모델 출력과 실제값의 차이를 수치화(예: 교차엔트로피, 평균제곱오차). - 최적화 알고리즘: 확률적 경사하강법(SGD), Adam 등. - 활성화 함수: ReLU, Sigmoid, Tanh 등(비선형성 부여). - 정규화와 일반화 기법: 드롭아웃, 배치정규화, 가중치 감쇠(라쏘/릿지에 해당), 데이터 증강 등. - 하이퍼파라미터: 학습률, 배치 크기, 층 수/너비, 드롭아웃 비율 등. 대표적 아키텍처 - 합성곱 신경망(CNN): 이미지·비전 처리에 특화된 구조(지역적 연결, 필터). - 순환 신경망(RNN), LSTM, GRU: 시퀀스(텍스트, 음성 등) 처리에 사용. - 트랜스포머(Transformer): 어텐션 메커니즘 기반으로 NLP에서 큰 성과, 자체적으로 병렬화 가능(예: BERT, GPT 계열). - 오토인코더, 변분 오토인코더(VAE): 차원 축소·생성 모델. - 생성적 적대 신경망(GAN): 사실적인 데이터(이미지 등) 생성에 사용. 학습과정(일반적 흐름) 1. 데이터 수집·전처리(정규화, 증강). 2. 모델 설계(아키텍처·손실함수 선택). 3. 학습(미니배치, 역전파, 최적화). 4. 검증 및 하이퍼파라미터 튜닝(과적합 방지). 5. 테스트 및 배포(추론 성능 최적화). 응용 분야 - 컴퓨터 비전: 이미지 분류, 객체 검출, 세분화, 의료영상 진단. - 자연어처리: 기계번역, 요약, 질의응답, 언어생성. - 음성인식·합성: 음성→텍스트, 텍스트→음성. - 추천 시스템, 강화학습 기반 게임·로보틱스, 시계열 예측, 합성 데이터 생성 등. 장점 - 특징(Feature)을 수동 설계할 필요 없이 데이터에서 자동으로 추출. - 충분한 데이터와 계산자원이 있으면 많은 문제에서 최첨단 성능 달성. - 다양한 도메인에 적용 가능하고 전이학습(transfer learning)을 통해 적은 데이터로도 성능 향상 가능. 한계와 위험요소 - 데이터 요구량이 크고 계산비용(특히 대형 모델)이 높음. - 해석성(설명가능성)이 낮아 내부 동작을 이해하기 어려움. - 편향된 데이터로 인해 편향·차별을 학습할 수 있음. - 적대적 공격(adversarial examples)에 취약할 수 있음. - 과적합, 일반화 실패, 안전성·윤리 문제에 주의 필요. 성능 개선 기법(간단히) - 사전학습+미세조정(transfer learning), 데이터 증강, 앙상블, 하이퍼파라미터 탐색, 효율적 모델 설계(경량화·양자화 등). 결론 - 딥러닝은 복잡한 패턴을 자동으로 학습해 많은 실제 문제에서 우수한 성능을 보이는 강력한 방법이지만, 데이터·계산 자원, 해석성, 윤리적 고려사항 등 현실적 제약과 한계를 함께 고려해야 합니다.
