Skip to main content

2. Deep and Machine Learning Deep Dive

90, AI의 핵심인 머신러닝(ML)과 딥러닝(DL)의 기본 개념 설명

  • AI 구조 관계 : AI(인공지능) > 머신러닝(ML) > 딥러닝(DL)

  • 딥러닝은 머신러닝의 하위 개념, 모두 인간 지능을 모방·시뮬레이션하는 것이 목적

  • 회귀 / 분류, 지도학습 / 비지도학습, 데이터 전처리, 특성 엔지니어링

  • 모델 학습 → 평가 → 배포 (모델 생명주기)

  • 딥러닝이란? : 여러 층(Layer)으로 구성된 인공신경망

  • 데이터 기반 학습을 하며, 입력 → 학습 → 출력 구조로 인간 뇌의 뉴런 연결 구조를 모방

  • 딥러닝 구성 요소 : 뉴런, 가중치, 편향

  • 포워드 패스, 역전파(Backpropagation), 최적화 과정

  • 신경망 구조 : 입력층(Input Layer) - 은닉층(Hidden Layers) - 출력층(Output Layer)

  • 뉴런 간 연결에서 학습이 발생

91, 딥러닝 심화 요약 노트​

1, 딥러닝의 핵심 개요

딥러닝은 머신러닝의 하위 분야로, 여러 층으로 구성된 인공신경망을 통해 데이터를 학습하는 방식이다.

  • 사람이 규칙을 직접 설계하는 대신, 데이터로부터 패턴을 스스로 학습한다는 점이 핵심
  • 딥러닝의 중요한 특징은 다음 세 가지
    • 자동 특징 학습
    • 계층적 표현 학습
    • 엔드 투 엔드 학습

2, 자동 특징 학습

딥러닝에서는 원시 데이터가 신경망에 입력되면, 여러 은닉층을 거치면서 중요한 특징이 자동으로 추출된다.

  • 기존 방식에서는 사람이 직접 특징을 정의하고 설계해야 했지만, 딥러닝에서는 이 과정이 필요 없다.
  • 구조 : 원시 입력 데이터 > 은닉층에서 특징 자동 추출 > 학습된 고수준 특징 생성
  • 즉, 수동 Feature Engineering이 제거된 구조이다.

⸻

3, 계층적 구조

딥러닝은 단순한 특징에서 점점 복잡하고 추상적인 특징으로 발전하는 계층적 구조를 가진다.

  • 낮은 층에서는 단순한 정보가 학습된다. 예: 픽셀, 엣지
  • 중간 층에서는 패턴이 형성된다. 예: 형태, 구조
  • 높은 층에서는 추상적 개념이 형성된다. 예: 객체, 장면, 의미

비유적으로 설명하면 다음과 같다.

  • 글자 → 단어 → 문장 → 이야기
  • 픽셀 → 엣지 → 패턴 → 객체 → 장면

레이어가 깊어질수록 추상화 수준이 높아진다.

4, 엔드 투 엔드 학습

엔드 투 엔드 학습은 입력에서 출력까지를 하나의 신경망이 직접 학습하는 방식이다.

  • 구조 : 원시 입력 > 신경망 내부 처리 > 최종 출력
  • 중간에 사람이 설계한 규칙이나 단계별 처리 과정이 필요 없다.
  • 운전 비유로 설명하면 다음과 같다.
    • 전통적 방식 : 교통 규칙 학습 > 차량 조작 연습 > 주차 연습 > 단계별 기술 결합
    • 엔드 투 엔드는 : 도로 시각 입력 > 바로 조향 및 주행
    • 즉, 단계가 줄어들고 경험 기반 학습이 이루어진다.

5, 인간 학습과의 유사성

딥러닝은 인간 두뇌의 학습 방식과 유사하다.

  • 인간: 시각 입력 → 뇌 처리 → 즉각 반응
  • 자율주행 AI: 카메라 입력 → 신경망 처리 → 운전 행동

많은 데이터를 학습한 신경망은 중간 계산을 의식하지 않고 바로 반응할 수 있다.

⸻

6, 요약

  1. 직접적 입력-출력 매핑 (자연 학습)
  • 딥러닝의 가장 중요한 특징은 입력과 출력이 직접적으로 연결된다는 점 중간에 사람이 설계한 명시적인 규칙이 필요하지 않다.
  • 원시 입력 → 신경망 → 최종 출력 = 단계별 규칙 설계 없음 = 자연스러운 패턴 인식 기반 학습
  • 핵심은 “Direct”이다. 딥러닝은 규칙을 따르는 시스템이 아니라, 데이터를 통해 패턴을 학습하는 구조이다.
  1. 효율성 (Efficiency)

딥러닝은 중간 규칙이나 단계적 사고 과정을 거치지 않기 때문에 응답 속도가 빠르다.

  • 단계 제거로 자연스러운 동작 + 높은 적응력 확보
  • 특히 비전 기반 시스템에서는 시각 정보가 곧바로 행동으로 연결된다.
  1. 통합과 맥락 이해 (Integration & Context)
  • 딥러닝은 다양한 기능을 하나의 네트워크 안에서 통합한다.
  • 기술이 분리되어 있지 않음 = 뉴런 간 연결을 통해 정보 흐름 학습 = 맥락(Context)을 포함한 판단 가능
  • 그 결과 = 상황 이해 가능 + 적응형 응답 가능