[Python]Deep Learning 딥러닝 인공지능 이해 머신러닝 차이점
딥러닝(Deep Learning)은 인공신경망을 사용하여 복잡한 패턴을 학습하고 문제를 해결하는 머신러닝의 한 분야입아. 딥러닝은 여러 층의 신경망을 사용하여 데이터로부터 고수준의 추상적인 특징을 학습한다. 이러한 층이 깊어질수록 더욱 복잡한 특징을 추출할 수 있으며, 이를 통해 다양한 종류의 문제를 해결할 수 있다.
딥러닝과 머신러닝의 차이점
머신러닝은 사람이 데이터에서 찾을 특성을 직접 정의하고, 그 특성을 이용하여 모델을 학습시키는 반면,
딥러닝은 데이터로부터 특성을 자동으로 학습한다. 딥러닝은 이러한 점에서 데이터에 대한 사람의 개입이 적고, 보다 복잡한 패턴을 학습할 수 있다.
딥러닝 작동원리
딥 러닝 알고리즘은 인간의 뇌를 모델로 한 신경망이다. 예를 들어 인간의 뇌 안에는 함께 작동하여 정보를 배우고 처리하는 수백만 개의 신경 세포가 상호 연결되어 있다. 마찬가지로 딥 러닝 신경망 또는 인공 신경망도 컴퓨터 내부에서 함께 작동하는 여러 계층의 인공 신경 세포로 구성된니다.
인공 신경 세포를 노드라고 하며 이 노드는 수학적 계산을 사용하여 데이터를 처리하는 소프트웨어 모듈이다. 인공 신경망은 이 노드를 사용하여 복잡한 문제를 해결하는 딥 러닝 알고리즘이다.
딥 러닝 구성 요소
입력 계층
인공 신경망에는 데이터를 입력하는 여러 노드가 있습니다. 이러한 노드는 시스템의 입력 계층을 구성한다.
은닉 계층
입력 계층은 데이터를 처리하여 신경망의 다른 계층으로 전달한다. 이 은닉 계층은 서로 다른 수준에서 정보를 처리하고 새 정보를 수신할 때마다 동작을 조정한다. 딥 러닝 네트워크에는 여러 각도에서 문제를 분석하는 데 사용할 수 있는 수백 개의 은닉 계층이 있다.
예를 들어 알 수 없는 동물의 이미지를 받아서 이를 분류해야 한다면 이미 알고 있는 동물과 비교할 수 있다. 예를 들어 눈과 귀의 모양, 크기, 다리 수, 털 패턴을 볼 수 있다. 다음과 같은 패턴을 식별하려고 할 수 있다.
- 이 동물에는 발굽이 있으므로 소나 사슴일 수 있다.
- 이 동물은 고양이 눈을 가지고 있으므로 어떤 종류의 야생 고양이가 될 수 있다.
심층 신경망의 은닉 계층도 같은 방식으로 작동한다. 딥 러닝 알고리즘으로 동물 이미지를 분류하려는 경우 각 은닉 계층은 동물의 다른 특징을 처리하고 정확하게 분류하려고 시도다.
출력 계층
출력 계층은 데이터를 출력하는 노드로 구성된다. ‘yes’ 또는 ‘no’라는 답을 출력하는 딥 러닝 모델은 출력 계층에 노드가 2개만 있습니다. 반면에 더 넓은 범위의 답변을 출력하는 모델에는 더 많은 노드가 있다.