딥러닝 (Deep Learning)

딥러닝 (Deep Learning)

다층 인공신경망을 사용하여 데이터로부터 복잡한 패턴을 자동으로 학습하는 머신러닝 기법으로, 이미지·음성·텍스트 등 비정형 데이터에서 뛰어난 성능을 보이며 특징 추출을 자동화하여 대규모 데이터 처리에 적합

특징: 다층구조(깊은 신경망), 자동특징추출(수동 설계 불필요), 대규모데이터·GPU필요(학습 자원 집약), 비선형표현학습(복잡한 패턴 표현)

핵심구성요소: 층(Layer), 뉴런(Node), 가중치(Weight), 편향(Bias), 활성화함수(Activation Function)

주요아키텍처

• •DNN: 완전연결, 일반적인 패턴
• •CNN: 합성곱층, 이미지·비전, LeNet·AlexNet·VGG·ResNet
• •RNN: 순환구조, 시계열·텍스트, LSTM·GRU
• •Transformer: 어텐션메커니즘, 병렬처리, BERT·GPT

학습기법: 역전파(Backpropagation), 경사하강법(SGD·Adam), 배치정규화, 드롭아웃, 전이학습

발전요인: 대규모데이터(ImageNet), GPU/TPU, 알고리즘혁신(ReLU·Dropout·BatchNorm)

적용사례: 이미지분류(ResNet), 객체탐지(YOLO), 번역(Transformer), 음성인식(Whisper), 챗봇(GPT)

장단점: 장점(자동특징추출·높은성능·확장가능) 단점(데이터많이필요·계산비용·블랙박스)

비교: 머신러닝(수동특징·소규모) vs 딥러닝(자동특징·대규모)

연관: 신경망, CNN, RNN, Transformer, 역전파, 활성화함수, GPU